面灵AI→

融和元储能源软件测试一面:无自动化基础的系统怎么起步、POM 分层与内存上涨排查

轮次
一面
时间
2026-11
来源
牛客网

《面试题目》

  1. 请做一下自我介绍。
  2. 你的项目经历里做过自动化回归测试框架,有设计和开发的经验,能讲一讲这块工作是怎么做的吗?
  3. 我们业务的测试工作里有大量配置项和设备参数,做这类工作时你是如何保障自己不会遗漏测试点的?有没有自己的一套测试习惯?
  4. 你的实习经历中有没有涉及性能测试?
  5. 如果要求你针对一个已经在运行、还在不断迭代开发的系统做自动化测试,这个系统没有自动化基础、业务也比较复杂,你会如何开始做自动化的适配?
  6. 你提到了冒烟测试和回归测试的概念,你是如何区分的?这两者之间有什么区别?
  7. 你项目里写自动化测试框架「完整流程用时缩短到八分钟」,这八分钟只包括冒烟测试,还是包括所有回归测试?
  8. 简历里提到借助 AI 工具做测试的经验,你在实际工作中用 AI 的比例和人工思考的比例大概是什么情况?
  9. 你的实习经历都不是能源行业相关的,更偏向纯软件测试,为什么会想到投递我们能源行业的测试岗位?
  10. 我们单位的系统主要是 C/S 架构、在 Linux 环境下运行,你对 C 和 Linux 熟悉吗?
  11. 如果我们的软件长时间在这个系统上跑着,你发现它的内存不停地上涨,你这个时候的排查思路是怎样的?
  12. 在学校有学过一些通信协议吗?基于 TCP 的,比如 Modbus、IEC 60870-5-104 这种。
  13. 在做接口测试的时候会不会遇到断网、突然弹出一个不响应这类异常情况,或者弹窗干扰,你是怎么解决的?
  14. 因为行业不同,你觉得稳定性测试在 Web 系统上和在工控机器上有哪些关注点可能是相一致的?
  15. POM 自动化测试框架是怎么分层的?
  16. 你在测试过程中有没有碰到过版本快上线了,但发现一个中高风险的 bug,开发又说这个改动量比较大、风险也比较高,那你会怎么处理?
  17. 反问环节。

《参考解析》

无自动化基础的老系统怎么起步:第一步不是写脚本,而是补可测性——确认有没有稳定的测试环境与独立的测试数据、接口是否可以直接调用、日志能否定位问题、数据库能否按用例准备和回滚。第二步定范围:先挑核心主流程与高频改动的模块,把手工冒烟用例整理成清单,优先做接口层自动化,UI 自动化只覆盖入口与关键链路,因为 C/S 与界面层的脚本维护成本最高。第三步搭骨架:用例与数据分离、失败自动截图与日志、独立的环境配置,先接进每日构建让它每天跑起来。第四步才是扩量,按缺陷密度和改动频率排优先级,把每次线上问题都补成用例。收益要用可度量的口径说明:回归一次节省的人工时长、问题发现从生产前移到构建阶段的比例。

冒烟与回归的区别:冒烟是构建产出后对主要功能做的快速健康检查,范围窄、执行快(分钟级),结论是「这个版本能不能进入后续测试」,失败即阻断提测;回归是验证新改动没有破坏既有功能,范围广、用例可累积,通常在提测后与夜间全量跑,关注的是覆盖度与稳定性。区分的依据不是用例内容本身,而是执行时机、通过标准和阻塞级别:同一批用例在提测前的快速跑是冒烟,在迭代末的全量跑是回归。工程上要维护两个集合标签,避免把全量回归挂在冒烟门上拖慢反馈。

配置项与设备参数如何保证不遗漏:先把配置项建模成参数矩阵,标出类型、取值范围、默认值、是否可热更新、与哪些设备参数耦合;再用等价类与边界值收敛取值,用判定表处理「配置 A 打开时 B 才生效」这类依赖,用成对组合(pairwise)把多维参数压到可执行的数量级,而不是全排列。同时维护需求—测试点—用例的追溯矩阵,每个配置项对应到具体用例编号,新增配置时由矩阵反查缺口。把矩阵做成数据驱动的自动化用例,回归时逐行跑,漏测就变成脚本失败而不是靠人记。

内存持续上涨的排查:先确认现象,看监控曲线是阶梯式上涨还是持续线性增长,区分内存泄漏与缓存 / 连接池的自然增长;再看进程维度,top、/proc/<pid>/status 的 VmRSS、/proc/<pid>/smaps 判断是堆还是映射段在涨,lsof 看文件描述符与 socket 是否同步增长。C/C++ 程序用 valgrind massif 或 tcmalloc 的 heap profile 定位分配点,Java 程序用 jmap 取堆快照做两次对比、jstat 看老年代是否只增不减。复现手段是压测跑长稳,按固定间隔采样堆快照看增量集中在哪个类型。还要排除三类常见误判:日志缓冲区未落盘、定时任务或事件监听器重复注册、数据库连接未归还。

POM 的分层:自下而上一般分四层——基础层封装驱动、显式等待、日志、截图与异常处理;页面对象层一个页面一个类,只放元素定位与页面级动作(登录、提交表单),不放断言;业务层把多个页面动作编排成业务流程,例如「新建工单并审批通过」;用例层负责数据准备、调用业务动作、写断言与清理。再往外是配置层(环境地址、账号、超时)与报告层。关键约定是页面对象不写断言、用例不写元素定位,这样界面改版只改页面对象,业务变化只改业务层,脚本的维护面被压到最小。

上线前发现中高风险 bug 怎么处理:先做影响面评估,说清楚这个缺陷触发条件、复现概率、影响的功能入口与用户范围,以及是否存在规避方案(开关、配置、临时绕行)。然后把结论交给产品与项目经理决策,测试提供的是判定依据与建议,而不是自己拍板放行或一票否决。如果决定带缺陷上线,要留下书面记录:缺陷单、风险评估结论、规避方案、上线后的观察指标与回滚预案;如果决定修,就同步评估改动带来的回归范围,把受影响的用例圈出来重点跑。面试官问这道题,看的是你会不会把「技术风险」翻译成「业务决策」。

AI 工具与人工的分工:可复现的做法是把 AI 用在产出密度高、判定成本低的环节——根据需求与接口文档生成用例草稿、把失败日志和堆栈做初筛归类、生成脚本骨架、把缺陷描述改写成可复现步骤;人工负责正确性判定:边界是否齐全、业务语义是否成立、断言是否真的验证了预期、结果能不能复现。比例不是重点,重点是有没有校验环节:AI 生成的东西必须跑一遍、抽检一遍才进用例库,否则会积累一批看起来覆盖了实际无效的用例。

Web 与工控稳定性测试的共同关注点:两者都关心长时间运行下的资源是否单调增长、异常后的自恢复能力(断网重连、进程重启、超时重试)、数据在异常中断后的一致性、以及告警与日志能不能支撑定位。差异在于工控侧对实时性与确定性要求更高,通信协议(Modbus、IEC 60870-5-104)的超时、重传、异常码要单独设计用例,还要覆盖现场设备掉线、时钟跳变、双机切换这类场景。回答这类题时把「长稳 + 异常注入 + 可观测」作为共同骨架,再补行业特有的协议与实时性,比泛泛谈测试类型更有效。