AI在测试工作中能干点啥 ？
1. 根据测试需求，自动预测排期。以前都是领导拍脑袋决定排期，或长或短，总是不严谨。但根据经验主义得到排期也算是目前最好的办法了。那么既然是经验主义，那就应该让AI上场，AI可以考虑到测试需求的所有细节和角度，只要多加训练。就可以推测出一个和实际几乎完全一致的预测。
2. UI自动化场景-自动维护元素定位。以前总说UI自动化难搞，不值得做。主要原因就是UI前端元素变更频繁，工程师维护不过来。这种麻烦的事最好就是交给AI来做。
3. 根据需求自动生成测试用例。这个目前有两种方案，一种是直接交给chatGPT来做，一般公司都是弄个壳子平台。把输入的需求，自动化的去给gpt提问，把结果汇总。比如先问，用边界值法有什么用例啊？再问用判定表呢？再问，还可以补充一些么..... 就是问。但是这种办法终归是有遗漏的，而且需要一定人力成本去再次检查。另一个方案，是用标准严格的黑盒用例设计方法，把需求细化成一些小功能点，再依次代入模型。这种办法虽然遗漏会很少，但是重复和人力介入成本很高。
4. 对已有历史用例，自动生成脚本运行。一个公司应该已经有很多自己的手工用例了，几千条，几万条这样。每次回归测试，例行测试等等，手工根本来不及，只能挑一些重要的跑跑或者手写脚本。但手写脚本开发和维护的成本太大。所以，对全用例自动生成脚本才是王道。这些大量的沉积用例，预期输出，正好可以用来训练。只不过，其中需要人为的帮助清洗整理数据。
5. 自动规划出测试范围。漏测，开发带私货提测，隐瞒改动，用例关系隐秘，历史资料丢失等等问题，都可以让AI去补充、预测、规划测试范围。
6. 预料之外线上生产环境BUG预测。在我们十一个黑盒测试方法中，有一个比较特殊的叫错误猜测法，土话讲就是靠员工自己的经验，猜测出还有哪些跳出三界外，不在五行中的可能BUG。有的公司有时候这个活动也叫自由测试。AI可以训练以往的线上事故进行预测，预测本次提测后，线上可能会有多少bug？哪些bug等等....
7. 自动化脚本误报/失败风险预测。让AI训练以往各个自动化脚本和其表现，再有新的脚本提交给AI后，就可以预测出这个脚本的质量如何了...
8. 性能测试。虽然早已有专业工具进行检测一个接口/功能/程序的性能数据，但AI的介入可以在未来以更小代价拿到结果，只要你训练的足够多，结果就会越来越精准。当然，这个结果你仍然不信任，必须要自己实际压一次，但AI可以给你提供参考啊，比如压多少并发？压多久？相比较一点点去试，这可以一步到位，最短时间测出性能瓶颈。
9. 公司内脚本/sql/命令/证书等杂活问答机器人。你们平时做一件工作，最麻烦的最闹心的就是公司内各种脚本/sql/命令/证书等的问题，到处去问，各种去搜。这个脚本在哪？服务器地址多少？那个SQL怎么写？等等这种问题，大多数公司都会记载到组内WIKI中，不过就是杂乱无章，毫无规整可言。所以要用AI去训练收集这些沉淀很久的文档，然后做成一个问答机器人，直接问它：xx业务xx端需要装的证书在哪下载啊？，AI回答：在xxxx负责人手中，下载地址有以下几个.... 这种时候你说牛不牛吧？当然这个要参考本地化小GPT了，gpt是处理自然语言的最佳模型哦~而且早已开源。
10. 面试简历筛选。简历好不好，一直都是不专业的HR进行初筛，这很容易就把一些其实非常厉害的候选人筛选掉。一个公司接收过那么多简历，每个候选人最终到了几轮结束？会不会来？工资开多少合适？应不应该发offer？这些数据浪费太可惜了，拿来给Ai训练！让AI来替公司选出最佳人选，这不比面试官看眼缘靠谱？流浪地球里 moss当年拒绝吴京演的刘培强进空间站，其实就是最正确的决定，因为吴京的冲动，最终也确实毁灭了整个空间站。从空间站(公司)的角度说，AI选人很靠谱。
好了，上述就是十个AI应用测试领域的点子，基本上我都有不同程度的实现了，之后也会公开到掘金文章中！
