AIGC（生成式AI）试用 31 -- AI做软件程序测试 2

整合测试项
提问并输出测试用例
思考并调整提问方式，为完整的输年程序测试提问准备

– 再次对需求提问 –> 实际是之前的提问记录找不到了，不过有新发现；不妨后续再对需求提问

> 需求：读入txt文件，过滤文件有关年记录
0）读入txt文件
1）以“。”，中文句号，为界区分一句，最小统计单位
2）年格式：YYYY，4位
3）输出：YYYY：所在句子内容
4）说明
– 一句中包含多个年的，以“，”，中文逗号连接
– 剔除句中的非文字内容：换行符，非正常的标号等
– 按行输出过滤到的有关年记录
> AI提问：需求测试：
根据上述需求
1）使用列表形式对软件需求进行分解、陈述
2）指出需求定义中描述不清晰之处
3）补充未明确定义的隐式需求

个人理解：
1) 输出格式更美观，使得输也逻辑更清晰

2) 新增需求质疑
– 连续年份及年份可扩展性
– 大文件及性能
– 去重排序
– 强化了特殊字符和异常处理

新增内容，见如下加粗、下划线、斜线标记

AI 也在学习吗？下次提问会更完整、更条理？

文心一言

DeepSeek

1）需求分解列表

#	需求描述	输入/输出
0	读取指定路径的txt文件内容	输入：文件路径；输出：字符串形式的文件内容
1	按中文句号”。”分割文本为句子列表	输入：原始文本；输出：句子列表（需处理连续句号/无内容句子）
2	识别句子中的4位年份（YYYY格式）	输入：单个句子；输出：年份列表（需验证4位数字且符合年份逻辑范围）
3	清洗句子中的非文字内容（换行符、异常标号等）	输入：含杂质句子；输出：仅保留中文/标点/数字的纯净句子
4	按格式输出”YYYY：句子内容”，多年份用中文逗号连接	输入：年份列表+清洗后句子；输出：格式化字符串（需处理无年份句子的过滤）
5	按行输出所有含年份的记录	输入：所有处理后的记录；输出：逐行打印的文本

2) 需求描述不清晰之处

– “非正常的标号”定义模糊

> 未明确”非正常标号”的具体范围（如是否包含数学符号、特殊符号、非标准标点等）

> 需确认是否保留中文标点（如逗号、顿号）或仅保留基础标点

– 年份逻辑范围缺失

> 未说明是否需要验证年份合理性（如1900-2100范围），可能误判”0000″等非实际年份

– 句子分割边界条件

> 未定义连续句号（如”。。”）或句号后紧跟其他符号(如”。，”)的处理方式

> 未说明空句子（分割后产生）是否过滤

– 输出格式细节

> 未明确年份在句中的位置是否影响输出（如是否保留年份在句中的原始位置）

> 未说明多个年份在句中的出现顺序是否需与输出顺序一致

3) 隐式需求补充

– 文件编码处理

需自动检测文件编码（如UTF-8/GBK），避免因编码错误导致乱码

– 性能优化

对大文件需支持流式读取，避免一次性加载全部内容导致内存溢出

– 年份去重

> 同一句子中重复出现的相同年份需去重（如”2020年2020年”应合并为单个”2020″）

– 上下文保留

> 输出句子需保留原始标点和格式（除明确需清洗的杂质外），避免破坏语义

– 错误处理

> 文件不存在时需给出明确错误提示

> 非文本文件需进行类型校验

– 扩展性设计

> 可配置是否启用年份范围过滤（如仅提取1900-当前年份）

> 支持自定义分割符（如同时支持”。”和”！”作为句子结束符）

### **1. 软件需求分解与陈述**
以下需求以功能模块和规则形式分解：

| **需求编号** | **需求描述** |
|————–|—————————————————————————–|
| **F0** | **文件读取**：读取用户指定的`.txt`文件，确保编码兼容性（如UTF-8）。 |
| **F1** | **分句规则**：以中文句号“。”为分隔符，将文本拆分为独立句子。 |
| **F2** | **年份匹配**：识别句子中的4位数字年份（YYYY格式，如`1998`或`2023`），排除非4位数字（如`99年`）。 |
| **F3** | **内容清洗**：剔除句子中的换行符、非文字符号（如乱码、特殊标点`#&*`）。 |
| **F4** | **输出格式**：按行输出`YYYY: [句子内容]`，一句含多个年份时，年份以中文逗号“，”连接（如`1998，2023: …`）。 |

—

### **2. 需求描述不清晰之处**
#### **需明确的问题**：
1. **年份格式边界**：
– 是否包含带“年”字的表述（如`2023年`）？需求中仅提及“YYYY”可能需补充正则表达式规则。
– 是否排除非公元年份（如`3000`这类未来不合理值）？

2. **分句规则细节**：
– 是否处理嵌套句号（如`“这是一个测试。”他说。`）？需定义是否拆分此类情况。
– 是否忽略非句号结尾的段落（如以感叹号结尾但包含年份）？

