一、概述
近年来，随着大语言模型(LLM)技术的快速发展，国内企业开始将其应用于软件测试领域，以提高测试效率和质量。本报告将从应用方向、实践案例、实施方法、效果数据以及面临的挑战等方面，对国内企业应用大模型赋能软件测试的现状进行全面分析。
目前，大模型在软件测试领域的应用主要集中在文本生成类的场景，如测试用例生成、测试分析、自动化测试脚本生成等。而在行为生成类场景（如自动执行、结果分析、自动程序修复等）方面的应用仍处于探索阶段。
二、主要应用方向
根据调研发现，国内企业应用大模型赋能软件测试主要有以下几个方向：
1. 测试用例自动生成
利用大模型对需求文档、设计文档、代码等进行理解和分析，自动生成涵盖功能要点、操作步骤和预期结果的测试用例，减少测试人员编写用例的工作量，提高测试覆盖率。
2. 测试分析与思维导图生成
基于大模型的文本理解能力，对业务需求进行解析，自动生成测试要点、测试流程图和思维导图，辅助测试人员理解复杂需求，进行系统的测试设计。
3. 自动化测试脚本生成
结合大模型的代码生成能力，根据接口定义、页面元素和测试用例描述，自动生成测试自动化脚本，降低自动化测试脚本编写成本。
4. 智能测试问答
构建基于大模型的智能问答系统，对测试知识库、测试规范以及测试过程中遇到的问题提供即时回答，减少文档查询时间。
5. 测试数据生成
根据业务规则和接口要求，自动生成符合业务逻辑的测试数据，提高测试数据的准确性和全面性。
6. 缺陷分析与预测
利用大模型分析历史缺陷数据和代码特征，预测潜在的缺陷风险点，提前进行防范。
三、国内企业实践案例
1. 中信银行"第二大脑"测试大模型
实施背景
面对银行业务流程的复杂性和测试人员个人能力的有限性，中信银行基于大模型技术和高质量数据资产，打造了测试大模型"第二大脑"。
具体方法
中信银行利用先进的大模型技术，依托高质量、专业化的数据资产进行模型训练，将大模型集成到软件测试生命周期的各个环节，发挥辅助作用，从而提升测试覆盖率、质量及效率。
应用效果
中信银行的实践表明，大模型在短期内可以辅助测试，中期可担任主笔测试，长期来看，有望转变成主导测试的角色，显著提升了测试人员的工作效率和测试质量。
面临挑战
数据质量问题：大模型需要大量高质量且具有专业性的训练数据，而软件测试相关数据复杂且专业化，使得数据采集和处理成为难点。
可解释性不足：在测试应用中，必须确保输出结果的可信度，因此需要进一步提升大模型的解释能力。
鲁棒性和稳定性：大模型在面对各种异常情况和复杂测试场景时，需要具备更强的鲁棒性。
2. 邮储银行研发测试大模型
实施背景
在大模型技术日益成熟的背景下，邮储银行积极探索智能化测试，构建了"研发测试大模型"，打造端到端智能研发方案"智能研发测试助手"。
具体方法
邮储银行采用了以下具体方法：
构建和部署私有化大语言测试模型，通过大量测试数据和标准规范文件的训练，利用Prompt工程和Fine-tuning优化模型。
实现本地化模型部署，借助LangChain框架将大语言模型与银行自身的测试知识库和计算逻辑结合。
进行Web端的二次开发，通过定制化的Prompt模板优化用户交互，提升模型输出质量和回答的准确性。
在实际测试场景中，模型实现对测试用例、思维导图、自动化测试脚本以及单元测试代码的智能生成和优化。
应用场景及效果
测试用例生成：大模型能在10余秒内完成数千字的需求分析，生成详细的测试用例，涵盖功能要点、操作步骤和预期结果，大幅缩短了测试用例编写时间。
需求思维导图及流程图：有效帮助测试人员解读需求，并转化为直观的流程图或思维导图，提升了需求分析效率。
