专场：数据驱动测试与精准测试
本专场聚焦于大模型时代软件工程的核心挑战：如何在保障质量的同时提升效率。我们将深入探讨数据驱动测试与精准测试的前沿实践，分享如何利用交付数据（如历史缺陷、代码知识图谱）构建智能化风险评估模型，以精准定义测试范围，优化资源配置。同时，专场将直面AI原生业务的测试难题，探讨如何为大模型构建高质量的评测数据集和多维度评估体系，并分享在DevOps流程中协同测试左右移策略、建立实时反馈机制的最佳实践，旨在构建面向未来的智能化质量保障体系。
专场出品人：王伟
百度 移动生态质量效能部 资深测试工程师
百度资深测试专家，在交付质量改进和效率提升方面有丰富的工作经验，具有深厚的数据分析经验，主导并推动了百度APP的单周发版模式落地，主导并建设了百度首个体系化的视频质量评测服务平台，在解决视频质量评测的标准化、置信度、效率方面有丰富的实践经验。翻译过多本英文优秀书籍，编写了开源书籍《LLM in Action》，在大模型的质效领域应用以及评估提效方面具有丰富的实践经验。
吴珣
同程旅行 技术专家
同程旅行技术专家，目前负责公司级智能质量工程体系规划与建设。打造了一站式质量管理平台、精准测试平台、代码染色平台等基础设施，参与质量度量、压测平台等多个项目的建设与推广。负责的产品和服务，已深度应用多个业务BG，日均处理量突破10万+请求。在智能化转型方面，多次将大语言模型应用于质量缺陷识别与分析场景，在提示词管理、提示词调优及Dify工作流编排等环节，积累了丰富实践经验。
待定
待定
精准测试遇上大模型：精准数据价值变现的智能化探索
在敏捷开发与微服务架构盛行的当下，软件迭代周期持续压缩，系统架构愈发复杂。面对项目日均数十次的Git提交与合并操作，以及高频次、多模块的代码变更，QA团队在变更感知、识别功能影响域、防止漏测等方面遭遇严峻挑战。
基于基础精准测试体系，依托单应用汇维度的变更接口感知、代码调用链路分析、自动化测试调度以及AI驱动的测试用例动态生成等核心能力，构建跨应用、跨模块的全局变更影响评估能力，实现全链路应用数据的智能聚合与深度分析。此外，通过建立需求与Git操作的强绑定机制，构建了"需求-代码"双向追踪机制，实现了需求维度可追溯关联的所有Git提交记录、分支操作等研发全生命周期事件及变更分析报告，同时代码维度可反向获取原始需求的业务上下文。基于大语言模型（LLM）的智能分析模块，深度融合代码变更语义特征、调用链路拓扑关系与需求业务知识图谱，实现了基于语义理解的智能测试用例生成和结合业务、代码上下文的自动化CodeReview系统。此能力显著提升了数据分析的智能化水平，可推动精准数据向业务成果的高价值转化。
基于基础精准测试体系，依托单应用汇维度的变更接口感知、代码调用链路分析、自动化测试调度以及AI驱动的测试用例动态生成等核心能力，构建跨应用、跨模块的全局变更影响评估能力，实现全链路应用数据的智能聚合与深度分析。此外，通过建立需求与Git操作的强绑定机制，构建了"需求-代码"双向追踪机制，实现了需求维度可追溯关联的所有Git提交记录、分支操作等研发全生命周期事件及变更分析报告，同时代码维度可反向获取原始需求的业务上下文。基于大语言模型（LLM）的智能分析模块，深度融合代码变更语义特征、调用链路拓扑关系与需求业务知识图谱，实现了基于语义理解的智能测试用例生成和结合业务、代码上下文的自动化CodeReview系统。此能力显著提升了数据分析的智能化水平，可推动精准数据向业务成果的高价值转化。
听众收益
1. 了解同程旅行在基础精准测试方向的研发方案
2. 了解基础精准测试平台，与Dify、项目管理、构建发布、流水线、三方自动化测试调度、覆盖率度量等平台等间的协作提效与价值变现
3. 了解精准测试数据的聚合分析方案与私有化方案
4. 了解精准测试数据，在使用LLM做用例生成、CodeReview、变更分析汇总等方面的应用实践与效果
武天雄
华泰证券 高级开发工程师