3. **非文字内容范围**：
– “非正常标号”的具体定义（如是否保留常见标点`！？、`）？需明确允许保留的符号列表。

4. **多年份连接逻辑**：
– 若原句已含中文逗号，是否合并到输出中（如`1998，2023: 会议于1998年，2023年召开`）？需避免混淆。

—

### **3. 隐式需求补充**
#### **需额外定义的规则**：
1. **输入限制**：
– 文件大小限制（如支持GB级文件）或编码自动检测逻辑。

2. **去重与排序**：
– 是否合并相同年份的句子？是否按年份顺序输出？

3. **容错处理**：
– 对非法文件（如非文本文件）的报错机制，或对部分乱码句子的跳过处理。

4. **性能要求**：
– 处理速度要求（如每秒处理X条句子），尤其是大文件场景。

5. **扩展性**：
– 是否支持自定义年份格式（如`YYYY-MM`）或跨语言文本（中英文混合）？

—

### **总结建议**
建议在需求文档中补充上述模糊点的明确定义（如正则表达式示例、标点保留列表），并增加异常处理与性能基线说明，以提升实现可靠性。

– 强化测试大纲 –> 定义测试大纲、强化输出格式(区别测试点、测试项、测试数据)

个人理解：
1. 基本测试项完整，各测试项对应的测试点描述准确 — 参考粗体标记
2. 不同AI工具汇总后的测试大纲=测试项+测试点，更完整 — 是否有遗漏呢？
3. 结果的条理性、逻辑性需要按个自习惯进行调整

AI提问：
测试大纲是对测试对象的梳理，包括测试项、测试点的，及测试思路备注。
1. 输出以上需求的测试项和测试点，不需要标注测试预期结果
2. 输出样例，测试项：文本输入，测试点：1）非txt文件；2）大于1M的文件
3. 输出格式，表格形式输出：第1列为测试项，第2列为测试点

文心一言

DeepSeek

测试大纲：需求测试项与测试点（表格形式）

测试项	测试点
文件输入处理	1. 非txt文件（如.docx/.pdf等）
	2. 大于1MB的txt文件
	3. 不存在的文件路径
	4. 不同编码格式文件（GBK/UTF-8/ANSI）
句子分割逻辑	1. 连续句号（如”。。。。”）
	2. 句号后紧跟其他符号（如”。，”）
	3. 无内容句子（如” 。”）
年份识别规则	1. 有效4位年份（如”2025年”）
	2. 非4位数字（如”123″、”12345″）
	3. 边界值年份（如”0000″、”2100″）
	4. 年份与其他数字组合（如”2020abc”）
句子清洗规则	1. 换行符（n、rn）
	2. 异常标号（如”①②③”）
	3. 混合特殊符号（如”*@#$”）
输出格式规范	1. 多年份合并输出（如”2020，2021″）
	2. 无年份句子的过滤
	3. 年份与句子的原始顺序保留
隐式需求验证	1. 同一句子中重复年份的去重
	2. 大文件（如10万行）的性能压力测试
	3. 清洗后保留关键标点（如逗号、句号）

说明：

表格结构：第1列为测试项（功能模块），第2列为具体测试点（覆盖正常/异常场景）。
扩展性：可根据实际测试深度补充测试点（如增加更多边界值或特殊符号）。
执行建议：每个测试点需单独设计测试用例，通过日志或断言验证程序行为。

### **测试项与测试点表格**

—

### **样例说明**
| 测试项 | 测试点 |
|————–|—————————|
| **文本输入** | 1）非txt文件，2）大于1M文件 |

– 手工分解的测试大纲

> 需求：读入txt文件，过滤文件有关年记录 0）读入txt文件 1）以“。”，中文句号，为界区分一句，最小统计单位 2）年格式：YYYY，4位 3）输出：YYYY：所在句子内容 4）说明 – 一句中包含多个年的，以“，”，中文逗号连接 – 剔除句中的非文字内容：换行符，非正常的标号等 – 按行输出过滤到的有关年记录	1. AI很好的帮我们拓展了思路，补充了不足之处 2. 个人思路输出 -> AI辅助 -> 个人思路整理、补充、再拓展
测试项	测试点
文件输入	1. 满足要求的文件：txt 2. 不满足要求的文件 1) 非txt文件 2) 大文件 – 容量大于1G？ – 总行数超过10万行？ 4) 特殊编码文件 5) 不存在的文件
句子识别	1. 标准句子：两个句号“。”之间的内容 2. 特殊句子 1) 段落首句：无前句号 2) 省略号。。。。。。 3) ! ? 结尾 4) 两句号间包含特殊字符 n,t, r 5) 无年份句子
年份识别	1. 4位年份 1) YYYY 2) 一句中包含多个年份 3) 一句中年份有重复 2. 非标准年份: XX世纪，XX年代，YYYY-YYYY，XX年，公元前223年 4. 非年份 1) 非4位数字: 小于4位，大于4位 2) 4位数字但非年份: XXXX吨
结果输出	1. 输出格式：年份：内容 2. 年份格式： 1) 单年份输出 2) 多年份输出: 年份连接符？句中年份排序？ 3) 重复年份输出: 多次输出？输出1次？ 4) 整体输出年份排序: 原序？时间顺序？ 3. 输出方式 1) 控制台输出 2) 文件输出
程序展示	1. 控制台 2. GUI

