Keuntungan:
- Kemampuan untuk mengubah pengamatan yang tersebar menjadi laporan yang berisi judul yang jelas, langkah-langkah reproduksi deterministik, hasil yang diharapkan/aktual dan bukti dengan dukungan kecerdasan buatan
- Mampu menerapkan aturan 'hanya gunakan informasi yang saya berikan, jangan mengada-ada' pada kecerdasan buatan dan menjamin reproduktifitas dengan kendalinya sendiri
- Mampu membedakan tingkat keparahan (dampak teknis) dan prioritas (urgensi bisnis) serta memberi label akhir dengan konteks bisnis
Bug yang ditemukan oleh penguji hanya bernilai jika diperbaiki; Perbaikannya sangat bergantung pada kualitas laporan bug—catatan yang mendokumentasikan cacat sedemikian rupa sehingga pengembang dapat memahami, mereproduksi, dan memperbaikinya. Laporan bug yang ditulis dengan buruk ("login tidak berfungsi") akan menghentikan pengembang selama berjam-jam, menyebabkan korespondensi bolak-balik, dan sering kali ditutup karena "tidak dapat mereproduksi". Laporan yang baik mencakup langkah-langkah yang jelas, hasil yang diharapkan dan aktual, informasi konteks dan bukti. Kecerdasan buatan (AI) sangat baik dalam mengubah pengamatan Anda yang tersebar menjadi laporan yang profesional dan terstruktur. Namun peringatan utama juga berlaku di sini: AI tidak dapat membuat langkah-langkah yang tidak Anda lihat; dapat mengisi informasi yang hilang dengan tebakan yang “tampaknya masuk akal” tetapi tidak akurat. Tugas Anda adalah memastikan bahwa setiap baris laporan didasarkan pada apa yang sebenarnya Anda amati.
Anatomi laporan bug yang bagus
Laporan yang efektif mencakup komponen-komponen berikut:
- Judul: Singkat, spesifik, mudah dicari. Bukan "Ada kesalahan"; "Tidak dapat mengklik tombol 'Checkout' dengan lebih dari 10 item di keranjang (Chrome)".
- Langkah-langkah untuk mereproduksi: Bernomor, dapat dilacak dari awal, deterministik. Pengembang seharusnya dapat melihat kesalahan setelah mengikuti langkah-langkah ini.
- Hasil yang diharapkan: Apa yang seharusnya terjadi sesuai dengan kriteria penerimaan.
- Hasil sebenarnya: Apa yang terjadi (pesan kesalahan, layar, perilaku).
- Lingkungan: Browser/perangkat, versi, lingkungan (pengujian/langsung), peran pengguna, data.
- Bukti: Tangkapan layar, video, log, jejak kesalahan (pelacakan tumpukan).
- Tingkat keparahan dan prioritas: Dirinci di bawah.
Tip: Sebelum mengirim laporan, tanyakan "jika saya memberikan langkah-langkah ini kepada orang lain, dapatkah mereka melihat kesalahannya tanpa bantuan saya?" bertanya. Jika jawabannya “tidak”, laporan tersebut tidak lengkap. AI dapat membuat laporan menjadi indah, namun hanya Anda yang dapat menjamin reproduktifitasnya.
Kekerasan dan prioritas: dua konsep yang membingungkan
Tingkat keparahan adalah efek teknis dari kesalahan: apakah sistem crash, data hilang, atau salah ketik? Prioritasnya adalah seberapa mendesak hal tersebut perlu diperbaiki; adalah tentang dampak bisnis. Keduanya tidak selalu mengarah ke arah yang sama: kesalahan mengeja nama perusahaan di beranda merupakan tingkat keparahan rendah namun prioritas tinggi (reputasi). Dalam kasus edge yang jarang terjadi, keruntuhan mungkin memiliki tingkat keparahan yang tinggi namun prioritasnya rendah. AI membantu Anda membuat perbedaan ini saat Anda melakukan observasi; tapi label terakhir diberikan oleh Anda yang mengetahui konteks bisnisnya.
kekerasan
contoh
prioritas
contoh
Kritis (Pemblokir)
Pembayaran tidak dapat diselesaikan
Mendesak (P1)
Hilangnya pendapatan dalam hidup
Tinggi (Mayor)
Laporan memberikan total yang salah
Tinggi (P2)
Suatu keharusan untuk rilis mendatang
Sedang (Kecil)
Kesalahan kasus tepi yang jarang terjadi
Sedang (P3)
Dalam sprint yang direncanakan
Rendah (Sepele)
Penyelarasan tombol tidak aktif
Rendah (P4)
Ketika ada kesempatan
Perintah lemah / Perintah kuat
Lemah: "Laporkan kesalahan ini: pembayaran tidak berhasil."
