AI TESTING LAB

AI Testing Lab

定位：QA / SDET + AI Testing Engineer。把大模型放进可复用的测试工作流，而不是停留在 Demo。

原则：AI 负责加速草稿，评审闭环决定能否交付。每个方向都要能接到真实产物（用例、自动化、报告）。

查看工程案例

已上线产品

AI Test Case Generator

Live

问题

需求来自 PDF / 截图 / 草稿时，手工整理场景与边界用例成本高，且难以复用。

做法

多模态输入 → AI 生成 → 测试经理 / 开发经理 / 产品经理三角色评分评审 → 导出 Excel / Markdown / XMind；支持 Docker / 本地源码 / npm / OpenClaw。

输入 → Requirement

Test Scenarios
Test Cases
Boundary Cases
Negative Cases

Requirement
Multimodal parse
LLM generation
Review loop
Export / install

GitHub 开源
Docker 镜像
ClawHub 可安装技能
案例页含实时安装量

查看工程案例

研究方法线

以下三条不是随便列的概念标签，而是同一套 AI Testing 能力地图里的下一阶段方法——当前为探索 / 路线图，不伪造仓库。

AI API Testing

探索中

从 OpenAPI / 契约出发，用 LLM 生成可执行用例，再接入现有 API 自动化框架。

OpenAPI
LLM
Test Cases
API Automation

目标产物：可回归的接口套件草稿 + 经评审后的稳定用例。

AI Bug Analysis

探索中

把缺陷报告、日志与堆栈一并交给 LLM，产出可核对的根因假设与复现建议。

Bug Report
Logs + Stack Trace
LLM
Root Cause Analysis

目标产物：结构化 RCA 草稿，缩短定位时间，而不是替代工程师判断。

AI Testing Agent

路线图

用 Agent 串联「计划 → 用例 → 执行 → 发现缺陷 → 报告」的闭环，落在可观测的测试流水线上。

Requirement
AI Agent
Test Plan
Test Cases
Execution
Bug Detection
Test Report

目标产物：可审计的 Agent 运行轨迹 + 报告，而不是黑盒一键「全自动」。

实验室约束

可安装优先

能进 Docker / CLI / ClawHub 的才算交付；幻灯片不算。

评审闭环

LLM 加速草稿；测试 / 开发 / 产品判断决定能否合入。

证据公开

Live 必须有仓库、镜像或案例页；Exploring 只写方法与目标产物。