ලාභ:
- කෘත්රිම බුද්ධියේ සහය ඇතිව පැහැදිලි මාතෘකාවක්, නියති ප්රතිනිෂ්පාදන පියවර, අපේක්ෂිත/සැබෑ ප්රතිඵල සහ සාක්ෂි අඩංගු වාර්තාවක් බවට විසිරුණු නිරීක්ෂණ පරිවර්තනය කිරීමේ හැකියාව
- කෘත්රිම බුද්ධියට 'මම දෙන තොරතුරු පමණක් භාවිතා කරන්න, එය සකස් නොකරන්න' යන රීතිය පැනවීමට සහ එහිම පාලනයෙන් ප්රතිනිෂ්පාදනය සහතික කිරීමට හැකි වීම.
- බරපතලකම (තාක්ෂණික බලපෑම) සහ ප්රමුඛතාවය (ව්යාපාරික හදිසිතාව) අතර වෙනස හඳුනා ගැනීමට සහ ව්යාපාරික සන්දර්භය සමඟ අවසාන ලේබලය ලබා දීමට හැකි වීම
පරීක්ෂකයෙකු සොයා ගන්නා දෝෂය වටිනා වන්නේ එය නිවැරදි කර ඇත්නම් පමණි; එය නිවැරදි කිරීම බොහෝ දුරට දෝෂ වාර්තාවේ ගුණාත්මකභාවය මත රඳා පවතී - සංවර්ධකයාට තේරුම් ගැනීමට, ප්රතිනිෂ්පාදනය කිරීමට සහ නිවැරදි කිරීමට හැකි ආකාරයෙන් දෝෂයක් ලේඛනගත කරන වාර්තාවකි. දුර්වල ලෙස ලියා ඇති දෝෂ වාර්තාවක් ("ලොගින් වීම ක්රියා නොකරයි") සංවර්ධකයා පැය ගණනක් නවත්වනු ඇත, එහාට මෙහාට ලිපි හුවමාරුවකට තුඩු දෙනු ඇත, සහ බොහෝ විට "ප්රතිනිෂ්පාදනය කළ නොහැක" ලෙස වසා දමයි. හොඳ වාර්තාවක පැහැදිලි පියවර, අපේක්ෂිත සහ සත්ය ප්රතිඵල, සන්දර්භය තොරතුරු සහ සාක්ෂි ඇතුළත් වේ. කෘතිම බුද්ධිය (AI) ඔබේ විසිරුණු නිරීක්ෂණ වෘත්තීය, ව්යුහගත වාර්තාවක් බවට පත් කිරීමට ඉතා හොඳයි. නමුත් මධ්යම අවවාදය මෙහි ද අදාළ වේ: AI හට ඔබ නොදකින පියවර සෑදිය නොහැක; "සාධාරණ පෙනුමැති" නමුත් සාවද්ය අනුමාන වලින් අතුරුදහන් වූ තොරතුරු පිරවිය හැක. ඔබේ කාර්යය වන්නේ වාර්තාවේ සෑම පේළියක්ම ඔබ සැබවින්ම නිරීක්ෂණය කළ දේ මත පදනම් වී ඇති බවට වග බලා ගැනීමයි.
හොඳ දෝෂ වාර්තාවක ව්යුහ විද්යාව
ඵලදායී වාර්තාවක මෙම සංරචක ඇතුළත් වේ:
- මාතෘකාව: කෙටි, විශේෂිත, සෙවිය හැකි. "දෝෂයක් තිබේ" නොවේ; "කරත්තයේ (Chrome) අයිතම 10කට වඩා ඇති 'Checkout' බොත්තම ක්ලික් කළ නොහැක".
- ප්රතිනිෂ්පාදනය කිරීමට පියවර: අංකිත, මුල සිට සොයා ගත හැකි, නියතිවාදී. මෙම පියවර අනුගමනය කිරීමෙන් පසු සංවර්ධකයාට දෝෂය දැකීමට හැකි විය යුතුය.
