type
status
date
slug
summary
tags
category
icon
password
标签
是否汉化
📌
大模型在测试领域的应用

✍🏻
领导下了AI指标,研究并产出当下热门的AI、模型、GPT的应用实践,最常见的GPT+prompt在具体业务或辅助测试开发方面的使用,确实可以提高效率,不过还是想定制化一些更接近业务层面的一些产出,so,拿模型来开练吧,开发自己的agent_gpt 思路: 收集bug数据+需求文档+测试用例→转换json模型识别的格式→LLama Factory→进行训练+微调→agent_api→实践应用
为了实现你提到的流程,即从收集bug数据、需求文档和测试用例开始,到使用LLama Factory进行训练,并最终通过agent_api应用于实践,可以按照以下步骤进行:

步骤1:收集数据

收集所有必要的数据,包括bug数据、需求文档和测试用例。这些数据通常以不同的格式存储,如Excel表格、Word文档、数据库记录等。

步骤2:数据清洗和预处理

将收集到的数据进行清洗和预处理,确保其格式一致、内容完整。常见的数据清洗操作包括去除重复项、填补缺失值、标准化数据格式等。

步骤3:转换为JSON格式

将清洗后的数据转换为JSON格式,方便后续的处理和训练。可以编写一个脚本(如Python脚本)来完成这个任务。

示例Python代码:

步骤4:使用LLama Factory进行训练

LLama Factory可以用来训练和微调大模型。将预处理好的JSON数据导入LLama Factory,并进行模型训练。具体的训练过程将取决于LLama Factory的接口和使用指南。

步骤5:通过agent_api应用于实践

训练完成后,可以通过agent_api将模型应用到实际测试场景中。agent_api可以提供一个接口,通过该接口,测试人员可以提交新的测试请求,获取测试结果或分析报告。

示例流程总结

  1. 收集数据:获取bug数据、需求文档和测试用例。
  1. 数据清洗和预处理:确保数据格式一致、内容完整。
  1. 转换为JSON格式:将数据转换为JSON格式,以便模型处理。
  1. 训练模型:使用LLama Factory进行模型训练和微调。
  1. 应用模型:通过agent_api将模型应用于实际测试场景。

实践应用

在实际应用中,可以通过以下方式进行实践:
  • 自动生成测试用例:提交需求文档,生成相应的测试用例。
  • 缺陷预测和分析:提交代码或需求文档,预测潜在的缺陷。
  • 自动化测试执行:提交测试用例,自动执行并生成测试报告。

示例JSON结构

为了确保数据格式的一致性,可以参考以下JSON结构:

Bug数据

需求文档

测试用例

通过这种方式,可以有效地将各种数据整合并应用于模型训练和实践,从而提升测试过程的自动化和智能化水平。

附→环境搭建


🎒
离开乏味的皮囊,自由的灵魂在路上
  • Name: Alan Hsu
  • Tag: 随感、技术、经验、旅行、推荐、生活、音乐、电影 etc.
  • Email:xulanzhong521gmail.com
  • WeChat: Alan_Hsu_521
notion image
notion image
 
 
 
徒步:麻田岭认知笔记【转】
Loading...