华泰证券测试交付中心高级开发工程师，专注于金融IT系统质量保障与自动化测试架构设计，主导研发华泰证券统一测试管理平台及实时流量回放测试工具，推动核心业务系统自动化转型，提升测试效率与质量保障能力，擅长流量驱动测试、AI大模型测试落地及智能化测试架构设计。硕士毕业于南京大学，学科背景丰富，在数学建模、智能汽车、电子设计等领域曾获国际级奖项1项，国家级奖项5项。
华泰证券测试交付中心是公司核心技术力量，负责全业务线质量保障与测试技术创新，覆盖经纪业务、交易、行情、支付清算等系统。在日志回放测试、自动化与智能化测试等方向保持行业领先，持续打造高效、稳定、智能的质量保障体系，为公司核心业务稳定运行提供技术支撑。
华泰证券测试交付中心是公司核心技术力量，负责全业务线质量保障与测试技术创新，覆盖经纪业务、交易、行情、支付清算等系统。在日志回放测试、自动化与智能化测试等方向保持行业领先，持续打造高效、稳定、智能的质量保障体系，为公司核心业务稳定运行提供技术支撑。
待定
待定
AI大模型赋能金融系统自动化测试实践
针对金融系统接口复杂、业务场景多元且迭代加速导致的测试质效双重压力，本案例创新融合生产流量数据与大模型能力，构筑AI驱动的测试新范式：通过日志解析、场景挖掘、用例生成等智能模块闭环运作，动态分析覆盖盲区并自动补强；结合流量资产增强及策略优化，主动识别潜在风险，系统性提升金融质量保障能力。
内容大纲
1. 背景
1.1 金融系统测试面临的难题
1.2 AI驱动自动化测试的价值定位与落地目标
2. 解决方案框架设计
2.1 整体思路：以生产真实流量为基底，以大模型为引擎的用例生成体系
2.2 系统框架设计与方案流程详解
3. 核心节点AI能力实践与技术难点攻关
3.1 规则解析代码自动生成模型
3.2 关键业务参数智能标定模型
3.3 推荐断言智能生成模型
3.4 用户行为分析模型
3.5 测试结果智能分析模型
4. 多维能力扩展与应用
4.1 模糊测试：基于真实参数资产的精准变异
4.2 回放对比测试：深化接口画像与颗粒度细化，提升冒烟测试效率与流量质量
5. 落地效果与评估
5.1 业务影响度和覆盖标准模型
5.2 以生产缺陷和影响度融合的风险评分系统
5.3 多业务系统实践展示
6.总结与展望
听众收益
以系统框架设计为参照，明确自动化测试与大模型技术的融合要点及技术难点的解决方案，为团队建立覆盖广、效率高、准确性强的自动化测试体系提供参考范式。
内容大纲
1. 背景
1.1 金融系统测试面临的难题
1.2 AI驱动自动化测试的价值定位与落地目标
2. 解决方案框架设计
2.1 整体思路：以生产真实流量为基底，以大模型为引擎的用例生成体系
2.2 系统框架设计与方案流程详解
3. 核心节点AI能力实践与技术难点攻关
3.1 规则解析代码自动生成模型
3.2 关键业务参数智能标定模型
3.3 推荐断言智能生成模型
3.4 用户行为分析模型
3.5 测试结果智能分析模型
4. 多维能力扩展与应用
4.1 模糊测试：基于真实参数资产的精准变异
4.2 回放对比测试：深化接口画像与颗粒度细化，提升冒烟测试效率与流量质量
5. 落地效果与评估
5.1 业务影响度和覆盖标准模型
5.2 以生产缺陷和影响度融合的风险评分系统
5.3 多业务系统实践展示
6.总结与展望
听众收益
以系统框架设计为参照，明确自动化测试与大模型技术的融合要点及技术难点的解决方案，为团队建立覆盖广、效率高、准确性强的自动化测试体系提供参考范式。
郑义川
百度 资深工程师
百度ACG工程效能部资深工程师，目前主要负责质量团队测试工具的平台化整合与能力统一，推动自动化测试的低/无代码转型与智能化演进，并主导测试平台的离线交付解决方案，有效支撑20+产品线的自动化体系建设落地。同时推动大模型在接口测试用例生成方向的实践与应用，推动AI能力在质量场景中的落地与优化。毕业后曾就职于央企和滴滴，从事控制系统开发、自动化治理、测试服务化与测试能力左移等工作。
待定
待定
基于LLM的接口自动化测试用例生成落地实践