- අපේක්ෂිත ප්රතිඵලය: පිළිගැනීමේ නිර්ණායක අනුව සිදු විය යුතු දේ.
- සැබෑ ප්රතිඵලය: සිදුවූයේ කුමක්ද (දෝෂ පණිවිඩය, තිරය, හැසිරීම).
- පරිසරය: බ්රව්සරය/උපාංගය, අනුවාදය, පරිසරය (පරීක්ෂණ/සජීවී), පරිශීලක භූමිකාව, දත්ත.
- සාක්ෂි: තිර රුවක්, වීඩියෝ, ලොග්, දෝෂ හෝඩුවාවක් (ස්ටැක් හෝඩුවාවක්).
- බරපතලකම සහ ප්රමුඛත්වය: පහත විස්තර.
ඉඟිය: වාර්තාවක් යැවීමට පෙර, "මම මෙම පියවර වෙනත් කෙනෙකුට ලබා දෙන්නේ නම්, මගේ උදව් නොමැතිව ඔවුන්ට දෝෂය දැකිය හැකිද?" අහන්න. පිළිතුර "නැත" නම්, වාර්තාව අසම්පූර්ණයි. AI හට වාර්තාව අලංකාර කළ හැකි නමුත් ප්රතිනිෂ්පාදනය සහතික කළ හැක්කේ ඔබට පමණි.
ප්රචණ්ඩත්වය සහ ප්රමුඛතාවය: ව්යාකූල සංකල්ප දෙකක්
බරපතලකම යනු දෝෂයේ තාක්ෂණික බලපෑමයි: පද්ධතිය බිඳවැටීම, දත්ත අහිමි වීම හෝ එය යතුරු ලියනය කිරීමක්ද? ප්රමුඛතාවය වන්නේ එය කෙතරම් ඉක්මනින් නිවැරදි කළ යුතුද යන්නයි; ව්යාපාරික බලපෑම ගැන ය. දෙකම සෑම විටම එකම දිශාවකට ගමන් නොකරයි: මුල් පිටුවේ සමාගමේ නම වැරදි ලෙස ලිවීම අඩු බරපතලකමකි, නමුත් ඉහළ ප්රමුඛතාවයක් (කීර්තිය). දුර්ලභ අවස්ථාවක දී, කඩාවැටීම ඉහළ බරපතලකමකින් යුතු නමුත් අඩු ප්රමුඛතාවයක් විය හැක. ඔබ නිරීක්ෂණ ලබා දෙන විට මෙම වෙනස හඳුනා ගැනීමට AI ඔබට උපකාර කරයි; නමුත් අවසාන ලේබලය ලබා දෙන්නේ ව්යාපාරික සන්දර්භය දන්නා ඔබ විසිනි.
ප්රචණ්ඩත්වය
උදාහරණයක්
ප්රමුඛත්වය
උදාහරණයක්
විවේචනාත්මක (අවහිර කරන්නා)
ගෙවීම සම්පූර්ණ කළ නොහැක
හදිසි (P1)
සජීවී ආදායම අහිමි වීම
ඉහළ (ප්රධාන)
වාර්තාව වැරදි එකතුවක් ලබා දෙයි
ඉහළ (P2)
ඉදිරි නිකුතුව සඳහා අනිවාර්ය වේ
මධ්යම (කුඩා)
දුර්ලභ එජ් කේස් දෝෂය
මධ්යම (P3)
සැලසුම් සහගත වේගයකින්
අඩු (සුළු)
බොත්තම් පෙළගැස්ම අක්රියයි
අඩු (P4)
අවස්ථාවක් ඇති විට
දුර්වල ක්ෂණික / ශක්තිමත් විමසුම
දුර්වල: "මෙම දෝෂය වාර්තා කරන්න: ගෙවීම ක්රියා නොකරයි."
