【day1】AI软件测试学习笔记

以下为整理的 AI软件测试学习笔记，涵盖性能测试工具链、AI大模型应用及开发实践，分为四大模块：

一、性能测试工具链与数据分析

1. 工具链整合效果

JMeter + InfluxDB + Grafana
- JMeter压测数据存储至云端InfluxDB，实现分布式压测和历史数据对比
- Grafana大屏实时展示TPS、响应时间、错误率等核心指标
- 示例监控项：
```
SELECT mean("responseTime") FROM "jmeter" WHERE $timeFilter GROUP BY time(10s)
```
Prometheus + Node Exporter
- 采集服务器CPU、内存、磁盘IO等资源数据
- 预警规则配置（如CPU持续>80%触发告警）

2. 压测数据分析方法

瓶颈定位
- 关联JMeter响应时间与服务器资源峰值（如高延迟时CPU是否打满）
- 慢SQL分析：通过Prometheus监控数据库查询耗时
性能报告生成
- 使用Grafana生成PDF报告，标注性能拐点和优化建议

二、AI大模型在测试场景的应用

1. 垂直领域应用方向（非泛化生成）

场景	AI技术实现	工具示例
自动化测试脚本生成	根据需求描述生成Selenium/Pytest代码	ChatGPT API + 自定义Prompt
缺陷根因分析	分析日志提取异常模式并定位模块	LangChain + 日志聚类模型
测试用例智能补充	基于需求文档挖掘边界条件	大模型微调 + 规则引擎
性能测试结果预测	历史数据训练模型预测系统容量瓶颈	TensorFlow时序预测模型

技术分层与工具选择

2. 开发层级与工具选型

底层开发（高阶）
- 自主训练行业专用模型（需标注测试数据集）
- 使用PyTorch构建缺陷分类模型
应用层开发（低代码）
- 通过Dify平台快速搭建测试问答机器人
- 调用阿里云百炼API生成测试报告摘要

三、AI测试智能体开发实践

1. 技术栈组成

2. 性能分析智能体案例

数据输入：JMeter结果JSON + Prometheus监控数据
AI处理：
- LangChain调用大模型API分析性能瓶颈
- 输出优化建议（如数据库索引缺失、线程池配置不足）
自动化输出：生成Markdown报告并推送至钉钉群

3. 快速开发工具

Dify平台：拖拽式构建测试用例生成工具

# 示例：通过API生成测试用例
def generate_test_case(requirement):response = dify_api(prompt=f"作为QA工程师，为以下需求生成测试用例：{requirement}",temperature=0.3)return parse_response(response)

LangChain应用：将多个AI服务串联实现复杂逻辑

四、学习路径与资源

1. 分阶段学习计划

基础阶段：
- JMeter分布式压测
- PromQL语法精讲
- Grafana仪表盘搭建
AI集成阶段：
- LangChain官方文档（重点Agent和Chain）
- 大模型API调用实战（OpenAI/智谱清言）
项目实战：
- 搭建智能日志分析系统
- 开发自动化测试脚本生成器

2. 推荐工具清单

类型	工具	应用场景
性能监控	Prometheus + Grafana	资源监控与压测可视化
大模型平台	阿里云百炼/智谱清言OpenAPI	测试场景NLP处理
低代码开发	Dify	快速构建测试AI应用
框架	LangChain	复杂AI工作流编排