Kuat: "Terjemahkan pengamatan saya di bawah ini ke dalam format laporan bug standar: judul, langkah reproduksi (bernomor), hasil yang diharapkan, hasil aktual, lingkungan, tingkat keparahan, dan rekomendasi prioritas (dibenarkan). Gunakan hanya informasi yang saya berikan; buat bidang yang hilang, tandai 'INFORMASI HILANG: ...'. Pengamatan: Chrome 120, lingkungan pengujian, 12 item dalam keranjang, tidak ada yang terjadi ketika saya menekan 'Checkout', kesalahan 'tidak ditentukan bukan fungsi' di konsol, Tidak ada masalah dengan 11 produk."
Perintah yang kuat; menerapkan format, aturan "pas", dan penandaan informasi yang hilang. Dengan cara ini, laporannya akan akurat dan jujur.
Deteksi kesalahan duplikat
Dalam tim besar, kesalahan yang sama dilaporkan berulang kali. AI dapat membandingkan laporan baru Anda dengan bug terbuka yang ada dan menandai potensi duplikat — hal ini menjaga sistem pelacakan bug Anda (Masalah Jira, Azure DevOps, GitHub) tetap bersih. Namun berhati-hatilah: dua kesalahan yang tampak serupa di permukaan mungkin memiliki akar penyebab yang berbeda; Bandingkan langkah-langkah produksi berulang dan lingkungan kedua laporan sebelum menutup saran "duplikat" AI. "Duplikat" yang ditutup secara tidak sengaja sebenarnya tidak memiliki kesalahan terpisah.
Dari jejak bug hingga akar permasalahan: Kekuatan AI untuk membaca log
Bagian paling teknis dari laporan bug sering kali adalah pelacakan bug (pelacakan tumpukan — perincian baris kode mana, dengan rantai panggilan mana, yang memicu bug). Log yang panjang dan rumit bahkan dapat melelahkan pengembangnya. AI membaca log ratusan baris dan merangkum dalam hitungan detik baris paling kritis, kemungkinan hipotesis akar penyebab, dan titik kode di mana kesalahan dipicu. Hal ini mempersingkat laporan dan memberikan titik awal langsung kepada pengembang.
Namun, ingatlah dua batasan. Pertama, akar permasalahan yang diberikan oleh AI adalah hipotesis, bukan bukti; Pengembang tidak boleh mencoba memperbaikinya tanpa memverifikasinya. Kedua, log sering kali berisi data pribadi (email, ID pengguna, token sesi); Tutupi area ini sebelum memasang log pada kendaraan. Praktik yang baik adalah pertama-tama meminta AI mengatakan "daftar bidang yang perlu ditutupi dalam log ini" dan kemudian menganalisis log yang telah dibersihkan.
Tip: Daripada menempelkan seluruh log ke dalam laporan, sertakan 3-5 baris paling penting yang dirangkum oleh AI dan link ke log lengkap. Dengan cara ini laporan tetap dapat dibaca, dan pengembang yang memerlukan detail dapat mengakses log lengkap.
Empat templat yang dapat disalin
1) Dari observasi hingga laporan:
Peran Anda: QA senior. Terjemahkan pengamatan mentah berikut ke dalam laporan bug standar: Judul / Langkah-langkah reproduksi (bernomor) / Diharapkan / Aktual / Lingkungan / Catatan bukti / Tingkat Keparahan + Prioritas (dibenarkan). ATURAN: gunakan hanya informasi yang saya berikan; tandai bidang yang hilang sebagai "INFORMASI YANG HILANG:..." Pengamatan: [catatan mentah]
2) Kontrol reproduksibilitas:
Baca laporan bug ini dari sudut pandang pengembang yang belum pernah melihat bug tersebut. Ikuti langkah-langkahnya dan tandai tempat-tempat yang tidak akan menghasilkan bug: langkah ambigu, prasyarat hilang, data pengujian hilang, kondisi dilewati. Beri tahu saya informasi apa yang harus saya tambahkan untuk setiap celah. Laporan: [tempel laporan]
3) Penasihat tingkat keparahan/prioritas:
Saya menjelaskan kesalahan berikut: [kesalahan + konteks bisnis]. Memberikan saran dan justifikasi secara terpisah untuk tingkat keparahan (dampak teknis) dan prioritas (urgensi bisnis). Jelaskan mengapa keduanya mungkin berbeda. Saya akan membuat keputusan akhir.