ප්රබල: "පහත මගේ නිරීක්ෂණ සම්මත දෝෂ වාර්තා ආකෘතියට පරිවර්තනය කරන්න: මාතෘකාව, ප්රතිනිෂ්පාදන පියවර (සංඛ්යාගත), අපේක්ෂිත ප්රතිඵලය, සත්ය ප්රතිඵලය, පරිසරය, බරපතලකම සහ ප්රමුඛතා නිර්දේශය (සාධාරණයි). මා සපයන තොරතුරු පමණක් භාවිතා කරන්න; නැතිවූ ක්ෂේත්ර සාදන්න, 'තොරතුරු අතුරුදහන් වූ විට: ...' ලකුණු කරන්න. නිරීක්ෂණ, කාර් 1, 20 පරිසරය තුළ කිසිවක් සිදු නොවන විට, නිරීක්ෂණ 'Checkout', 'undefined is not a function' console හි දෝෂයක්, නිෂ්පාදන 11ක් සම්බන්ධයෙන් කිසිදු ගැටළුවක් නොමැත."
බලවත් ක්ෂණික; ආකෘතිය, "ගැලපෙන" රීතිය සහ අතුරුදහන් වූ තොරතුරු සලකුණු කිරීම පනවයි. මේ අනුව, වාර්තාව නිවැරදි හා අවංක වනු ඇත.
අනුපිටපත් දෝෂ හඳුනාගැනීම
විශාල කණ්ඩායම් තුළ, එකම දෝෂය නැවත නැවතත් වාර්තා වේ. AI හට ඔබගේ නව වාර්තාව දැනට පවතින විවෘත දෝෂ සමඟ සංසන්දනය කර විභව අනුපිටපත් සලකුණු කළ හැක - මෙය ඔබගේ දෝෂ ලුහුබැඳීමේ පද්ධතිය (Jira, Azure DevOps, GitHub Issues) පිරිසිදුව තබා ගනී. නමුත් පරෙස්සම් වන්න: මතුපිටට සමාන ලෙස පෙනෙන දෝෂ දෙකක් විවිධ මූල හේතු තිබිය හැක; AI හි "අනුපිටපත්" යෝජනාව වැසීමට පෙර වාර්තා දෙකෙහිම පුනරාවර්තන නිෂ්පාදන පියවර සහ පරිසරය සසඳන්න. අහම්බෙන් වසා දැමූ "අනුපිටපතක්" ඇත්ත වශයෙන්ම වෙනම දෝෂයක් මග හැරී ඇත.
දෝෂ සෙවීමේ සිට මූල හේතුව දක්වා: ලඝු-සටහන් කියවීමට AI හි බලය
දෝෂ වාර්තාවක වඩාත්ම තාක්ෂණික කොටස බොහෝ විට දෝෂ හෝඩුවාවක් වේ (ස්ටැක් ට්රේස් - කුමන ඇමතුම් දාමය සමඟින් දෝෂයක් ඇති කළේද යන්න බිඳවැටීමකි). දිගු හා සංකීර්ණ ලොග සංවර්ධකයා පවා වෙහෙසට පත් කළ හැකිය. AI විසින් රේඛා සිය ගණනක ලඝු-සටහනක් කියවා තත්පර කිහිපයකින් වඩාත් තීරණාත්මක රේඛා, විය හැකි මූල හේතු උපකල්පනය සහ දෝෂය ඇති වූ කේත ලක්ෂ්යය සාරාංශ කරයි. මෙය වාර්තාව කෙටි කරන අතර සංවර්ධකයාට සෘජු ආරම්භක ලක්ෂ්යයක් ලබා දෙයි.