当前，多数业务线仍保留大量人工编写的测试用例。这些用例虽然沉淀了丰富的业务知识，但在自动化推进过程中，依赖人工转化为自动化脚本，成本高、周期长、一致性差。
随着大模型在文本理解与逻辑推理方面表现出的强大能力，我们探索将其应用于接口自动化测试领域。通过解析已有的手工用例文本、接口定义信息、以及上下文配置，模型能够自动推理业务流程、识别输入输出关系、构造边界/异常用例，从而生成高质量、可执行的自动化测试用例，显著降低人工工作量，提高用例生成效率与一致性。
内容大纲
1. 背景与演进动因
1.1 自动化测试面临的现实困境：用例碎片化、转化成本高、复用率低
1.2 平台化、无代码化与智能化的趋势与驱动力
1.3 构建“测试生成-管理-执行”一体化的自动化体系
2. 无代码化测试用例生成平台化建设
2.1 用例结构化元数据模型设计
2.2 可视化配置与自动脚本生成平台实现
2.3 跨业务线用例标准化与通用建模的落地实践
3. 大语言模型能力集成与智能用例生成探索
3.1 数据准备：构建推理所需的高质量“用例+接口”语料
3.2 智能生成链路拆解：Prompt设计、生成、结构化、校验
3.3 迭代优化机制：生成数据校验与自修复
4. 落地效果与发展方向展望
4.1 生成准确率分析
4.2 当前大模型的挑战与边界
4.3 未来规划：Agent化测试生成、用例生成即测试执行、风险预测与推荐
听众收益
1. 理解大语言模型在接口测试用例生成环节的具体发力点
2. 获得智能化用例生成平台建设的实践路径与经验教训
3. 了解模型的能力边界、应对思路与真实落地成效
随着大模型在文本理解与逻辑推理方面表现出的强大能力，我们探索将其应用于接口自动化测试领域。通过解析已有的手工用例文本、接口定义信息、以及上下文配置，模型能够自动推理业务流程、识别输入输出关系、构造边界/异常用例，从而生成高质量、可执行的自动化测试用例，显著降低人工工作量，提高用例生成效率与一致性。
内容大纲
1. 背景与演进动因
1.1 自动化测试面临的现实困境：用例碎片化、转化成本高、复用率低
1.2 平台化、无代码化与智能化的趋势与驱动力
1.3 构建“测试生成-管理-执行”一体化的自动化体系
2. 无代码化测试用例生成平台化建设
2.1 用例结构化元数据模型设计
2.2 可视化配置与自动脚本生成平台实现
2.3 跨业务线用例标准化与通用建模的落地实践
3. 大语言模型能力集成与智能用例生成探索
3.1 数据准备：构建推理所需的高质量“用例+接口”语料
3.2 智能生成链路拆解：Prompt设计、生成、结构化、校验
3.3 迭代优化机制：生成数据校验与自修复
4. 落地效果与发展方向展望
4.1 生成准确率分析
4.2 当前大模型的挑战与边界
4.3 未来规划：Agent化测试生成、用例生成即测试执行、风险预测与推荐
听众收益
1. 理解大语言模型在接口测试用例生成环节的具体发力点
2. 获得智能化用例生成平台建设的实践路径与经验教训
3. 了解模型的能力边界、应对思路与真实落地成效
傅景良
腾讯 测试开发工程师
北京科技大学硕士毕业，曾就职于Oracle、EMC，从事测试开发和质量保障工作。2015年加入腾讯广告，主要负责腾讯广告工程效能和自动化测试体系相关建设，曾打造围绕主干开发模式相关的git客户端辅助工具、持续交付系统、DIFF回归工具、ECPM还原和校验等重要系统，目前专注于建设AI辅助WebUI自动化回归测试建设，以及AI在测试领域的探索与应用。
待定
待定
AIGC驱动的Web UI自动化测试实践
问题分析与解决思路
1. 核心痛点
1.1 WebUI测试消耗人力巨大：广告业务场景复杂多样，要求测试能覆盖所有关键路径和异常情况，测试人力消耗大，其中UI测试占据总测试人力46%，发现的缺陷占总缺陷65%
1.2 用例编写维护成本高：传统WebUI自动化测试脚本维护高度依赖人工干预，模块化设计不理想时，每次页面变更都需要大量调整脚本，导致维护成本居高不下。
