作为测试人员，平时用什么大模型？怎么用？

平时用GPT多一点，更多是撰写技术文档，或者报告等，当然还会使用cluade，cursor这些ai编程工具来提效编程；同时作为测试人员，也会用来Ai生成一些基础的功能性测试的用例编写

大模型在实际业务场景中的具体应用案例

1. 技术文档与报告撰写

场景1：API接口文档自动化生成

• 业务背景：开发团队需要为新的支付网关API编写文档，包含请求参数、响应示例和错误码说明。
• AI应用：

1. 用GPT-4输入接口定义（如/api/payment的Swagger YAML），生成Markdown初稿。
2. 通过Claude检查术语一致性（如“transaction_id”是否全局统一），并补充业务逻辑说明（如“重试机制触发条件”）。

• 成果：文档撰写时间从8小时缩短至2小时，且错误率降低（人工易漏字段类型说明）。

场景2：跨部门会议纪要结构化

• 业务背景：30分钟的产品需求评审会，涉及研发、测试、产品多方讨论。
• AI应用：

1. 录音转文字后，用豆包提取关键结论：

• 输入：“研发认为登录模块的第三方认证需延期2天”
• 输出：「Action Item：登录模块第三方认证（Owner：张XX，Deadline：5月20日）」

1. 自动生成待办清单和风险项（如“兼容华为鸿蒙需额外测试”）。

• 成果：会后5分钟即发出纪要，比人工整理快4倍。

---

2. AI编程提效

场景3：YOLOv8模型部署的快速验证

• 业务背景：需在Android端部署轻量化YOLOv8模型，但团队缺乏移动端优化经验。
• AI应用：

1. 用Cursor提问：“用TensorFlow Lite部署YOLOv8n到Android的完整Python示例”，生成：

2. # 模型转换  
   !yolo export model=yolov8n.pt format=tflite  
   # Android端推理代码框架  
   interpreter = tf.lite.Interpreter(model_path="yolov8n.tflite")

1. 通过Copilot自动补全图像预处理（如cv2.resize的尺寸计算）。

• 成果：1天内完成POC验证，而传统调研需3天+。

场景4：内存泄漏的AI辅助排查

• 业务背景：测试报告显示App长时间运行后内存占用持续增长。
• AI应用：

1. 用Claude分析代码片段：

def load_image():  img_list = []  while True:  img_list.append(cv2.imread("test.jpg"))  # 疑似泄漏点

1. AI指出：“未释放img_list导致内存累积，建议用with上下文管理或手动del”。

• 成果：快速定位问题，修复后内存占用下降60%。

---

3. 测试用例自动化生成

场景5：微信小程序登录模块的边界测试

• 业务背景：需覆盖手机号登录的异常场景（如超长输入、特殊字符）。
• AI应用：

1. 1. 向GPT-4输入需求：“生成微信小程序手机号登录的边界测试用例”。
   2. AI输出：

1. 输入11位非数字（如"123abc45678"）→ 预期：提示“请输入有效手机号”  
2. 输入12位数字→ 预期：输入框自动截断至11位  
3. 粘贴含空格的号码（如"138 1234 5678"）→ 预期：自动过滤空格

• 成果：补充了团队未考虑的5种异常场景，发现1个后端未校验的漏洞。

场景6：热视模组兼容性测试的疲劳场景

• 业务背景：需模拟用户频繁插拔模组的极端情况。
• AI应用：

1. 1. 用GPT-4生成压力测试脚本：

for i in range(100):  plug_in()  # 模拟插入  assert check_connection()  # 验证连接  plug_out()  # 模拟拔出

1. 1. 结合ADB命令（如adb shell input keyevent）实现自动化插拔模拟。

• 成果：发现某华为机型在快速插拔10次后概率性断连，推动驱动层优化。