කෙසේ වෙතත්, සීමාවන් දෙකක් මතක තබා ගන්න. පළමුව, AI විසින් දෙන ලද මූලික හේතුව උපකල්පනයකි, සාක්ෂි නොවේ; සංවර්ධකයා මෙය සත්යාපනය නොකර නිවැරදි කිරීමට උත්සාහ නොකළ යුතුය. දෙවනුව, ලඝු-සටහන් බොහෝ විට පුද්ගලික දත්ත අඩංගු වේ (ඊමේල්, පරිශීලක හැඳුනුම්පත, සැසි ටෝකනය); වාහනයේ ලොගය තැබීමට පෙර මෙම ස්ථාන ආවරණය කරන්න. හොඳ පරිචයක් නම්, පළමුව AI විසින් "මෙම ලොගයේ ආවරණය කළ යුතු ක්ෂේත්ර ලැයිස්තුගත කරන්න" යැයි පවසා පසුව පිරිසිදු කළ ලොගය විශ්ලේෂණය කිරීමයි.
ඉඟිය: සම්පූර්ණ ලොගය වාර්තාවට ඇලවීම වෙනුවට, AI සාරාංශ කරන වඩාත් තීරණාත්මක 3-5 පේළි සහ සම්පූර්ණ ලොගයට සබැඳියක් ඇතුළත් කරන්න. මේ ආකාරයෙන් වාර්තාව කියවිය හැකි වන අතර, විස්තර අවශ්ය සංවර්ධකයාට සම්පූර්ණ ලොගයට ප්රවේශ විය හැක.
පිටපත් කළ හැකි සැකිලි හතරක්
1) නිරීක්ෂණයේ සිට වාර්තාව දක්වා:
ඔබේ කාර්යභාරය: ජ්යෙෂ්ඨ QA. පහත අමු නිරීක්ෂණ සම්මත දෝෂ වාර්තාවකට පරිවර්තනය කරන්න: මාතෘකාව / ප්රතිනිෂ්පාදන පියවර (සංඛ්යාගත) / අපේක්ෂිත / සත්ය / පරිසරය / සාක්ෂි සටහන / බරපතලකම + ප්රමුඛතාවය (සාධාරණයි). රීතිය: මා සපයන තොරතුරු පමණක් භාවිතා කරන්න; නැතිවූ ක්ෂේත්රය "අතුරුදහන් තොරතුරු:..." ලෙස සලකුණු කරන්න නිරීක්ෂණ: [අමු සටහන්]
2) ප්රතිනිෂ්පාදන පාලනය:
කිසි දිනක දෝෂය දැක නැති සංවර්ධකයෙකුගේ දෘෂ්ටිකෝණයෙන් මෙම දෝෂ වාර්තාව කියවන්න. පියවර අනුගමනය කර එය දෝෂය ඇති නොකරන ස්ථාන සලකුණු කරන්න: අපැහැදිලි පියවර, නැතිවූ පූර්වාවශ්යතාව, නැතිවූ පරීක්ෂණ දත්ත, මඟ හැරුණු තත්ත්වය. එක් එක් පරතරය සඳහා මා එකතු කළ යුතු තොරතුරු මොනවාදැයි මට කියන්න. වාර්තාව: [වාර්තාව අලවන්න]
3) බරපතලකම/ප්රමුඛතා උපදේශක:
මම පහත දෝෂය විස්තර කරමි: [දෝෂය + ව්යාපාරික සන්දර්භය]. බරපතලකම (තාක්ෂණික බලපෑම) සහ ප්රමුඛතාවය (ව්යාපාරික හදිසිතාව) සඳහා වෙන වෙනම යෝජනා සහ සාධාරණීකරණය දෙන්න. දෙක වෙනස් විය හැක්කේ මන්දැයි පැහැදිලි කරන්න. මම අවසාන තීරණය ගන්නම්.