自动化测试脚本生成：依据接口和业务场景，通过大模型自动生成测试脚本，提高了接口测试和集成测试的效率与覆盖率。
单元测试的智能化支持：直接对源码进行分析，扩展了单元测试分析的范围和覆盖率。
未来发展计划
深化模型可解释性研究，聚焦大模型推理过程和生成结果，提升可信度。
持续优化模型训练，利用高质量、更多样化的测试数据不断提升模型性能。
拓展适用场景，构建大规模、多样化的测试数据集，更好地适应具体测试需求。
完善测试解决方案，通过与软件测试平台的对接，构建更加完整、连续的测试支持体系。
技术融合探索，结合增强现实、虚拟现实等交互技术，提供更直观的测试分析环境。
3. 百度智能测试助理TestMate
实施背景
百度开发了智能测试助理TestMate，服务于百度内部的智能测试工作，旨在提升测试效率和质量。
具体方法
TestMate的设计和实现包括以下几个关键点:
基于大模型的基础能力，如意图识别、记忆管理和多轮交互。
内置通用的测试领域知识和原子测试能力，确保覆盖测试环节的通用需求。
提供能力中心，允许用户自定义Prompt、自动化用例模板和业务私域知识，并能够自定义上下游能力组合以串联不同功能，从而为企业构建一个符合自身业务需求的专属智能测试助理。
应用效果
TestMate为百度内部测试工作提供了高度智能化的服务，帮助提升内部测试效率和准确性。通过丰富的可视化交互组件，与需求管理平台、用例管理平台和接口管理平台实现了有效联动。
4. 华为基于LLM的测试自动化代码生成
实施背景
华为选择大模型辅助测试自动化代码生成作为大模型在智能测试领域应用的突破点，旨在提高测试自动化水平。
具体方法
华为的LLM辅助测试代码生成方法主要构成如下：
构建统一的系统测试代码生成解决方案，首先分析企业级、特定领域的业务上下文。
建立分层大模型训练体系，包含：
a. L1阶段：利用海量测试原始代码（raw-code）进行增量预训练。
b. L2阶段：采用有监督调优（SFT），结合标准化提示工程和数据清洗（依据56项数据质量检查规范），提升生成精度。引入检索增强生成（RAG）策略，通过构造含全局信息、用例级信息、步骤信息的Prompt，并检索历史的AW代码和文本脚本对，以保证生成内容与已有测试知识的一致性。
集成TestMate IDE插件，实现在线推理和流式代码生成，同时支持后处理（如缩进修复、去重、异常内容修复）。
应用效果
部署和实践结果表明，华为的LLM辅助测试代码生成方案在多个产品线中均取得了较好的应用效果：
无线产品线生产环境试点中，生成的测试代码主观接纳度达到约70%，其中大约31%的代码可以直接使用，41%需要少量修改，28%被判定为不可用。
数存产品线显示，新生成的约200个用例和1800多个测试步骤的采纳率在60%+，整体脚本书写效率显著提升（接近提效1倍）。
云核产品线的应用结果显示采纳率在65%左右。
截止2024年6月底，大模型辅助测试自动化代码生成的应用人数达到3000人左右，覆盖60多个产品，生成代码量超过40万行。
面临挑战
华为在LLM辅助测试代码生成过程中面临的主要挑战包括：
数据质量与语料问题：训练语料存在不完整和多样性不足的问题，尤其是在提示工程中测试用例TC信息的不完备以及AW代码样本数量较少，导致生成效果受限。
Prompt设计及上下文完备性：生成高质量代码依赖于Prompt的设计，当前需要进一步完善全局信息、用例级和步骤级的提示提取。
模型基础及训练策略：不同基模型（如自研Pangu、Starcoder、GLM2等）之间的效果存在差异，统一的训练和微调策略（SFT与RAG结合）仍需优化。
产品线差异及数据混训风险：不同产品线之间测试代码和方法库存在差异，将它们混合训练可能会相互干扰，影响模型生成一致性。
