2025QECon全球软件质量效能大会：解码教学场景化AI测试升级密码：基于AI-Native的测试生产力提升探索

熊小伟｜高途熊小伟高途教育科技集团质量部负责人高途教育科技集团（NYSE：

GOTU）

是一家兼具教育基因和科技驱动力的科技教育公司

，

2014年6月由陈向东带领创建

，

2019年6月在美国纽交所上市

，是全球A轮融资后直接上市的科技教育第一股。高途集团的使命是

“让学习更美好”

，

slogan是

“名师出高途”

，

旨在“打造人人乐用的终身学习服务平台”。

经过11年多的创业、

创新和创造

，

高途集团的线上业务高速增长

，线下业务快速发展

，

并且充分发挥AI作为新质生产力的强大优势

，全面赋能教育生态的智能化跃升。

“高途”正在成为越来越多的学生和家长喜欢和信赖的品牌。高途集团的业务涵盖了面向中小学生成长和学习的产品和服务、

面向大学生与成人成长和学习的产品和服务、

面向出国留学人群咨询和学习的产品和服务

，

以及以内容和文化为内核的直播电商等。

截至目前

，

高途旗下全资子公司超过100家

，在全球30多座城市设有分支机构

，

累计服务近9千万学员

，遍布世界138个国家和地区。 AI驱动的用例生成实践•

双路径用例生成体系•

用例优化实践•

用例转换•

转换示意

效果收益与未来展望•

价值量化•

未来发展路线图

智能覆盖率补全机制•

精准分析的实现•

代码覆盖的染色•

AI代码覆盖的智能分析•

智能补全

背景与挑战•

教学服务生态示意图•

教学场景的复杂性•

核心问题定义•

技术方案架构•

工具整合与深度解析•

覆盖率染色与溯源•Road

Map2

技术方案架构目录5134PART

01背景与挑战

教师互动→学生端实时数据

多端协同

，数据共享信息流说明

B端提供课程信息→教师端和学生端

学生互动→教师端和B端B端服务排课逻辑

排课系统→课程数据

课程数据→排课算法

排课算法→生成课表

教师端上课

教师登录→查看课表

查看课表→进入课堂

进入课堂→教学互动学生端学习和交互

学生登录→查看课表

查看课表→进入课堂

进入课堂→学习资料

进入课堂→提问互动

教学服务生态示意图

工具孤岛不同语言的覆盖率工具（如Jacoco、gcov、

Istanbul）各自为战

，难以协同。

数据碎片无法统一评估跨语言的整体测试充分性

，导致测试盲区。

人工依赖用例设计和执行严重依赖人工经验

，效率低下且容易出错。

教学场景的复杂性当前教学服务生态面临多端多语言并存的复杂性

，带来了一系列测试挑战

盲区识别难关键业务路径的测试遗漏难以被及时发现

，增加系统风险。PC端

移动端鸿蒙WEB端小程序端

Swift

Kotlin Vue/React Java=GO

GoC++

问题二如何利用AI技术大幅提升测试生

产力？用例设计和执行严重依赖人工经验

，效率低下且容易出错。传统测试方式速度慢

，难以适应快速迭代的开发节奏。

问题三如何实现智能化的测试用例补全？关键业务路径的测试遗漏难以被及时发现。未覆盖代码的补全依赖人工分析

，耗时且易出错。

核心问题定义面对多语言、多端口的复杂业务场景

，我们明确了以下三大关键问题：如何构建多语言统一的覆盖率评估体系？不同语言的覆盖率工具各自为战

，难以协同。无法统一评估跨语言的整体测试充分性

，导致测试盲区。

解决方案

：将传统测试向智能化测试转变，减少人工依赖。解决方案

：统一多语言覆盖率工具链

，打破工具孤岛和数据碎片。

解决方案

：通过AI智能体驱动测试完善，解决盲区识别难题。AI-Native转型

智能生成自主性增强一体化整合问题一数据标准化自动化转换智能分析跨端聚合自动补全PART

02技术方案架构PC端移动端WEB端小程序数据标准化

跨端聚合

智能准出可视化分析AI智能分析引擎数据标准化与聚合层IstanbulJS/TSSwift覆盖率JacocoJavagcovC++其他工具

技术方案架构将不同语言（Java、

C++、JS/TS、Swift等）

的覆盖率数据统一为标

准格式整合PC端、移动端、WEB端、小程序等多个应用端的覆盖率数据通过多维度覆盖率热力图等形式，直观展示覆盖率情况

，便于分析基于预设的覆盖率阈值

，实现自动化质量门禁

，确保代码质量多工具数据整合的通用流程数据采集

转换与标准化数据存储聚合与分析报告生成 Istanbul数据整合 JavaScript代码覆盖率插桩技术 JSON格式数据生成与合并 Source

Map转换与可视化 JaCoCo

Agent配置

容器化环境下的Java

Agent配置

字节码插桩原理与实现 TCP

Socket

Server模式数据采集</>

gcov内存实现

C/C++编译器插桩机制

.gcno与.gcda文件解析 lcov工具与HTML报告生成

工具整合与深度解析•defcalculate_total(price,quantity):•return

price*

quantity•defapply_discount(total,discount):•••return

total*

(100

-

discount)/

100•defprocess_payment(user,amount):•ifuser.balance

<

amount:

