深信服 AI 测试开发二面:因子互斥依赖与非法组合的覆盖策略
- 轮次
- 二面
- 时间
- 2026-11
- 来源
- 牛客网
《面试题目》
- 简单介绍你的实习和项目经历。
- 实习结束了吗?有没有转正 offer?
- 秋招进展怎么样,自己满意吗?
- 你希望在哪个城市工作?为什么选择一线城市?
- 详细讲实习项目:业务背景、实现功能、技术架构、你做的核心工作。
- 测试用例生成时,遇到因子之间存在互斥、依赖等约束关系,怎么处理?
- 如果正交组合产出大量非法、冲突的因子组合,过滤后很多场景被剔除、覆盖不足,怎么解决?
- 如果要求基于大模型保证覆盖策略完整覆盖,你会怎么做?在这套系统里,大模型承担了哪些角色?
- 你怎么评价这个项目?优点、现存短板是什么?如果再给你一年时间,怎么优化?
- 你了解业界 AI Test 的实现方案和未来发展趋势吗?
- 实习的工作氛围、强度怎么样?
- AI 测开是否符合你的职业规划?
- 你有什么想问我的?
《参考解析》
因子约束怎么建模:把约束显式写出来,而不是靠生成后过滤。互斥(A 与 B 不能同时取某值)用禁止元组(forbidden tuple)表达,依赖(选了 A 就必须选 B 的某值)用蕴含式表达,数值范围用区间约束。生成时把约束交给求解器或约束满足算法(如带约束的 IPOG、CSP/SAT 求解),在组合过程中直接排除非法取值,而不是先笛卡尔积再过滤——后者在因子多时组合数爆炸,且过滤后覆盖率不可控。
非法组合过多、覆盖不足怎么办:先量化——统计被过滤掉的组合占比与被剔除的取值对,找出是哪些约束在大量排除。处理顺序:放宽不必要的约束(很多约束是业务口头约定,不是真实限制);对强约束因子做分层,把互斥的因子拆到不同测试集;用覆盖目标驱动生成(优先保证 pairwise 覆盖,再对高风险因子做三因子覆盖);对确实无法组合的场景单独建用例,不强行塞进正交表。最后给出覆盖率报告:已覆盖的取值对、未覆盖的原因、风险等级。
大模型在这套系统里的角色:适合做「理解与表达」——从需求文档、接口文档、历史缺陷中抽取因子与取值,生成自然语言用例步骤与预期结果,对失败用例做归因摘要,把人工写的模糊约束转成结构化约束;不适合做「组合正确性」的保证,因为组合覆盖是确定性计算,应该由约束求解器与覆盖统计算法完成。合理的架构是模型产出结构化输入(因子、取值、约束候选),程序做校验、生成与覆盖统计,模型再对结果做可读性润色与异常解释,关键约束由人确认。
项目评价与一年优化:讲优点要落到可验证的结果(用例生成时间、覆盖率、漏测数),讲短板要具体(约束靠人工维护、模型输出不稳定、失败归因不准、与 CI 集成浅)。一年优化按优先级排序:先把约束建模与覆盖统计做扎实,再补回归集与评测基准,然后接进 CI 做门禁,最后才扩大模型的使用范围。
业界 AI Test 的方向:一是用例生成(需求/接口文档 → 用例),二是测试执行(视觉定位、自然语言驱动 UI 自动化),三是失败归因与缺陷聚类,四是测试数据构造与 mock。共同的门槛不是模型能力,而是评测——没有稳定的评测集就无法判断「AI 生成的用例是不是更好」,所以落地顺序通常是先建评测与回归,再谈自动化比例。