– 测试用例

个人理解：
1. 格式没有问题
2. 用例覆盖不完整，未有效利用大纲所整理的测试项和测试点：
– 测试项覆盖
– 测试点覆盖不足：测试数据不足
3. 预期结果仅描述，未能体现实际程序实现结果，需按实际再加工

AI提问：
测试用例是对测试执行步骤的描述，基本元素包括序号、测试环境、测试项、测试目的、测试数据、测试步骤、预期结果、设计人、设计时间、实际结果、执行人、执行时间
1. 输出以上需求的测试用例
2. 输出样例，序号、测试项、测试目的、测试数据、测试步骤、预期结果
3. 输出格式，表格形式输出

文心一言 DeepSeek

测试用例（表格形式）

序号	测试项	测试目的	测试数据/文件	测试步骤	预期结果
1	文件输入	验证非txt文件处理	test.jpg（非txt文件）	1. 运行程序并输入test.jpg 2. 观察系统提示	系统提示“仅支持txt文件”并退出
2	文件输入	验证大文件处理能力	生成1.5MB的txt文件	1. 运行程序并输入大文件 2. 记录处理时间	系统正常处理文件，无内存溢出
3	句子分割	验证多句号分割	输入：“句子。句子。句子。”	1. 分割句子 2. 统计分割后的句子数量	分割为3个独立句子
4	句子分割	验证换行符处理	输入：“句子n。句子”	1. 分割句子 2. 检查分割结果	分割为2个句子：“句子”和“句子”
5	年份提取	验证标准年份识别	输入：“2020年是关键年份。”	1. 提取年份 2. 验证输出格式	输出：“2020：2020年是关键年份。”
6	年份提取	验证非年份数字过滤	输入：“电话：2020-1234”	1. 提取年份 2. 检查是否提取2020	不提取2020（假设规则排除非年份数字）
7	非文字内容过滤	验证特殊符号剔除	输入：“2020@年#数据”	1. 过滤非文字内容 2. 检查输出句子	输出句子为“2020年数据”
8	输出格式	验证多年份合并	输入：“2020年和2021年。”	1. 提取年份并合并 2. 检查输出格式	输出：“2020,2021：2020年和2021年。”
9	边界条件	验证最小年份处理	输入：“0001年是起点。”	1. 提取年份 2. 检查是否识别0001	提取0001（若规则允许）
10	性能与稳定性	验证大文件稳定性	生成10MB的txt文件	1. 运行程序并输入大文件 2. 监控内存和CPU占用	系统稳定运行，无崩溃或异常退出

测试样例说明

测试项：文件输入
- 测试目的：验证系统对非txt文件的拒绝能力。
- 测试数据：任意非txt文件（如.jpg、.exe）。
- 预期结果：明确提示文件格式错误，不执行后续操作。
测试项：句子分割
- 测试目的：验证含换行符的句子分割逻辑。
- 测试数据：这是2020年n。这是2021年
- 预期结果：分割为两句话，年份分别关联到对应句子。
测试项：年份提取
- 测试目的：验证粘连字符的年份提取。
- 测试数据：项目始于2020abc年
- 预期结果：提取2020（若规则允许部分匹配）或无提取（若要求严格独立）。
测试项：输出格式
- 测试目的：验证多年份合并输出。
- 测试数据：2020年和2021年是关键年份。
- 预期结果：年份合并为“2020,2021”，句子内容完整保留。

### 测试用例表格

—

### 样例说明（根据用户要求补充）

| 序号 | 测试项 | 测试目的 | 测试数据 | 测试步骤 | 预期结果 |
|——|————–|————————|——————–|————————–|——————–|
| 1 | 文本输入 | 验证非txt文件处理 | 输入`test.docx` | 1. 执行程序 | 提示“不支持此格式” |

—

### 扩展说明
1. **测试环境**：默认需标注操作系统（如Windows 11）、Python版本（如3.9）、依赖库版本等，但用户未明确要求，此处省略。
2. **实际结果/执行人**：需在测试执行阶段补充填写。
3. **隐式逻辑**：
– 若年份嵌入非文字内容（如`【2020】`），需明确是否提取。
– 若句子清洗后为空（如`####`），是否跳过输出。

文章来源于互联网:AIGC（生成式AI）试用 31 — AI做软件程序测试 2

相关推荐: AIGC技术中常提到的 “嵌入转换到同一个向量空间中”该如何理解

在AIGC（人工智能生成内容）技术中，“嵌入转换到同一个向量空间中”是一个核心概念，其主要目的是将不同类型的输入数据（如文本、图像、音频等）映射到一个统一的连续向量空间中，从而实现数据之间的语义和结构信息的统一表示。这一过程通过嵌入技术完成，具体解释如下： 1…

AIGC（生成式AI）试用 31 -- AI做软件程序测试 2

AI 也在学习吗？下次提问会更完整、更条理？

相关推荐

对比kimi、通义千问、文心一言的写代码能力

热门文章

AI大模型,我们的未来