password
URL
type
status
date
slug
summary
tags
category
icon
周起始
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
- 收集数据：获取bug数据、需求文档和测试用例。
- 数据清洗和预处理：确保数据格式一致、内容完整。
- 转换为JSON格式：将数据转换为JSON格式，以便模型处理。
- 训练模型：使用LLama Factory进行模型训练和微调。
- 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
- Twitter：@AlanHsu521
- Telegram：@AlanHsu521
- WeChat: Alan_Hsu_521
- Github: https://github.com/xsoway/
- Author:Alan_Hsu
- URL:https://xmylog.com/article/articles_llama_test
- Copyright:All articles in this blog, except for special statements, adopt BY-NC-SA agreement. Please indicate the source!