AiDD研发数字峰会

论坛主席：神秘嘉宾

敬请期待

测试生成与智能测试工具

本论坛聚焦AI驱动的测试生成与智能测试工具，致力于重塑软件测试的自动化边界。论坛涵盖智能用例生成、测试数据构造、缺陷预测与定位、测试工具链集成等核心技术。通过深入探讨从需求到用例的自动转化、AI赋能的探索性测试、测试资产持续复用等关键议题，我们将共同见证测试从"人力密集型"向"智能决策型"的进化，实现测试效率与质量的双重飞跃。

移动端测试的范式转变：从脚本到视觉Agent落地实践

仲思宇

58同城本地生活-质量保障部-工程效能部负责人

内容简介：

移动端测试长期面临「脚本维护成本高、多端适配复杂、AI能力难以落地」的三角困境。本议题将分享如何通过视觉大模型 + 拓扑图谱 + Agent决策的技术路径，实现从「预设脚本」到「AI感知理解、自主决策」的范式转变，构建可沉淀、可复用的移动端智能测试能力。

演讲提纲：
1. 背景与挑战：业务流程视角下的移动端 AI 测试困境
1.1 传统UI测试现状：脚本分散、平台割裂（iOS/Android/鸿蒙各写一套）、业务变动带来大面积脚本维护
1.2 痛点归纳：
1.3 目标画像：从“脚本驱动、多端割裂”走向“业务流程驱动、多端自动适配”
2. 核心架构：业务流程管理 + AIAgent 与 Skills 协同体系
2.1 整体架构图
2.2 业务流程管理能力
2.3 AIAgent + Skills 协同机制
2.4 业务流程管理中对业务知识和图谱辅助智能执行步骤管理
2.5 AI Agent执行流程:观察模式驱动设备执行
2.6 执行流程中Skills能力控制设备操作的流程
2.7 任务执行中如何自愈及视觉断言
3. 实践落地：业务视角下的单流程驱动多平台执行
3.1 一套业务流程的建模
3.2 多平台适配机制
3.3 业务流程如何通过需求文档、视频及人工构建并生成
3.4 并行执行与统一结果展示
3.5 通过业务链路完成对自然语言的理解并执行的效果
3.6 业务团队的使用效果
3.7 从需求调用整个过程完成AI测试的场景演示
4. 总结与展望

听众收益：
1. 理解范式转变逻辑：看清视觉 AI 如何重构传统 UI 测试的技术链路
2. 掌握核心架构设计：了解「视觉感知 → 图谱决策 → 技能执行」的多层协作体系
3. 获得工程落地思路：借鉴业务流程建模与 Skills 沉淀的实践方案，提升多端测试效率
4. 使用效果：云测的思路建设AI端测试的过程

负责 58 本地生活方向测试工具体系规划与架构设计，拥有三十多项测试工具发明专利。深耕客户端与服务端自动化测试多年，擅长业务质量体系规划及技术赋能落地，丰富的测试平台建设与效能提升经验。专注领域：质量体系建设、AI 测试体系建设。

大模型驱动的具身智能车机测试系统

刘子凡

阿维塔科技整车测试负责人

长期专注于深度学习领域的研究与工程实践，拥有多年算法研发经验，现在主机厂担任整车测试负责人。近一年来，主导推动大模型与具身智能技术在车机自动化测试中的创新融合，从零搭建系统架构，完成机械臂控制、多模态感知与大模型判定的全链路开发，并快速实现批量落地部署，覆盖多个量产车型。目前，正带领团队将这套系统全面上线项目，持续优化其泛化能力与执行效率。

内容简介：

随着智能网联汽车车机功能日益复杂，传统人工测试面临人力成本高、场景覆盖难、评判主观性强等挑战。提出一套大模型驱动的具身智能车机测试系统，以多自由度机械臂、人工嘴模拟用户触控和语音操作，同时借助摄像头与拾音器实时采集屏幕显示和语音反馈，构建“视觉-听觉”多模态感知通道。系统利用大语言模型自动解析测试用例并生成操作序列，再通过多模态大模型对实际观测结果进行语义理解与智能判定。该方案可实现7×24小时无人化自动执行，判定结果客观一致且全程可追溯，大幅降低人力依赖，测试效率提升数倍，为车机快速迭代提供可靠的质量保障。

演讲提纲：

1.痛点剖析：车机测试中人力成本高、环境复现难、结果主观等挑战
1.1 人工测试瓶颈：重复手动操作+版本迭代频繁占用大量人力，且人工评判测试结果差异大、主观。
1.2 复杂环境复现困难：不同驾驶场景难以在实验室稳定复现，缺陷易延至用户端暴露。
2.方案总览：具身智能系统协同测试工作流程
2.1 硬件与执行层：多自由度机械臂操作；人工嘴播放语音指令及噪声；工业相机采集图像；拾音器同步录制语音反馈，形成多通道操作+感知。
2.2 系统逻辑与闭环流程：含任务编排、动作执行引擎、多模态数据采集同步、大模型推理判定、报告生成；测试脚本输入→拆解为操作序列→机械臂与人工嘴执行→摄像头和拾音器采集→大模型实时分析→输出结论，异常时自动重试或探索。
2.3 集成与适配：提供标准化API对接CI/CD流水线，支持自动触发，兼容主流缺陷管理平台实现缺陷自动创建；通过标定工具快速适配不同车型屏幕与按键布局。
3.技术核心：大模型自动解析用例、规划动作序列，以及多模态模型实时感知与智能判定
3.1 自然语言用例解析：基于大语言模型（LLM）将非结构化测试描述转化为结构化操作序列和预期结果，实现零代码脚本生成。
3.2 动作规划与自适应：LLM结合历史数据和UI识别结果动态规划最优操作路径。
3.3 多模态感知与智能判定：视觉-语言大模型（VLM）解析屏幕截图，识别UI元素，结合语音内容综合评判，输出pass/fail结论，并生成问题现象、可能原因及证据描述。
4.落地成效：测试效率提升、软件质量改善
4.1 效率提升：7×24小时不间断执行，人力投入减少70%，效率提升约3倍；支持多台设备并行测试。
4.2 质量改善：结果一致性达99%以上；每轮生成完整执行日志和判定证据链，支撑决策与质量管理。
5.未来展望：系统向整车座舱、人机共驾等场景扩展的规划与价值
5.1 扩展至整车测试，人机共驾测试，大模型自由探索测试，其他硬件多媒体测试。
5.2 标准构建：联合主机厂和检测机构，沉淀数据和体系，提升技术影响力。

听众收益：

1.降本增效新思路：了解如何用“AI+机器人”替代重复人工，大幅压缩测试周期与人力投入。
2.落地实践方法：掌握大模型驱动测试系统的架构设计、关键模块与实施路径，为自身团队引入自动化测评提供参考。
3.前瞻技术视野：获得具身智能在汽车电子领域的最新应用案例，启发更多人机交互场景的智能化改造。

AiDD峰会

K+峰会

联系我们