媒体狂欢、大厂跟进，所有迹象都表明一个新时代正在到来。AIGC即AI Generated Content，是指利用人工智能技术来生成内容，AIGC也被认为是继UGC、PGC之后的新型内容生产方式。在这种生产方式变革的窗口期，将如何影响我们软件测试行业呢？下面我们一起展开探索。

行业内大家问得最多的问题就是：当前以ChatGPT为代表的新一代人工智能技术，是否能替代软件测试人员？

ChatGPT不是拉普拉斯妖，未来仍然无法百分百准确观测，相信大家都知晓答案：软件测试活动无法完全替代，至少目前是这样的！无法完全替代，即表示一部分是可替代，另一部分是不可替代，由此我们来探讨GPT能帮助测试人员做什么？以下是调研出可实践的方向：

更好地了解用户行为

通常情况下，测试人员覆盖需求所述场景时，但往往由于掌握或者分析的特征不全面，导致遗漏个别用户输入场景，进而将线下场景遗漏风险转为线上问题。GPT正是有着数百亿、千亿乃至万亿级参数规模的人工智能大模型来理解用户意图，由此顺理成章的也能帮助软件测试人员更好地了解用户行为。比如让GPT分析下面一段需求表述中含有的用户行为入口：

通过GPT列出来用户进入小程序可能的入口，便于我们设计与之对应的测试场景，并在此基础上补充功能场景是否还有遗漏。测试人员组织设计用例时，需要尽可能全的考虑用户输入场景，即使最终因评估无影响可以不纳入用例，也不应缺乏考虑功能使用的场景。

提炼需求的关键功能点

很多时候大段的需求功能描述，包含很多功能场景，需要通过拆分语句，归纳整理，才能提炼出功能测试场景，这一点正是GPT最擅长的文字整理工作：

以上是markdown文本，格式化成表格后展示如下：

通过GPT给我们提供的信息，分类整理成表格形式后，能更直观的列出内容的关键点，由此来帮我们快速的设计测试场景，并协助核对是否有遗漏的场景。

协助分析代码缺陷

作为一种对话式大型语言模型，GPT 最擅长的就是回答用户提出的问题，最关键的是 GPT 具备与编程相关的基础知识。这就让 GPT 成为类似于 Stack Overflow 的编程问答工具，只不过回答问题的是个 AI。我们试着让GPT分析一段java程序代码可能存在的缺陷：

以上最主要反馈给我们这些问题：空指针、异常处理、线程安全，和一些优化建议。因此，可以针对这些问题和上下文联系，设计相应的用例场景，从而暴露代码缺陷。再从研发流程回看这段问题代码，如果在Code Review、白盒测试中加入GPT审阅增量代码环节，就能给我们提供额外的改进建议。

协助编写测试工具

只需3秒钟，GPT就写了个邮件发送的简单工具代码，江湖人称：活Stack Overflow，名不虚传。为提升阅读的便捷性，还给我们增加代码行注释，代码规范可没少学。

技能的学习与补充

GPT虽不能做到苏轼大文豪那样“吾文如万斛泉源，不择地皆可出，在平地滔滔汩汩，虽一日千里无难”，但一定能帮你收集汇总到了相关技能学习大纲。毫无疑问，这点相当于科学上网。目前比较遗憾的是没有生动的图表，不方便理解，给出的大部分只是学习指南。

挤牙膏似的追问，让GPT生成更多我们想了解的方向。

AIGC产生的这些内容看起来觉得很有专业性，条理清晰，逻辑上也没有什么漏洞，显得四平八稳，中规中矩，但尽说些车轱辘话，感觉就是不说人话，说了这么多，又仿佛什么都没说。新知识还需通过科学的学习方法（费曼学习法，思维导图学习法，番茄学习法，西蒙学习法）才能高效掌握。

写在最后

GPT在一定程度上仍然是我们的助手，而不是完全取代我们。GPT可以利用深度学习技术来模拟人类的思维过程，但由于GPT仍然是机器，目前它不能和人类一样具备智慧、情感以及创造性思维能力。

GPT可以帮助人们处理大量的自然语言数据，但它仍然不能取代人类的判断力和决策能力。此外，它没有足够的知识库来解决复杂的问题，只能根据给定的数据来生成结果，仍不具备创造性思维。这就是说，如果数据库的内容水平越高，拼凑的算法规则越靠谱，那么输出的内容，其水平也就会越高，但永远也不可能超过数据库中原有的水平。它只能在自然语言处理（NLP）任务中发挥其优势，以帮助我们完成既定任务。

点击下方的公众号入口，关注「技术对话」微信公众号，可查看历史文章，投稿请在公众号后台回复：投稿