8可视化效果

热力图展示不同颜色标识覆盖来源，直观展示覆盖情况Q

追溯能力点击代码行

，查看具体覆盖来源

，便于问题定位和分析

覆盖率染色与溯源机制

染色标记系统通过不同颜色标记代码行的覆盖来源

，实现直观可视化实时更新测试执行过程中动态着色

，实时反映覆盖情况自动化用例绿色标记

，

自动生成的测试用例覆盖手工用例蓝色标记

，人工设计的测试用例覆盖手工用例覆盖

自动化用例覆盖

用户行为覆盖无覆盖用户行为橙色标记

，用户实际行为覆盖</>覆盖率热力图示例if

discount

>

100:4return

0

572631Road

MapAI测试分身PART

03AI生成用例的实践

路径一：

自然语言→功能用例通过AI技术将需求文档转化为功能用例

，实现从自然语言到结构化测试用例的自动转换需求文档NLP解析场景提取用例生成

关键技术

领域专用NLP模型训练

，针对特定业务领域优化

业务场景模板库构建

，加速用例生成

上下文增强的prompt工程

，优化用例生成效果

路径二：用户行为→

自动化用例基于真实用户行为数据生成自动化用例

，实现从用户交互到自动化测试脚本的自动生成用户操作日志行为路径还原操作序列提取脚本生成

核心优势

基于真实用户行为

，生成的用例更贴近实际使用场景

自动发现边缘场景和异常路径

，覆盖人工难以察觉的测试点

跨平台自动化脚本生成

，支持多平台测试

双路径用例生成体系质量评估与迭代通过评估、验证和反馈优化

，形成闭环迭代提升用例质量。

完整性评分

：场景覆盖度、边界条件完备性、业务合理性

A/B测试验证：对比AI与人工设计用例的执行效果

反馈优化

：基于测试执行结果持续优化AI用例生成策略

形成闭环迭代

，持续提升用例质量多轮对话式调优通过模拟测试工程师与AI助手的多轮

对话

，逐步细化和完善用例。生成用户登录功能的测试用例已生成基础登录用例

，包含正常流程、

密码错误、账号不存在等场景考虑并发登录和会话管理补充生成

：同账号多设备登录、session超时、踢下线等场景

使AI更精准理解测试需求

，生成更全面的用例上下文增强通过为AI模型提供丰富的上下文信息

，显著提升用例生成的准确性和完整性。

业务领域知识注入

历史用例库参考

业务规则约束

提升用例生成的准确性和完整性

功能用例生成的调优实践

上下文增强Prompt模板示例prompt_template

=f\"\"\"业务领域：

{domain_knowledge}历史用例库：

{historical_cases}业务规则约束：

{business_rules}基于以上上下文

，为以下需求生成测试用例：需求描述：

{requirement}\"\"\"

上下文增强策略通过为AI模型提供丰富的上下文信息

，显著提升用例生成的准确性和完整性。上下文信息包括业务领域知识、历史用例库和业务规则约束

，为AI模型提供了更全面的背景

，使其能够生成更符合实际业务需求和规范的测试用例。

需求描述需要测试的需求规格

，是用

例生成的核心依据

业务领域知识包含产品、行业、技术的特定知识

，帮助AI理解业务背景

历史用例库累积的测试用例集

，作为AI生成用例的参考和学习样本

业务规则约束确保生成的用例符合业务逻

辑和系统约束

上下文增强的Prompt案例

实现效果示意EB端

EB端操作步骤分解将解析后的功能用例步骤分解为一系列可执行的操作序列

，如导航、输入、点击、验证等。这些操作序列可以被直接翻译为自动化测试代码。跨平台代码生成根据分解的操作序列和元素定位信息

，AI自动生成适用于不同测试框架和平台的自动化测试脚本。如：

同时生成SeleniumWeb

Driver版本和Appium移动端版本的测试代码。功能用例解析AI对功能用例进行结构化解析

，提取关键步骤和预期结果

，为后续自动化做准备。例如

：将"用户登录"用例分解为打开登录页、输入用户名密码、点击登录等步骤。

功能用例->自动化用例的智能转换智能元素定位AI结合视觉识别和DOM分析

，为UI元素生成稳定且具有自愈能力的定位器。如：

同时使用ID、

Name、XPath等多种定位方式

，结合视觉截图作为备用定位策略。Step4跨平台代码生成Step

2操作步骤分解Step

1功能用例解析Step

3智能元素定位Step

3:智能元素定位结合AI视觉识别和DOM分

析技术

，智能定位页面元素element_locator

={"username":{"primary":