4) ලඝු/දෝෂයක් ලුහුබැඳීමේ සාරාංශය:
පහත දෝෂ ලුහුබැඳීම/ලොගය පරීක්ෂා කරන්න. මට (1) මූල හේතුව උපකල්පනය, (2) දෝෂය ඇති විය හැකි කේත ලක්ෂ්යය, (3) වාර්තාවට එක් කළ යුතු වඩාත්ම තීරණාත්මක රේඛා 3 හි සාරාංශයක් දෙන්න. පුද්ගලික දත්ත තිබේ නම් මාස්ක් කරන්න.ලොගය: [පේස්ට් ලොගය]
කුඩා නඩු තුනක්
නඩුව 1 - "මට නිෂ්පාදනය කළ නොහැකි විය" වෙතින් නිදහස් වීම. එක් කණ්ඩායමක, දෝෂ වලින් 30% ක් "ප්රතිනිෂ්පාදනය කළ නොහැක" ලෙස වසා ඇත. වාර්තා ක්රියාවලියට "ප්රතිනිෂ්පාදන පරීක්ෂාව" අච්චුව එක් කර ඇත; සෑම වාර්තාවක්ම යැවීමට පෙර, AI විසින් අතුරුදහන් වූ පියවර සහ පූර්වාවශ්යතා සලකුණු කරන ලදී. මාස තුනකට පසු, "නිෂ්පාදනය කළ නොහැකි" අනුපාතය 30% සිට 8% දක්වා පහත වැටුණි. වෙනස වූයේ ආරම්භයේ සිටම පියවර නිවැරදිව පැවතීමයි.
නඩුව 2 - ව්යාජ පියවරවල අන්තරාය. පරීක්ෂකයෙකු විසින් AI විසින් අසම්පූර්ණ නිරීක්ෂණ සහිත වාර්තාවක් ලිවීමට සලස්වා ඇත. "පරිශීලක සැකසුම් පිටුවෙන් දැනුම්දීම් ක්රියාත්මක කරයි" වැනි කිසිදා සිදු නොවූ පියවරක් AI විසින් එක් කරන ලදී. සංවර්ධකයා එම පියවර අනුගමනය කළ විට, ඔහුට දෝෂය සොයා ගැනීමට නොහැකි වූ අතර කාලය අහිමි විය. කණ්ඩායම "මම ලබා දෙන තොරතුරු පමණක් භාවිතා කරන්න, එය සකස් නොකරන්න" යන රීතිය බලාත්මක කළේය; සාදන ලද පියවර ඉවත් කරනු ලැබේ.
3 වන අවස්ථාව - බරපතලකම/ප්රමුඛතා වෙනස. මුල් පිටුවේ කම්පැනි සටන් පාඨයේ මුද්රණ දෝෂයක් විය. පරීක්ෂකයා මෙය "අඩු" ලෙස සම්මත කරයි; තාක්ෂණික ප්රචණ්ඩත්වය අඩු නමුත් ව්යාපාරික ප්රමුඛතාවය ඉහළ බව AI උපදේශකයා සිහිපත් කළේය (සෑම අමුත්තෙකුටම ලැබෙන කීර්ති නාමය). "ඉහළ ප්රමුඛතා" ටැගය සමඟ දෝෂය එදිනම නිවැරදි කරන ලදී.
පොදු වැරදි
- නොපැහැදිලි මාතෘකාව. "වැඩ කරන්නේ නැත" වැනි සෙවිය නොහැකි, වෙනස් කොට සැලකීමක් නොවන සිරස්තල.
- මඟ හැරුණු / මඟ හැරුණු පියවර. ඔබේ සන්දර්භය තුළ පැහැදිලිව පෙනෙන දේ ලියන්නේ නැත; සංවර්ධකයා නිෂ්පාදනය කිරීමට අසමත් වීම.
- AI හට එය සෑදීමට ඉඩ දීම. අතුරුදහන් වූ තොරතුරු "සාධාරණ ඇස්තමේන්තුවකින්" පුරවා තිබීම; වැරදි පියවර.
- අපේක්ෂිත ප්රතිඵලය ලියන්නේ නැත. "වැරදි" කීම නමුත් හරි දේ සඳහන් නොකිරීම.
