测试自动化

general · First seen 2026-11-10 · Last seen 2026-11-11 · 2 mentions

Overview

测试自动化是指用脚本、工具和平台替代人工执行软件测试的过程,覆盖测试设计、用例执行、结果校验与缺陷回归等环节。随着大模型与智能体技术的引入,测试自动化正从“脚本执行自动化”向“测试设计与决策自动化”延伸,成为软件质量保障领域近期的明显趋势。

测试自动化的近期进展

  • DeNA 用 Milvus 构建 DAAQ,测试设计工时平均削减约 50%:日本游戏公司 DeNA 基于 Milvus 向量数据库搭建了测试设计工具 DAAQ,通过检索历史测试资产辅助生成新用例,使测试设计工时平均减少约 50%。这一案例说明 AI 检索增强正进入测试自动化链条的前端环节。
  • DeNA 将测试设计工具 DAAQ 推广至全公司,测试工作量减少约 50%:DeNA 已将 DAAQ 从单一团队扩展到全公司范围使用,测试工作量整体降低约 50%。从试点到全公司推广,说明这类 AI 辅助测试工具在大型组织内已具备可复制的落地路径。
  • TCS 基于 Amazon Bedrock AgentCore 打造智能体测试编排器:TCS 在 AWS 云上构建了智能体测试编排器,利用多个 AI 智能体协调测试规划、执行与结果分析。这代表了“智能体编排”思路在测试自动化中的应用:由多个专用智能体分工协作,而非单一脚本完成全流程。
  • 当前焦点与观察点

    测试自动化当前的关注点主要集中在三个方向。其一是 AI 参与测试设计:传统自动化只解决“怎么执行”,而 DAAQ 等工具试图解决“测什么、怎么测”,用检索与生成缩短设计阶段的人工投入,DeNA 约 50% 的工时削减是这一方向较有代表性的量化结果。

    其二是智能体化编排:TCS 基于 Amazon Bedrock AgentCore 的方案显示,厂商正尝试把测试规划、环境准备、用例执行、缺陷分析拆分给不同智能体协同完成。这类方案的可靠性、成本与可控性仍需在实际项目中验证。

    其三是企业级落地与规模化:工具能否在团队间标准化推广、如何与既有 CI/CD 和质量管理体系衔接,是决定 AI 测试自动化价值能否持续兑现的关键。后续值得观察的是更多企业公开的量化收益数据,以及智能体测试平台在复杂业务场景下的稳定性表现。

    Coverage

    3 on file