Μονάδες
1. Εισαγωγή στην Τεχνητή Νοημοσύνη σε Δοκιμές Λογισμικού και Διασφάλιση Ποιότητας: Ρόλοι, Όρια, Κίνδυνος Απομιμήσεων και Επικύρωση 2. Σενάριο δοκιμής και δημιουργία υπόθεσης δοκιμής: Από την απαίτηση στον ολοκληρωμένο έλεγχο 3. Διερευνητική δοκιμή και δημιουργία ιδεών δοκιμής: Δημιουργικό κυνήγι σφαλμάτων με AI 4. Αυτοματισμός δοκιμής διεπαφής χρήστη: Δημιουργία κώδικα σεληνίου, θεατρικού συγγραφέα και κυπαρισσιού με AI 5. Αυτοματισμός δοκιμής API: Συμβόλαιο, σχήμα και επικύρωση από άκρο σε άκρο με AI 6. Παραγωγή δοκιμής μονάδας και δυνατότητα δοκιμής: ισχυρή δοκιμή με ai 7. Σύνταξη Αναφοράς Σφάλματος και Προτεραιοποίηση: Σαφείς, Αναπαραγώγιμες Εγγραφές με AI 8. Ανάλυση κάλυψης δοκιμών και δοκιμές βάσει κινδύνου: Στόχευση σωστά με AI 9. Δοκιμή παλινδρόμησης, συντήρηση δοκιμών και καταπολέμηση εύθραυστων δοκιμών 10. Κίνδυνος ψευδούς εμπιστοσύνης, έλεγχος ποιότητας και μετάλλαξης: Δοκιμές δοκιμών 11. Ροή εργασιών από άκρο σε άκρο, ενσωμάτωση CI/CD, Δεοντολογία και ασφάλεια: Υπεύθυνη χρήση AI
Μονάδα 7 / 11

Σύνταξη Αναφοράς Σφάλματος και Προτεραιοποίηση: Σαφείς, Αναπαραγώγιμες Εγγραφές με AI

Κέρδη:

  • Δυνατότητα μετατροπής διάσπαρτων παρατηρήσεων σε μια αναφορά που περιέχει σαφή τίτλο, ντετερμινιστικά βήματα αναπαραγωγής, αναμενόμενα/πραγματικά αποτελέσματα και στοιχεία με την υποστήριξη της τεχνητής νοημοσύνης
  • Να είναι σε θέση να επιβάλει τον κανόνα «χρησιμοποιώ μόνο τις πληροφορίες που δίνω, μην τις αναπληρώνω» στην τεχνητή νοημοσύνη και εγγυάται την αναπαραγωγιμότητα με τον δικό της έλεγχο
  • Να είναι σε θέση να διακρίνει μεταξύ της σοβαρότητας (τεχνικός αντίκτυπος) και της προτεραιότητας (επείγουσας ανάγκης για επιχειρήσεις) και να δώσει την τελική ετικέτα με το επιχειρηματικό πλαίσιο

Το σφάλμα που βρίσκει ένας δοκιμαστής είναι πολύτιμο μόνο εάν διορθωθεί. Η διόρθωσή του εξαρτάται σε μεγάλο βαθμό από την ποιότητα της αναφοράς σφαλμάτων—μια εγγραφή που τεκμηριώνει ένα ελάττωμα με τρόπο που ο προγραμματιστής μπορεί να το κατανοήσει, να το αναπαράγει και να το διορθώσει. Μια κακώς γραμμένη αναφορά σφάλματος ("η σύνδεση δεν λειτουργεί") θα σταματήσει τον προγραμματιστή για ώρες, θα οδηγήσει σε αλληλογραφία αλληλογραφίας και συχνά θα κλείσει ως "δεν μπορεί να αναπαραχθεί". Μια καλή αναφορά περιλαμβάνει σαφή βήματα, αναμενόμενα και πραγματικά αποτελέσματα, πληροφορίες για το πλαίσιο και στοιχεία. Η τεχνητή νοημοσύνη (AI) είναι πολύ καλή στο να μετατρέπει τις διάσπαρτες παρατηρήσεις σας σε μια επαγγελματική, δομημένη αναφορά. Αλλά η κεντρική προειδοποίηση ισχύει και εδώ: Η τεχνητή νοημοσύνη δεν μπορεί να κάνει βήματα που δεν βλέπετε. μπορεί να συμπληρώσει τις πληροφορίες που λείπουν με «εύλογες» αλλά ανακριβείς εικασίες. Η δουλειά σας είναι να βεβαιωθείτε ότι κάθε γραμμή της αναφοράς βασίζεται σε αυτό που πραγματικά παρατηρήσατε.