- ප්රචණ්ඩත්වය සහ ප්රමුඛතාවය ව්යාකූල කිරීම. දෙක එක ලේබලයක් ලෙස වරදවා වටහා ගැනීම; ව්යාපාරික බලපෑම වැරදි ලෙස තක්සේරු කිරීම.
- සාක්ෂි තුළ සංවේදී දත්ත. තිරපිටපත්/ලොග් වල සැබෑ පුද්ගලික දත්ත වසන් නොකර බෙදාගැනීම.
සාරාංශයක් ලෙස
දෝෂ වාර්තාවේ වටිනාකම වන්නේ සංවර්ධකයාට ඔබේ උදව් නොමැතිව දෝෂය ප්රතිනිෂ්පාදනය කර නිවැරදි කළ හැකි වීමයි. විසිරුණු නිරීක්ෂණ වෘත්තීය, ව්යුහගත වාර්තාවක් බවට පත් කිරීමට AI ඉතා හොඳ ය; එය මාතෘකාව, පියවර, අපේක්ෂිත/සැබෑ ප්රතිඵලය, පරිසරය සහ සාක්ෂි සංවිධානය කරයි, සහ බරපතලකම සහ ප්රමුඛතාවය අතර වෙනස පිළිබඳ උපදේශනය සපයයි. නමුත් AI හට අතුරුදහන් වූ තොරතුරු පිරිමැසිය හැක; "මම ලබා දෙන තොරතුරු පමණක් භාවිතා කරන්න, අතුරුදහන් වූ ඒවා සලකුණු කරන්න" යන රීතිය බලාත්මක කර ප්රතිනිෂ්පාදනය ඔබම සහතික කරන්න. පුද්ගලික දත්ත සාක්ෂි ලෙස වසන්න.
යෙදුම් කාර්යය
ඔබ මෑතකදී සොයාගත් දෝෂයක් ගෙන "වාර්තා කිරීමට නිරීක්ෂණ" රටාව ("ගැළපෙන" රීතිය සමඟ) භාවිතා කරමින් ඔබේ අමු නිරීක්ෂණ වාර්තාවක් බවට පත් කරන්න. ඉන්පසු "ප්රතිනිෂ්පාදන පරීක්ෂාව" සිදු කර සලකුණු කළ හිඩැස් පුරවන්න. වාර්තාව සගයෙකුට ලබා දී ඔබේ උදව් නොමැතිව ඔහුට දෝෂය ඇති කළ හැකිදැයි බලන්න. අවසාන වශයෙන්, "ප්රචණ්ඩත්වය/ප්රමුඛතා උපදේශක" සමඟ ලේබල තීරණය කර ඔබේ අභිමතය පරිදි එය අවසන් කරන්න. AI ක්රියාවලියේදී සෑදීමට උත්සාහ කරන ඕනෑම තොරතුරක් සටහන් කර ගන්න.
පිරික්සුම් ලැයිස්තුව
- [ ] මගේ මාතෘකාව නිශ්චිත සහ සෙවිය හැකි ය.
- [ ] ප්රතිනිෂ්පාදන පියවර මුල සිටම, නියතිවාදී සහ සම්පූර්ණ වේ.
- [ ] මම බලාපොරොත්තු වූ සහ සත්ය ප්රතිඵල වෙන වෙනම ලිව්වෙමි.
- [] සැකසීම සහ සාක්ෂි තොරතුරු සම්පූර්ණයි; මම පුද්ගලික දත්ත වසන් කළා.
- [ ] මම AI මත "එය සකස් කරන්න, අතුරුදහන් ලකුණු කරන්න" රීතිය පනවා ඇති අතර එම හිඩැස් මා විසින්ම පුරවා ඇත.
- [ ] මම බරපතලකම සහ ප්රමුඛතාවය වෙන වෙනම ඇගයීමට ලක් කර අවසාන තීරණය ගත්තෙමි.