论坛主席：郭晓辉
17年质量相关从业经验，在质量体系建设，AI赋能测试方面积累了丰富的经验。加入平安人寿前，曾供职于腾讯、百度等多家知名互联网企业。多次带领团队在顶级行业峰会做研发管理&质效、AI重塑测试&自动化、智能化软件评测等领域报告分享，获得广泛关注。
平安人寿 科技研发/质量管理团队副总经理

从AI辅助到自主测试

本论坛聚焦测试能力从“人主导、AI辅助”迈向“Agent自主驱动”的转变，探讨智能测试如何应对复杂业务、海量数据和快速迭代带来的压力。论坛将围绕场景生成、用例构造、自动执行、缺陷识别、边界探索、报告复盘等主题展开，分享AI Agent在测试设计和执行中的实践路径。听众将获得构建新一代智能测试体系的思路与方法。
NL2Test Agent：业务流量驱动的回归测试用例生成
董 震
复旦大学 计算与智能创新学院副教授、博导
内容简介：
AI辅助编程提升了代码生成效率，也对软件质量验证提出了更高要求。本报告围绕AI赋能软件测试，分析学术研究与工业实践的核心问题及技术路线，重点讨论领域知识驱动的测试生成与自动化正确性判定。结合NL2Test Agent与基于强化学习的测试判定生成研究，介绍从自然语言需求到可执行测试及判定条件的技术方法，探讨其有效性、适用边界与开放问题。

演讲提纲：
1.工业背景与关键挑战
1.1快速迭代环境下自动化回归测试的构建难点
1.2从流量录制到可重放测试的差距
1.3从代码可执行到业务验证正确的差距
2.NL2Test：从场景描述与业务流量生成测试
2.1面向业务场景的测试生成流程
2.2请求筛选与动态数据依赖恢复
2.3结合语义理解与确定性校验生成测试脚本
3.RESTOR：基于强化学习的测试断言生成
3.1单个请求—响应样本下的测试预言问题
3.2关键字段识别与正负样本构造
3.3基于执行反馈的奖励设计与模型优化
3.4平衡断言覆盖、验证强度与稳定性
4.工业评估与落地经验
4.1测试生成质量与工程师采用情况
4.2人工审查与现有测试工作流的融合
5.总结
经验总结

听众收益：
1.了解AI赋能测试的主要技术路线
2.了解AI运用领域知识开展测试的难点
海德堡大学博士，复旦大学计算与智能创新学院副教授、博导，CodeWisdom 团队主要成员。软件工程专业委员会执行委员、入选上海市高层次人才计划。主持国家自然基金委面上基金、国家重点研发子课题，参与国家科技创新2030“新一代人工智能”重大项目课题，并参与完成多个国际合作项目（合作方包括卡巴斯基公司、新加坡电信公司等）。长期致力于软件分析与测试，在软件工程与人工智能领域ICSE、FSE、ASE、ISSTA、NeurIPS、IJCAI、FM等国际会议发表40余篇学术论文，并获得ICSE'20杰出论文、ISSTA‘25杰出论文、ISSTA‘26等多个奖项。同时，担任软件工程领域旗舰期刊《Automated Software Engineering》、《Journal of Software:Evolution and Process》编委，国际会议ICSE、FSE、ASE、ISSTA等程序委员，并获得ASE‘22杰出评审、TOSEM杰出评审等荣誉称号。
基于业务知识的智能化缺陷挖掘实践
王美君
平安寿险 质量部门测试经理
内容简介：
本案例聚焦中国平安人寿保险股份有限公司在保险业数字化转型与银行合一政策背景下，应对测试投入年降10%+、人效承压及AI代码率高但质量难保障的挑战，探索出可复制的全链路智能测试实践。围绕“目标—活动—方法—工具—人员”五维架构构建AI测试体系：目标层量化追踪质量、效率等维度；活动层聚焦AI用例设计质检等五大主线；方法层遵循“挖掘—验证—工程化—赋能—复制”五步机制；工具层依托平安AI智能体及自动化测试平台提供技术支撑；人员层实现业务与AI双向赋能。平台采用“大模型+知识库+智能体”三层架构，为AI用例设计、数据准备、自动化、缺陷预发现及评价改进赋能。项目已形成系统化知识产权布局，累计提交AI测试相关专利提案26项。  