Ανατομία μιας καλής αναφοράς σφάλματος

Μια αποτελεσματική αναφορά περιλαμβάνει αυτά τα στοιχεία:

  • Τίτλος: Σύντομος, συγκεκριμένος, με δυνατότητα αναζήτησης. Όχι "Υπάρχει σφάλμα"? "Δεν μπορώ να κάνω κλικ στο κουμπί "Ολοκλήρωση αγοράς" με περισσότερα από 10 προϊόντα στο καλάθι (Chrome)".
  • Βήματα για αναπαραγωγή: Αριθμημένο, ανιχνεύσιμο από την αρχή, ντετερμινιστικό. Ο προγραμματιστής θα πρέπει να μπορεί να δει το σφάλμα αφού ακολουθήσει αυτά τα βήματα.
  • Αναμενόμενο αποτέλεσμα: Τι έπρεπε να γίνει σύμφωνα με τα κριτήρια αποδοχής.
  • Πραγματικό αποτέλεσμα: Τι συνέβη (μήνυμα σφάλματος, οθόνη, συμπεριφορά).
  • Περιβάλλον: Πρόγραμμα περιήγησης/συσκευή, έκδοση, περιβάλλον (δοκιμή/ζωντανό), ρόλος χρήστη, δεδομένα.
  • Αποδεικτικά στοιχεία: Στιγμιότυπο οθόνης, βίντεο, αρχείο καταγραφής, ίχνος σφάλματος (ίχνος στοίβας).
  • Σοβαρότητα και προτεραιότητα: Αναλυτικά παρακάτω.
Συμβουλή: Πριν στείλετε μια αναφορά, ρωτήστε "αν δώσω αυτά τα βήματα σε κάποιον άλλο, μπορεί να δει το σφάλμα χωρίς τη βοήθειά μου;" παρακαλώ. Εάν η απάντηση είναι "όχι", η αναφορά είναι ελλιπής. Η τεχνητή νοημοσύνη μπορεί να κάνει την αναφορά όμορφη, αλλά μόνο εσείς μπορείτε να εγγυηθείτε την αναπαραγωγιμότητα.

Βία και προτεραιότητα: δύο συγκεχυμένες έννοιες

Η σοβαρότητα είναι το τεχνικό αποτέλεσμα του σφάλματος: το σύστημα κολλάει, τα δεδομένα χάνονται ή είναι τυπογραφικό λάθος; Προτεραιότητα είναι πόσο επειγόντως πρέπει να διορθωθεί. αφορά τον επιχειρηματικό αντίκτυπο. Και τα δύο δεν πάνε πάντα προς την ίδια κατεύθυνση: η ορθογραφία του ονόματος της εταιρείας στην αρχική σελίδα είναι χαμηλής σοβαρότητας αλλά υψηλής προτεραιότητας (φήμη). Σε μια σπάνια περίπτωση, μια κατάρρευση μπορεί να είναι υψηλής σοβαρότητας αλλά χαμηλής προτεραιότητας. Η τεχνητή νοημοσύνη σας βοηθά να κάνετε αυτή τη διάκριση όταν κάνετε την παρατήρηση. αλλά η τελική ετικέτα δίνεται από εσάς που γνωρίζετε το επιχειρηματικό πλαίσιο.

βία

παράδειγμα

προτεραιότητα

παράδειγμα

Κρίσιμο (Αποκλεισμός)

Η πληρωμή δεν μπορεί να ολοκληρωθεί

Επείγον (P1)

Απώλεια εισοδήματος στα ζωντανά

High (Major)

Η αναφορά δίνει λανθασμένο σύνολο

Υψηλό (P2)

Απαραίτητο για την επερχόμενη κυκλοφορία

Μεσαία (ελάσσονα)

Σπάνιο σφάλμα θήκης ακμών

Μεσαίο (P3)

Σε προγραμματισμένο σπριντ

Χαμηλό (τετριμμένο)

Η ευθυγράμμιση κουμπιών είναι απενεργοποιημένη

Χαμηλό (P4)

Όταν υπάρχει ευκαιρία

Αδύναμη προτροπή / Ισχυρή προτροπή

Αδύναμο: "Αναφορά αυτού του σφάλματος: η πληρωμή δεν λειτουργεί."
Ισχυρή: "Μεταφράστε τις παρατηρήσεις μου παρακάτω σε τυπική μορφή αναφοράς σφαλμάτων: τίτλος, βήματα αναπαραγωγής (αριθμημένα), αναμενόμενο αποτέλεσμα, πραγματικό αποτέλεσμα, περιβάλλον, σοβαρότητα και πρόταση προτεραιότητας (αιτιολογημένη). Χρησιμοποιήστε μόνο τις πληροφορίες που παρέχω. Συμπληρώστε τυχόν πεδία που λείπουν, επισημάνετε "ΠΛΗΡΟΦΟΡΙΕΣ ΛΕΙΠΟΥΝ:...". Σφάλμα "undefined is not a function" στην κονσόλα, Δεν υπάρχει πρόβλημα με 11 προϊόντα."