5. 字节跳动全链路智能测试体系
实施背景
字节跳动灵活运用软件工程分析方法结合大模型，提供面向QA场景的全链路提效能力，建设了全链路智能测试体系。
具体方法
字节跳动的全链路智能测试体系构建包括以下重要步骤:
结合软件工程分析方法与大模型技术，针对QA场景提供全链路效率提升能力。
建设多个原子能力模块，包括智能单元测试、智能分级、测试用例生成和质量评估。
提供服务化功能，如可视化配置和度量看板，从而构成一个全链路智能化的研发质量保障体系。
智能化单元测试生成实现方法
字节跳动的智能化单元测试生成主要是依靠大模型（LLM）与工程化的深度程序分析相结合实现的。具体流程包括：
数据收集：利用真实业务流量采集以及接口自动化等方法获取实际运行时的出入参和依赖数据。
数据蒸馏：对收集来的数据进行拆解、抽象化处理和脱敏处理，保证数据真实性并为模型生成提供高质量语料。
模型生成：采用定制的提示词和思维链方案，利用大模型结合前期的工程数据分析生成单元测试。
自动修正：针对生成过程中遇到的语法错误、断言失败，通过语法和运行修正技术确保生成的测试用例可编译、可运行。
集成流程：将生成的用例与现有测试框架无缝集成，提升整体测试覆盖率和研发效率。
应用效果
测试覆盖率显著提升：仓库级覆盖率平均达到40%，部分仓库经过重训后提升到60%。
单元测试的质量提高：单个方法的断言通过率达到83.09%，整体测试用例的编译和运行成功率得到了改善。
生成量成果：已经生成了2,627个测试用例，并且业务团队对测试数据的真实性和有效性给予了认可。
研发效率和迭代周期的优化：通过自动生成单元测试减少了编写测试的人工成本，使得开发人员能更专注于业务逻辑，缩短了上线和迭代时间。
6. 得物基于AIGC生成测试用例的探索
实施背景与方法
得物通过利用人工智能、大模型和检索增强生成（RAG）技术构建了一个完整的测试用例生成工具，系统分为三个主要阶段：用户输入、测试点分析整合和用例生成。
具体流程
用户输入阶段：选择需求模块，复制需求PRD中的功能点输入到系统。
测试点分析整合阶段：AI自动提取测试点，允许用户通过命令或手工调整完善测试点列表。
用例生成阶段：系统自动生成对应的测试用例，支持对生成结果进行调整，最后同步到用例管理平台。
支持多轮对话和预处理：通过分点输入、专家经验干预、需求预处理等方式提升生成效果。
应用效果
得物使用大模型生成测试用例取得了明显的正面效果：
效率显著提升：基于AI生成测试用例平均可节约约40%的用例编写时间。
生成准确率高：在简单需求场景中，通过AI辅助生成的测试案例采纳率达到90%以上。
接入RAG技术后，生成的测试点更全面，用例采纳率显著提升（如一个需求从72%提升至85%，另一个需求从52%提升至94%）。
整体而言，生成的测试用例覆盖了核心功能点和主要场景。
7. 其他企业实践
其他企业如腾讯（Case Copilot）、优酷（测试用例生成）、科大讯飞（AiTest）等也都在各自领域积极探索大模型在软件测试领域的应用，取得了不同程度的成功。
四、实施效果和数据分析
1. 测试效率提升
根据收集的数据，大模型在软件测试中的应用能显著提高测试效率：
得物公司报告：使用大模型生成测试用例平均可节约约40%的用例编写时间。 华为数据显示：测试自动化脚本书写效率接近提升1倍。 邮储银行案例：大模型能在10余秒内完成数千字的需求分析和测试用例生成，大幅缩短编写时间。
2. 生成质量和采纳率
大模型生成的测试用例质量和采纳率呈现出较高水平：
