AI 测试面试题：AI 生成测试用例的质量评估体系怎么建

《面试题目》

1. AI 生成测试用例的质量该怎么评估？
2. 评估的核心维度有哪些？
3. 怎么设计一个可落地的打分模型？
4. AI 生成用例最常见的缺陷是什么？

《参考解析》

六个维度，按重要性排序：

1. 需求覆盖度（最重）。把所有需求点、前置条件、分支与异常场景列成清单，与用例做双向追踪，看有没有漏。漏掉边界值、异常流、反向场景是最常见的扣分点。
2. 正确性。步骤与预期结果是否符合业务逻辑、参数是否写对。AI 最容易在这里「脑补业务规则」，所以必须对着需求文档或接口定义核验。
3. 可执行性。拿到用例能不能不靠脑补直接跑：前置条件、测试数据、操作步骤、断言是否齐全。典型不合格是「点一下按钮，看是否正常」这种没有定位信息和参数的写法。
4. 冗余度。AI 倾向大量生成高度相似的用例来堆数量，需要按场景聚类去重、合并同类。
5. 边界与异常完整性。边界值、非法入参、空值、超长、特殊字符、网络异常、权限、并发——AI 默认优先生成正向流程，异常场景通常要靠提示词显式要求。
6. 规范性。统一模板：用例 ID、模块、标题、前置条件、步骤、预期结果、优先级、严重级别。

打分模型：需求覆盖 30 分、无业务错误 25 分、可直接执行 20 分、边界异常齐全 15 分、无冗余且格式规范 10 分。落地时定三档：60 分以下必须大改、60-80 微调可用、80 分以上可直接进评审。这样能把「AI 生成的初稿能不能用」变成一个可比较的数字。

两类高频缺陷：幻觉（编造不存在的接口、页面字段、业务规则）与场景片面（只有正向用例）。对应的工程手段是给模型喂真实的接口定义与原型、并要求它先输出「覆盖矩阵」再出用例，人只需要检查矩阵的空洞。

最后一句判断：AI 生成用例的价值在「把覆盖率快速拉到及格线」，把评审者的时间从「想用例」转移到「补异常与判定」。评估体系的目标不是证明 AI 好用，而是让团队知道哪一档可以直接用。