Ισχυρή προτροπή. επιβάλλει τη μορφή, τον κανόνα «ταιριάσματος» και τη σήμανση των πληροφοριών που λείπουν. Με αυτόν τον τρόπο, η αναφορά θα είναι ακριβής και ειλικρινής.

Ανίχνευση διπλότυπων σφαλμάτων

Σε μεγάλες ομάδες, το ίδιο σφάλμα αναφέρεται ξανά και ξανά. Η τεχνητή νοημοσύνη μπορεί να συγκρίνει τη νέα σας αναφορά με υπάρχοντα ανοιχτά σφάλματα και να επισημάνει πιθανά διπλότυπα — αυτό διατηρεί το σύστημα παρακολούθησης σφαλμάτων (Jira, Azure DevOps, Ζητήματα GitHub) καθαρό. Αλλά προσέξτε: δύο σφάλματα που φαίνονται παρόμοια στην επιφάνεια μπορεί να έχουν διαφορετικές βασικές αιτίες. Συγκρίνετε τα επαναλαμβανόμενα βήματα παραγωγής και το περιβάλλον και των δύο αναφορών πριν κλείσετε την «διπλότυπη» πρόταση του AI. Ένα "διπλότυπο" που έκλεισε κατά λάθος στην πραγματικότητα λείπει ένα ξεχωριστό σφάλμα.

Από τον εντοπισμό σφαλμάτων στη βασική αιτία: Η δύναμη της τεχνητής νοημοσύνης να διαβάζει αρχεία καταγραφής

Το πιο τεχνικό μέρος μιας αναφοράς σφάλματος είναι συχνά η ανίχνευση σφαλμάτων (ίχνος στοίβας - μια ανάλυση του ποια γραμμή κώδικα, με ποια αλυσίδα κλήσης, ενεργοποίησε ένα σφάλμα). Τα μακρά και πολύπλοκα κούτσουρα μπορούν να κουράσουν ακόμη και τον προγραμματιστή. Το AI διαβάζει ένα αρχείο καταγραφής εκατοντάδων γραμμών και συνοψίζει σε δευτερόλεπτα τις πιο κρίσιμες γραμμές, την πιθανή υπόθεση της βασικής αιτίας και το σημείο κώδικα όπου προκλήθηκε το σφάλμα. Αυτό συντομεύει την αναφορά και δίνει στον προγραμματιστή ένα άμεσο σημείο εκκίνησης.

Θυμηθείτε όμως δύο όρια. Πρώτον, η βασική αιτία που δίνεται από την τεχνητή νοημοσύνη είναι μια υπόθεση, όχι μια απόδειξη. Ο προγραμματιστής δεν πρέπει να επιχειρήσει να το διορθώσει χωρίς να το επαληθεύσει. Δεύτερον, τα αρχεία καταγραφής συχνά περιέχουν προσωπικά δεδομένα (email, αναγνωριστικό χρήστη, διακριτικό περιόδου σύνδεσης). Καλύψτε αυτές τις περιοχές πριν τοποθετήσετε το κούτσουρο στο όχημα. Μια καλή πρακτική είναι να ζητήσετε πρώτα από την τεχνητή νοημοσύνη να πει "καταγράψτε τα πεδία που πρέπει να καλύπτονται σε αυτό το αρχείο καταγραφής" και στη συνέχεια να αναλύσετε το καθαρισμένο αρχείο καταγραφής.

Συμβουλή: Αντί να επικολλήσετε ολόκληρο το αρχείο καταγραφής στην αναφορά, συμπεριλάβετε τις πιο κρίσιμες 3-5 γραμμές που συνοψίζει η τεχνητή νοημοσύνη και έναν σύνδεσμο προς το πλήρες αρχείο καταγραφής. Με αυτόν τον τρόπο η αναφορά παραμένει ευανάγνωστη και ο προγραμματιστής που χρειάζεται λεπτομέρειες μπορεί να έχει πρόσβαση στο πλήρες αρχείο καταγραφής.