得物案例：简单需求场景下，测试用例采纳率达到90%以上。 华为案例：无线产品线生成的测试代码主观接纳度约70%，其中31%可直接使用，41%需少量修改。 华为数存产品线和云核产品线：采纳率分别在60%+和65%左右。 字节跳动案例：单元测试方法的断言通过率达到83.09%。
3. 覆盖率提升
字节跳动：仓库级代码覆盖率平均达到40%，部分仓库经过优化后提升到60%。 得物和邮储银行：生成的测试用例能够覆盖核心功能点和主要场景。
4. 应用规模
华为截止2024年6月底的统计数据：大模型辅助测试自动化代码生成的应用人数近3000人，覆盖60+产品，测试自动化生成的代码量40+万行。 字节跳动：已生成2,627个测试用例，并获得业务团队认可。
五、实施挑战与解决方案
1. 数据质量挑战
挑战：获取高质量、专业性强的训练数据是大模型在软件测试领域应用的主要难点之一。
解决方案：
华为引入了56项数据质量检查规范和自动清洗工具Gaia。 邮储银行利用多年积累的测试数据与知识，训练了L2级别的私有化大语言测试模型。 字节跳动通过真实业务流量采集和数据蒸馏技术，确保训练数据的真实性和有效性。
2. 模型推理与生成挑战
挑战：生成时长过长、生成结果准确率不高、重复用例较多。
解决方案：
得物选择更高效的模型（如GPT-4o-mini）来降低生成时长。 华为和邮储银行通过Prompt工程和模型调优来提高生成质量。 多家企业利用RAG技术结合专业知识库来提高生成精度和覆盖率。
3. 复杂场景适应性挑战
挑战：对复杂需求和场景的适应性不足，采纳率和覆盖率较低。
解决方案：
华为采用分阶段方法：先SFT调优应对老特性，再用RAG加速新特性生成。 邮储银行面向特定场景构建更大规模、更加多样化的测试数据集。 得物通过持续分批对话和专家经验输入来增强复杂场景的处理能力。
4. 集成与落地挑战
挑战：大模型与现有测试流程、工具和平台的集成。
解决方案：
百度TestMate提供了丰富的可视化交互组件，通过Web UI嵌入的方式与现有平台实现联动。 华为集成TestMate IDE插件，实现在线推理和流式代码生成。 邮储银行将智能研发测试能力融入DevOps平台和测试平台，实现无缝集成。
六、未来发展趋势
1. 技术演进趋势
大模型在行为生成类场景（如用例执行、结果分析、自动程序修复等）的应用将不断深入。 多模态大模型的引入将使测试更智能，能够处理包括图像、音频等在内的多种输入形式。 定制化模型训练将更加普及，企业将基于开源大模型进行领域调优和垂直场景优化。
2. 应用场景拓展
自动缺陷修复：从检测缺陷到自动修复代码的全流程智能化。 全场景测试：从需求分析到验收测试的全流程覆盖。 智能测试运维：利用大模型进行测试环境管理、测试数据治理等。
3. 组织变革趋势
测试角色转变：测试人员从编写测试转向测试策略设计和结果分析。 测试体系重构：基于大模型构建新型测试平台和测试流程。 人机协作模式：人与大模型协同工作，发挥各自优势。
七、结论与建议
1. 结论
大模型在软件测试领域的应用已取得明显成效，主要表现在测试效率提升、测试质量提高和测试覆盖率增强等方面。然而，当前应用仍以文本生成类场景为主，存在数据质量、模型推理和复杂场景适应性等挑战。
2. 对企业的建议
制定分阶段的应用策略：从测试用例生成等相对成熟的场景切入，逐步扩展到更复杂场景。
注重数据积累和治理：构建高质量的测试数据库，为大模型应用提供基础。
采用混合技术路线：结合RAG、Prompt工程、模型微调等技术，提高生成质量。
重视与现有系统集成：确保大模型与现有测试平台、工具的无缝对接。
关注测试人员能力提升：培训测试人员掌握大模型应用技能，适应角色转变。
持续评估和优化：建立有效的评估体系，量化大模型应用效果，持续优化。