1.3 元素定位不稳定：通过xpath、坐标、动态的ID或class等来实现的元素定位方式，稳定性相对较差，很容易受到非功能变化的影响而大面积失败。
1.4 环境依赖强、执行效率低：对测试环境要求高，执行速度慢，问题排查难度大，进一步影响了自动化的信心和推广。
2. 解决思路
2.1 测试智能体：基于混元VLM大模型训练专家模型，实现剧本自动生成脚本，以及用例执行失败自愈。
2.2 智能断言：基于DIFF思想，自动生成断言，检查UI交互问题和CGI参数错误。
2.3 录制转用例：结合录制回放机制，实现回归用例快速生成，减少人工编写剧本成本。
内容大纲
1. 现状与痛点
2. 基于混元大模型的用例生成与执行
2.1 技术架构
2.2 感知层：网页结构与状态理解
2.3 决策层：任务规划与操作决策
2.4 校验层：智能断言生成与执行
3. 迭代式模型训练工作流
3.1 训练专家模型面临的挑战
3.2 训练数据准备策略
3.3 全自动数据生成
3.4 模型效果评估数据
4. 基于流量录制回放的用例进化
4.1 技术架构
4.2 线上用户操作录制
4.3 录制回放环境一致性规范化
4.4 时序和状态依赖的录制回放
4.5 用例去重和更新
5. 总结与展望
听众收益
1. 效率升级：通过大模型驱动的用例自动生成与执行，显著提升测试效率，减少重复劳动，让团队聚焦于高价值创新任务。
2. 智能断言：依托AI能力自动生成和执行断言，主动发现潜在缺陷，实现从“人工检视”到“智能守护”的质量保障。
3. 技术沉淀：标准化流程与AI能力持续积累，构建可复用、可扩展的自动化测试体系，降低后续维护与升级成本。
1. 核心痛点
1.1 WebUI测试消耗人力巨大：广告业务场景复杂多样，要求测试能覆盖所有关键路径和异常情况，测试人力消耗大，其中UI测试占据总测试人力46%，发现的缺陷占总缺陷65%
1.2 用例编写维护成本高：传统WebUI自动化测试脚本维护高度依赖人工干预，模块化设计不理想时，每次页面变更都需要大量调整脚本，导致维护成本居高不下。
1.3 元素定位不稳定：通过xpath、坐标、动态的ID或class等来实现的元素定位方式，稳定性相对较差，很容易受到非功能变化的影响而大面积失败。
1.4 环境依赖强、执行效率低：对测试环境要求高，执行速度慢，问题排查难度大，进一步影响了自动化的信心和推广。
2. 解决思路
2.1 测试智能体：基于混元VLM大模型训练专家模型，实现剧本自动生成脚本，以及用例执行失败自愈。
2.2 智能断言：基于DIFF思想，自动生成断言，检查UI交互问题和CGI参数错误。
2.3 录制转用例：结合录制回放机制，实现回归用例快速生成，减少人工编写剧本成本。
内容大纲
1. 现状与痛点
2. 基于混元大模型的用例生成与执行
2.1 技术架构
2.2 感知层：网页结构与状态理解
2.3 决策层：任务规划与操作决策
2.4 校验层：智能断言生成与执行
3. 迭代式模型训练工作流
3.1 训练专家模型面临的挑战
3.2 训练数据准备策略
3.3 全自动数据生成
3.4 模型效果评估数据
4. 基于流量录制回放的用例进化
4.1 技术架构
4.2 线上用户操作录制
4.3 录制回放环境一致性规范化
4.4 时序和状态依赖的录制回放
4.5 用例去重和更新
5. 总结与展望
听众收益
1. 效率升级：通过大模型驱动的用例自动生成与执行，显著提升测试效率，减少重复劳动，让团队聚焦于高价值创新任务。
2. 智能断言：依托AI能力自动生成和执行断言，主动发现潜在缺陷，实现从“人工检视”到“智能守护”的质量保障。
3. 技术沉淀：标准化流程与AI能力持续积累，构建可复用、可扩展的自动化测试体系，降低后续维护与升级成本。
关注QECon公众号
关注QECon视频号
商务合作
151-2264-3988 木子
票务联系
186-4907-7637 胡利利
媒体合作
135-1619-6409 皮皮
购票咨询
胡利利 18649077637