Τέσσερα πρότυπα με δυνατότητα αντιγραφής

1) Από την παρατήρηση στην αναφορά:

Ο ρόλος σας: ανώτερος QA. Μεταφράστε τις ακόλουθες πρωτογενείς παρατηρήσεις σε μια τυπική αναφορά σφάλματος: Τίτλος / Βήματα αναπαραγωγής (αριθμημένα) / Αναμενόμενα / Πραγματικά / Περιβάλλον / Σημείωση αποδεικτικών στοιχείων / Σοβαρότητα + Προτεραιότητα (αιτιολογημένη). ΚΑΝΟΝΑΣ: χρησιμοποιήστε μόνο τις πληροφορίες που παρέχω. επισημάνετε το πεδίο που λείπει ως "ΠΛΗΡΟΦΟΡΙΕΣ ΠΟΥ ΛΕΙΠΟΥΝ:..." Παρατηρήσεις: [ακατέργαστες σημειώσεις]

2) Έλεγχος αναπαραγωγιμότητας:

Διαβάστε αυτήν την αναφορά σφάλματος από την οπτική γωνία ενός προγραμματιστή που δεν έχει δει ποτέ το σφάλμα. Ακολουθήστε τα βήματα και σημειώστε τα σημεία όπου δεν θα εμφανιστεί το σφάλμα: διφορούμενο βήμα, προαπαιτούμενο που λείπει, δεδομένα δοκιμής που λείπουν, κατάσταση παράβλεψης. Πείτε μου ποιες πληροφορίες πρέπει να προσθέσω για κάθε κενό. Αναφορά: [επικόλληση αναφοράς]

3) Σύμβουλος σοβαρότητας/προτεραιότητας:

Περιγράφω το ακόλουθο σφάλμα: [σφάλμα + επιχειρηματικό πλαίσιο]. Δώστε προτάσεις και αιτιολογήστε χωριστά για τη σοβαρότητα (τεχνικός αντίκτυπος) και την προτεραιότητα (επείγουσα ανάγκη της επιχείρησης). Εξηγήστε γιατί τα δύο μπορεί να είναι διαφορετικά. Θα πάρω την τελική απόφαση.

4) Σύνοψη ίχνους καταγραφής/λάθους:

Εξετάστε το ίχνος/καταγραφή σφάλματος παρακάτω. Δώστε μου μια σύνοψη της (1) της υπόθεσης της βασικής αιτίας, (2) του πιθανού σημείου κώδικα όπου συνέβη το σφάλμα, (3) των 3 πιο κρίσιμων γραμμών για προσθήκη στην αναφορά. Καλύψτε εάν υπάρχουν προσωπικά δεδομένα. Καταγραφή: [επικόλληση αρχείου καταγραφής]

τρεις μίνι θήκες

Περίπτωση 1 — Απελευθέρωση από το «Δεν μπορούσα να παράγω». Σε μια ομάδα, το 30% των σφαλμάτων έκλεισαν καθώς "δεν μπορούν να αναπαραχθούν". Το πρότυπο "έλεγχος αναπαραγωγιμότητας" προστέθηκε στη διαδικασία αναφοράς. Πριν από την αποστολή κάθε αναφοράς, το AI επεσήμανε τα βήματα και τις προϋποθέσεις που λείπουν. Τρεις μήνες αργότερα, το ποσοστό «δεν μπορούσε να παράγει» μειώθηκε από το 30% στο 8%. Η διαφορά ήταν ότι τα βήματα ήταν ακριβή από την αρχή.

Περίπτωση 2 — Ο κίνδυνος των ψεύτικων βημάτων. Ένας δοκιμαστής ζήτησε από το AI να γράψει μια αναφορά με ελλιπείς παρατηρήσεις. Η τεχνητή νοημοσύνη πρόσθεσε ένα βήμα που δεν συνέβη ποτέ, όπως "ο χρήστης ενεργοποιεί τις ειδοποιήσεις από τη σελίδα ρυθμίσεων". Όταν ο προγραμματιστής ακολούθησε αυτό το βήμα, δεν μπόρεσε να βρει το σφάλμα και έχασε χρόνο. Η ομάδα επέβαλε έναν κανόνα "χρησιμοποιήστε μόνο τις πληροφορίες που δίνω, μην τις φτιάχνετε". Τα φτιαγμένα βήματα εξαλείφονται.