"id

=username","fallback":

["name

=username",

"xpath

=//input[@type

='text']"],Step

1:功能用例解析将功能用例作为输入

，解析其步骤和预期结果输入

：用户登录功能用例-步骤1

：打开登录页面-步骤2

：输入用户名"test123"-步骤3

：输入密码"password"-步骤4

：点击登录按钮-预期

：跳转到首页#Selenium

Web

Driver版本def

test_login():driver.get("http://example.com/login

driver.find_element(By.ID,"username").send_keys("test123")

driver.find_element(By.ID,"password").send_keys("password")operations

=

[{"action":

"navigate",

"target":

"/login"},{"action":

"input",

"element":"username",

"value":"test123"},

转换代码示意

转换效果统计8倍转换速度提升Step4:跨平台代码生成根据操作步骤和元素定位

，生成适用于不同平台的自动化测试代码10%元素定位准确率提升将功能用例分解为一系列可执行的操作步骤Step

2:操作步骤分解20%脚本稳定性提升100%跨平台适配率实现效果示意-前端实现效果示意-后端PART

04智能覆盖率补全

基于静态代码精准链路分析ACA（AccurateCallAnalysis）•Java

Call

Graph：

根据class信息解析

，生成Java项目中类、

方法调用完整链路•Jgit：

G

It管理工具Java版

，

用于代码拉取、

增量分析•smart-doc：

Spring项目接口解析工具

，

用于解析项目下所有Controller类及服务接口信息以Jacoco为例

，整体染色需要自动化平台带标、流量侧透传、jacoco二开后染色

，覆盖率数据解析。

代码覆盖率染色publicclass

PaymentService{publicResultprocessPayment(PaymentRequestrequest){

//

已覆盖：正常支付流程if(request.isValid()){returnhandleNormalPayment(request);

}未覆盖

//：异常处理分支if(request.getAmount()>MAX_AMOUNT){

return

Result.error("金额超限");}未覆盖：特殊

/付方式if(request.getPayType()==CRYPTO){returnhandleCryptoPayment(request);

业务场景级别分析从业务场景的角度，评估各个业务流程的覆盖率。

正常支付流程✅95%

异常处理流程×30%

余额不足✅

网络异常×

特殊支付方式×20%

中优先级异常处理和边界条件，可能导致系统不稳定。例如：异常处理流程中的网络异常分支

低优先级罕见场景和兜底逻辑，对业务影响相对较小。例如：特殊支付方式中的加密货币支付

高优先级核心业务路径的未覆盖分支，对业务影响大。例如：支付流程中的金额校验分支AI代码覆盖智能分析行级别分析通过分析代码行，识别未被测试用例覆盖的分支和逻辑。</>

代码

增量分析和染色效果AI补全分析PART

04效果收益与未来展望在高途基本实现了40%的增量代码由AI生成的自动化用例去覆盖的。

过程数据量化质量效果的提升

线上bug降低-42%

从69个/月降至40个/月借助于CodingAgent代码量同比增长30~40%的前提下质量侧数据表现有显著提升

故障分-50%

质量导致的事故显著减低

结果数据量化39.5%

测试时长43%降低至26%Q

测试时长占比降低技术创新价值

行业首创：提出了多语言覆盖率统一评估方案

，填补了行业空白 AI-Native：将人工智能深度应用于测试领域

，推动了测试技术的革新

标准化：形成了可复制推广的技术解决方案

，具有广泛的应用前景行业首创：多语言覆盖率统一评估方案项目首次实现了跨语言、跨平台的统一覆盖率评估体系

，打破了工具孤岛和数据碎片

，为行业提供了标准化的测试质量评估方法论。通过AI技术赋能

，大幅提升测试生产力

，为软件质量保障提供了创新解决方案。效率革命价值

生产力跃升：测试效率整体提升30%左右

，极大地释放了人力

自动化转型：推动了人工测试向智能测

试的转变

免测占比提升：开发免测率为20%左右，

bug逃逸率3‰质量保障价值

覆盖率提升：代码覆盖率从60%提升至80%

，有效降低了测试盲区

风险前移：提测前开发自测的代码覆盖预计有20%

交付信心：软件发版质量和效率双重提升

，增强了团队的交付信心

高途内部核心价值总结

量化测试充分性

突破"单端单语言"局限，从端到端、全语言维度量化代码覆盖

客观反映测试用例对业务逻辑的

覆盖完整性

建立科学的测试准出标准，如核

心功能模块多端多语言覆盖率≥95%

暴露架构设计缺陷

多端代码复用率低、多语言处理

逻辑冗余等问题暴露无遗 将代码覆盖率作为架构健康度的观测指标

倒逼技术团队优化多端多语言架

构，