4) Ringkasan jejak log/kesalahan:
Periksa jejak/log kesalahan di bawah ini. Berikan saya ringkasan (1) hipotesis akar permasalahan, (2) kemungkinan titik kode di mana kesalahan terjadi, (3) 3 baris paling penting untuk ditambahkan ke laporan. Tutupi jika ada data pribadi.Log: [tempel log]
tiga kasus mini
Kasus 1 — Pembebasan dari “Saya Tidak Bisa Memproduksi.” Dalam satu tim, 30% bug ditutup karena "tidak dapat direproduksi". Templat "pemeriksaan reproduksibilitas" telah ditambahkan ke proses laporan; Sebelum setiap laporan dikirim, AI menandai langkah-langkah dan prasyarat yang hilang. Tiga bulan kemudian, tingkat “tidak dapat berproduksi” turun dari 30% menjadi 8%. Bedanya, langkah-langkahnya sudah tepat sejak awal.
Kasus 2 — Bahaya langkah palsu. Seorang penguji meminta AI menulis laporan dengan pengamatan yang tidak lengkap; AI menambahkan langkah yang tidak pernah terjadi, seperti "pengguna menyalakan notifikasi dari halaman pengaturan". Ketika pengembang mengikuti langkah itu, dia tidak dapat menemukan kesalahan dan kehilangan waktu. Tim menerapkan aturan "hanya gunakan informasi yang saya berikan, jangan mengada-ada"; Langkah-langkah yang dibuat-buat dihilangkan.
Kasus 3 - Perbedaan tingkat keparahan/prioritas. Ada kesalahan ketik pada slogan perusahaan di halaman beranda. Penguji akan menganggap ini sebagai "rendah"; Konsultan AI mengingatkan bahwa kekerasan teknis rendah tetapi prioritas bisnis tinggi (elemen reputasi yang diterima setiap pengunjung). Bug tersebut diperbaiki pada hari yang sama dengan tag "prioritas tinggi".
Kesalahan umum
- Judul yang tidak jelas. Judul yang tidak dapat ditelusuri dan tidak membeda-bedakan seperti "Tidak berfungsi".
- Langkah-langkah yang hilang/dilewati. Tidak menulis apa yang jelas dalam konteks Anda; kegagalan pengembang untuk memproduksi.
- Membiarkan AI yang memperbaikinya. Mengisi informasi yang hilang dengan "perkiraan yang masuk akal"; langkah yang salah.
- Tidak menulis hasil yang diharapkan. Mengatakan “salah” tetapi tidak merinci apa yang benar.
- Membingungkan kekerasan dan prioritas. Mengira keduanya sebagai satu label; Salah menilai dampak bisnis.
- Data sensitif sebagai bukti. Berbagi data pribadi nyata dalam tangkapan layar/log tanpa menutupinya.
Singkatnya
Nilai dari laporan bug adalah pengembang dapat mereproduksi dan memperbaiki bug tanpa bantuan Anda. AI sangat pandai mengubah pengamatan yang tersebar menjadi laporan yang profesional dan terstruktur; Ini mengatur judul, langkah-langkah, hasil yang diharapkan/aktual, lingkungan dan bukti, dan memberikan konsultasi tentang perbedaan antara tingkat keparahan dan prioritas. Namun AI dapat menggantikan informasi yang hilang; Terapkan aturan "hanya gunakan informasi yang saya berikan, tandai yang hilang" dan jamin sendiri reproduktifitasnya. Menyembunyikan data pribadi sebagai bukti.
Tugas aplikasi
Ambil bug yang baru-baru ini Anda temukan dan ubah pengamatan mentah Anda menjadi laporan menggunakan pola "pengamatan untuk melaporkan" (dengan aturan "sesuai"). Kemudian lakukan “pemeriksaan reproduksibilitas” dan isi celah yang ditandai. Berikan laporan tersebut kepada rekan kerja dan lihat apakah dia dapat membuat kesalahan tanpa bantuan Anda. Terakhir, tentukan label dengan "konsultan kekerasan/prioritas" dan selesaikan sesuai kebijaksanaan Anda sendiri. Catat informasi apa pun yang coba dibuat oleh AI dalam prosesnya.
daftar periksa
- [ ] Judul saya spesifik dan mudah dicari.
- [ ] Langkah-langkah reproduksi dimulai dari awal, deterministik, dan lengkap.
- [ ] Saya menulis hasil yang diharapkan dan aktual secara terpisah.
- [ ] Informasi latar dan bukti sudah lengkap; Saya menutupi data pribadi.
- [ ] Saya menerapkan aturan "buat, tandai yang hilang" pada AI dan mengisi sendiri kekosongannya.
- [ ] Saya mengevaluasi tingkat keparahan dan prioritas secara terpisah dan membuat keputusan akhir.