课程适合人群：
第一天：AI测试启蒙与快速体验（6小时）
目标：理解AI测试是什么，能做什么，并亲身体验AI生成测试用例的神奇。
第一天上午（9:00-12:00）：开启AI测试之门
09:00-09:30 | 破冰与导入
讲师介绍、学员自我介绍（测试经验、对AI的期待）。
课程整体介绍与目标说明。
互动提问：你心目中"AI取代测试"是什么样的？
09:30-10:40 | 模块1：AI测试通识——像讲故事一样学概念
1）AI测试的定义：
通俗解释：AI测试 = 用AI帮我们测试（赋能） + 测试AI系统本身（被测）。
对比传统测试：自动化和AI智能化的核心区别。
2）发展历程与现状：
时间轴：手工时代 -> 工具时代 -> 自动化时代 -> 智能化时代。
现状故事：大厂里的AI测试员是如何工作的？
10:50-12:00 | 模块2：AI能帮我们做什么？
3）典型应用场景（讲故事式讲解）：
场景1：写用例写到吐 -> AI一键生成。
场景2：造数据造到疯 -> AI批量合成。
场景3：看日志看到瞎 -> AI自动分析根因。
场景4：点点点重复劳动 -> AI脚本生成。
4）挑战与局限性（防止过度期望）：
AI也会"幻觉"（胡说八道）。
AI需要"投喂"好数据。
不是所有问题都适合用AI解决。
第一天下午（14:00-17:00）：AI测试初体验——人人都能搭智能体
14:00-14:30 | 模块3：动手前的准备
5）主流AI测试技术栈介绍：
通俗版技术地图：大模型（大脑）+ 框架（手脚）+ 数据（食物）。
介绍阿里百炼：它们是什么？为什么适合测试用？
账号准备与界面导览：
带领大家登录阿里百炼。
熟悉界面：工作台、应用创建、数据集、发布。
14:30-16:30 | 模块4：核心技术实战（第一部分）——从0开始搭建智能体
6）基础知识讲解（嵌入实战）：
什么是Prompt？（像给实习生布置任务）。
什么是知识库？（像给实习生参考资料）。
动手搭建（手把手，截图级指导）：
Step 1：创建空白应用（对话型/工作流型）。
Step 2：编写第一个Prompt："你是一个资深的测试工程师，请帮我生成测试用例"。
Step 3：简单测试一下效果。
16:30-17:00 | 模块5：初步成果与讨论
使用最简单的Prompt生成登录功能测试用例。
讨论：生成的怎么样？哪里好？哪里不足？
预告明天如何让它更"懂行"。
第二天：AI测试核心技能进阶（6小时）
目标：学会如何调教AI，让它更懂公司业务，并应用到更多测试场景中。
第二天上午（9:00-12:00）：让AI更懂你——知识库与高级工作流
09:00-10:30 | 模块6：核心技术实战（第二部分）——喂给AI"公司秘籍"
知识库（RAG）实战：
概念讲解：什么是RAG？为什么需要它？（开卷考试 vs 闭卷考试）。
准备材料：准备一份简易版"公司测试规范.txt"和几个"优秀历史用例.md"。
实操：将文档上传至百炼的知识库。
实操：将知识库连接到昨天创建的智能体上。
10:40-12:00 | 模块7：核心技术实战（第三部分）——工作流逻辑编排
优化工作流：
为什么需要工作流？（就像if else判断，让AI按流程思考）。
实操：设计简单工作流——输入需求 -> 提取关键信息 -> 调用知识库 -> 分步生成（功能用例、异常用例、数据库用例）。
变量设置与节点连接。
第二天下午（14:00-17:00）：LLM在测试中的多面手应用
14:00-15:20 | 模块8：LLM应用（上）——测试前期的提效
1）AI生成测试用例（进阶）：
对比昨天的用例，看看加上知识库和工作流后的质量提升。
2）AI生成测试数据：
实战：生成100条带身份证规则的用户数据。
实战：生成符合接口规范的Mock JSON数据。
3）AI生成自动化测试脚本（入门）：
实战：给出测试步骤，生成Selenium Python脚本。
技巧：如何让AI适配公司现有的自动化框架封装。
15:30-17:00 | 模块9：LLM应用（下）——测试后期的分析
4）缺陷根因智能分析：
实战：给AI一段报错日志 + 相关代码，让它猜猜哪里错了。
讨论：它的分析逻辑对吗？如何引导它更准确？
5）生成测试度量分析数据：
实战：给AI本周的缺陷列表，让它帮我写一份周报摘要，提炼出主要风险和趋势。
6）AI与性能测试（概念级）：
讲解：AI能帮我们分析性能瓶颈（如分析GC日志）、生成压力曲线预测。
第三天：拓宽视野与测试AI本身（6小时）
目标：了解业界都在用什么，以及当AI成为被测对象时该怎么测。
第三天上午（9:00-12:00）：开源工具生态与落地指南
10:00-10:50 | 模块10：开源AI测试工具巡礼（见识一下）
7）智能缺陷预测（讲解为主）：
原理简介：通过历史代码变更预测哪里容易出Bug。
工具推荐：Facebook Sapienz、Amazon CodeGuru（展示界面）。
8）常用的开源AI测试工具介绍：
UI视觉类：Applitools（虽然商业但有免费版）、Sikuli（图片识别）。
API测试类：EvoMaster（自动生成测试用例）。
数据生成类：Mockaroo、DataFaker。
提供公司列表：整理一张大表（工具名、公司、现状、适用场景）。
11:00-12:00 | 模块11：刚起步公司的AI测试落地指南
速成方案：
方案A（低成本）：Prompt工程 + 通义千问/ChatGPT + Excel。
方案B（开源平替）：Dify社区版 + Ollama（本地大模型） + Playwright。
可落地的实战案例分享：
案例1：某电商公司如何用AI生成商品详情页的兼容性测试用例。
案例2：某金融公司如何用AI生成脱敏后的SQL测试数据。
第三天下午（14:00-17:00）：大模型专项测试与课程总结
14:00-15:40 | 模块12：大模型专项测试（当我们测AI时我们在测什么）
注意：这一块主要是拓宽知识面，让中初级学员知道有这些维度。
效果测试：
怎么判断AI回答得好不好？——BLEU/ROUGE分是什么？
对抗性测试：如何"骗"大模型，测试它的安全边界（红队测试）。
性能测试：
测什么：接口响应时间、并发、显存消耗。
工具：用JMeter压测大模型API接口（简单演示）。
安全测试：
提示词注入：会不会被黑客利用。
数据隐私：会不会泄露训练数据。
15:50-16:30 | 模块13：回顾与展望
AI测试发展趋势：
测试Agent（能自己动手修Bug的AI）。
多模态测试（测图、测视频、测声音）。
课程知识图谱串讲：回顾3天学到的所有内容。
16:30-17:00 | 结业与答疑
落地行动计划：回到工作岗位后，第一周、第一个月可以做什么？
资源推荐：好用的AI测试工具清单、Prompt模板库、学习社区。
自由Q&A：解答学员个性化问题，发放课程资料包。
【投稿】【关闭窗口】【打印】