演讲提纲：
1. 发现问题
1.1 寿险复杂业务测试核心挑战
1.2 测试资源收缩下的质量压力公司
2. 探索历程
2.1 传统缺陷挖掘模式局限性
2.2 大模型赋能测试的技术机遇
2.3 市面通用AI扫描代码发现缺陷工具技术短板
2.4 智能化缺陷挖掘的落地核心诉求
3. 思考和破局
3.1 核心破局思想：打破纯代码扫描模式，实现代码+业务知识双向融合
3.2 第一个实现阶段（demo验证期）：实现方案和遇到的问题
3.3 第二个实现阶段（工程化落地期）：实现方案和遇到的问题
3.4 第三个实现阶段（扩展期）：实现方案和遇到的问题
3.5 最终方案：整体架构设计
3.6 核心技术突破
3.7 工具精准定位与使用规范
3.8工具输出与案例展示
3.9 落地实测成效与数据复盘
3.10 核心价值总结
4. 未来规划
4.1 当前未解决技术与落地问题
4.2 后续技术优化与能力迭代方向

听众收益：
1.可落地的AI全链路测试架构体系（解决“怎么用”）
2.保障质量前提下的提效实操路径（解决“效能痛点”）
2011年毕业在腾讯，2017在华为2012实验室，2017年底在平安，深耕测试多年。
基于多智能体的测试端到端自动流转
黄 旭
中兴通讯 AI应用（软件）TSE
内容简介：
测试流转过程中长期存在断点多、系统切换频繁、测试方案/策略依赖人工、AI应用与现有流程脱节等问题，大模型提效多停留在单点，尚未形成端到端整体提效。
本实践通过构建"总控智能体—管理智能体—业务智能体"三层多智能体协同体系：总控智能体负责端到端流程动态调度；管理智能体与需求管理端协同，实现关联TASK自动创建、DOD准入准出校验与需求状态自动翻转；业务侧建设测试设计、测试方案、测试策略、测试执行、脚本开发、故障横推等业务智能体，覆盖测试活动端到端执行。推动测试交付从人工串联走向多智能体协同自动流转。

演讲提纲：
1.问题提出：测试工作中的痛点（断点多、系统切换频繁、端到端AI应用不足、AI未嵌入流程...）。
2.解决思路：三层智能体协同总体架构、交付流与价值流协同、知识消费与回流。
3.具体实践：业务智能体（测试设计、测试方案、脚本开发等）的实现；管理智能体的协同实现；总控智能体的智能调度。
4.效果及推广：内部落地产生的价值、推广建议、展望收尾

听众收益：
1.获得一套可复用的多智能体协同架构与工程化落地路径
2.收获大模型在测试高风险场景下的可控落地与避坑经验
中兴通讯 有线产品经营部 波分研发中心 TSE，目前主要负责测试设计AI改进、测试域端到端改进等，立足波分产品实现测试域提效提质目标，并横推至数据、FM等其它中心产品。
AI 做测试，结论靠得住吗？
——Claude 全流程测试执行的质量保证实践
冯 宇
某海外互联网公司 测试负责人
内容简介：
一名 QA 带着一组 Claude Agent，4 个月测完一个企业后台系统的 10 个版本、80 个需求。七步流程都由 Claude 执行：需求分析、测试点设计、白盒分析、探索执行、自动化、缺陷管理、测试报告；人负责安排任务和检查结果。效率上去了，新问题也来了：AI 出错的时候，看起来往往是对的。187 条用例全绿，却漏了 2 个入口；复现 30 次的缺陷，其实是早年手工插入的脏数据；长会话把没做的事报成"已提交"。本次分享基于 130 多条真实踩坑记录，把 AI 测试的错误分成三类：对象错误、工具失效、前提错误。然后介绍我们怎么用 CLAUDE.md、Skill、Memory、双知识库和多 Agent 并行，给每一步设质量关卡，让 AI 给出的测试结论真正靠得住。

演讲提纲：
1. Claude 怎么跑完全流程：接入了哪些能力（MCP、数据库、源码、Agent 平台），七步分别做什么
2. 质量风险：AI 会在哪里出错。分三类错误讲六个真实案例
3. 质量保证：人、主会话、Skill、知识库、Agent 每层各防一类错，流程每一步设一道关卡
4. 怎么落地：从 3 条规则起步，边用边迭代；多 Agent 并行时 worktree 隔离和资源争用的坑

听众收益：
1. 一套能直接参考的 AI 全流程测试方法：七步流程、三端验证、提缺陷前的三道检查、任务书模板
2. 一个判断 AI 测试结论能不能信的框架，围绕三个问题：测的对象对吗？测试工具可靠吗？前提假设成立吗？
3. 一条低成本的落地路径：第 1 周就能用起来，然后把每次纠正存成规则、记忆和 Skill

14 年质量工程经验，曾在消费金融、保险 SaaS 公司担任测试负责人，主导过千万级用户金融 App 的质量保障与效能平台建设，现专注 AI 原生全流程测试。
活动特惠

免费领取大会电子版PPT

京ICP备2020039808号-4

京ICP备2020039808号-4 京公网安备11011202100922号
返回顶部