Περίπτωση 3 — Διάκριση σοβαρότητας/προτεραιότητας. Υπήρχε ένα τυπογραφικό λάθος στο σύνθημα της εταιρείας στην αρχική σελίδα. Ο ελεγκτής θα το περνούσε αυτό ως "χαμηλό". Ο σύμβουλος AI υπενθύμισε ότι η τεχνική βία είναι χαμηλή, αλλά η επιχειρηματική προτεραιότητα είναι υψηλή (το στοιχείο της φήμης που λαμβάνει κάθε επισκέπτης). Το σφάλμα διορθώθηκε την ίδια μέρα με την ετικέτα "υψηλής προτεραιότητας".

Συνήθη λάθη

  • Αόριστος τίτλος. Ανεξερεύνητοι, χωρίς διακρίσεις τίτλοι όπως "Δεν λειτουργεί".
  • Βήματα που λείπουν/παραλείπονται. Δεν γράφετε αυτό που είναι προφανές στο πλαίσιο σας. αποτυχία του προγραμματιστή να παράγει.
  • Αφήστε το AI να το φτιάξει. Συμπλήρωση των στοιχείων που λείπουν με "εύλογη εκτίμηση"· λάθος βήματα.
  • Δεν γράφουμε το αναμενόμενο αποτέλεσμα. Λέγοντας «λάθος» αλλά δεν διευκρινίζει τι είναι σωστό.
  • Συγχέοντας βία και προτεραιότητα. Παρεξηγώντας τα δύο ως μία ετικέτα. Λανθασμένη εκτίμηση του επιχειρηματικού αντίκτυπου.
  • Ευαίσθητα δεδομένα σε στοιχεία. Κοινή χρήση πραγματικών προσωπικών δεδομένων σε στιγμιότυπα οθόνης/καταγραφής χωρίς απόκρυψη.

Συνοπτικά

Η αξία της αναφοράς σφάλματος είναι ότι ο προγραμματιστής μπορεί να αναπαράγει και να διορθώσει το σφάλμα χωρίς τη βοήθειά σας. Η τεχνητή νοημοσύνη είναι πολύ καλή στο να μετατρέπει τις διάσπαρτες παρατηρήσεις σε μια επαγγελματική, δομημένη αναφορά. Οργανώνει τον τίτλο, τα βήματα, το αναμενόμενο/πραγματικό αποτέλεσμα, το περιβάλλον και τα στοιχεία και παρέχει συμβουλές σχετικά με τη διάκριση μεταξύ σοβαρότητας και προτεραιότητας. Αλλά η τεχνητή νοημοσύνη μπορεί να αναπληρώσει τις πληροφορίες που λείπουν. Εφαρμόστε τον κανόνα "χρησιμοποιήστε μόνο τις πληροφορίες που δίνω, σημειώστε το στοιχείο που λείπει" και εγγυηθείτε μόνοι σας την αναπαραγωγιμότητα. Απόκρυψη προσωπικών δεδομένων ως απόδειξη.

Εργασία εφαρμογής

Πάρτε ένα σφάλμα που βρήκατε πρόσφατα και μετατρέψτε τις ανεπεξέργαστες παρατηρήσεις σας σε αναφορά χρησιμοποιώντας το μοτίβο "παρατήρηση σε αναφορά" (με τον κανόνα "ταιριάζουν"). Στη συνέχεια, εκτελέστε τον «έλεγχο αναπαραγωγιμότητας» και συμπληρώστε τα σημειωμένα κενά. Δώστε την αναφορά σε έναν συνάδελφο και δείτε εάν μπορεί να δημιουργήσει το σφάλμα χωρίς τη βοήθειά σας. Τέλος, καθορίστε τις ετικέτες με τον «σύμβουλο βίας/προτεραιότητας» και οριστικοποιήστε το κατά την κρίση σας. Λάβετε υπόψη τυχόν πληροφορίες που η AI προσπαθεί να δημιουργήσει στη διαδικασία.

λίστα ελέγχου

  • [ ] Ο τίτλος μου είναι συγκεκριμένος και μπορεί να αναζητηθεί.
  • [ ] Τα βήματα αναπαραγωγής είναι από την αρχή, ντετερμινιστικά και πλήρη.
  • [ ] Έγραψα τα αναμενόμενα και τα πραγματικά αποτελέσματα ξεχωριστά.
  • [ ] Οι πληροφορίες ρύθμισης και αποδεικτικών στοιχείων είναι πλήρεις. Συγκάλυψα προσωπικά δεδομένα.
  • [ ] Επέβαλα τον κανόνα "να το φτιάξω, σημειώστε το λείπει" στο AI και κάλυψα τα κενά μόνος μου.
  • [ ] Αξιολόγησα τη σοβαρότητα και την προτεραιότητα ξεχωριστά και πήρα την τελική απόφαση.