AI 辅助测试

本栏目讨论如何让模型的输出稳定可用：提示词的设计与效果对比、生成结果的有效性验证，以及两个把模型放在"解释与建议"位置（而非决策位置）的落地场景——日志异常模式分析与失败堆栈定位。

文章

1. 面向测试场景的提示词设计：五个模板与效果对比 —— 同一任务"随口问"与"用提示词"的产出对比（用例可用率 31% → 84%）
2. AI 生成测试的有效性验证：变异测试的应用 —— 62 条测试全绿但变异分数仅 26%，三轮补断言到 54%
3. 线上日志的异常模式分析：基于聚类的自动化方案 —— 12 万行日志归并为 38 个模板，发现 5 个异常模式（含静默失效的定时任务）
4. 失败堆栈的根因初判：从日志到可疑代码行 —— 30 条堆栈定位准确率 87%，平均 25 秒/条（人工 8 分钟）

一条共同原则

模型负责生成与解释，确定性工具负责判定。 四篇文章里，凡是"必须准确"的环节（断言有效性、异常判定、代码行定位）都交给确定性手段，模型只做补充说明。