面灵AI→

白龙马云行科技测开一面:测试提效、压测脚本与自动化稳定性

轮次
一面
时间
2026-10
来源
牛客网

《面试题目》

  1. 自我介绍。
  2. 介绍一个典型的项目,并讲清楚自己发挥的作用。
  3. 讲一下大型项目过程中,如何在指定场景测试提效?再就是根据项目深挖底层逻辑。
  4. 有没有单独负责过性能测试?是否会输出压测脚本?
  5. AI 应用的场景是什么样的?未来测试工作中对于 AI 有什么展望?
  6. 自动化用例维护的节奏、维护的方式,发现过什么问题?
  7. 如何保障自动化用例的执行稳定性?
  8. gap 的原因,以及对新岗位的展望?

《参考解析》

测试提效要落到「哪一段变快了、快多少」:先分层找瓶颈——需求与设计阶段介入(评审时就把验收标准写死,减少后期返工)、用例与数据准备(接口造数、数据工厂替代手工点页面)、环境(一键拉起、影子库、流量录制回放)、执行(并发分片、按改动范围精准选用例、只跑受影响链路)、定位(失败自动归因、日志与链路追踪直接挂到报告上)。每一层都要给出前后对比:原来回归一轮 6 小时、现在 40 分钟,靠的是 8 个分片加 diff 覆盖选例。面试官接着问底层逻辑,一般是想听你解释 diff 覆盖怎么算影响面、分片为什么能线性加速、环境隔离怎么避免互相污染。

性能测试的关键不是会用工具,而是能定位瓶颈:脚本层说清参数化(多用户、多商品)、关联(从响应里提取 token)、断言与思考时间,工具 JMeter、k6、Locust 都行,选一个讲透。指标层看 TPS、P95/P99、错误率、以及服务端的 CPU、GC、连接池、慢 SQL。真正加分的是压出一个瓶颈并说清归因路径:QPS 上不去先看是不是压测机打满、再看应用线程池与连接池、再看数据库锁与慢查询、最后看下游依赖。如果能说出「加机器无效但加连接池有效」这类判断依据,基本就过了这一问。

自动化稳定性靠工程手段,不靠重跑:用例层面用显式等待替代固定 sleep、断言只断关键字段、用例之间数据隔离并自动清理;架构层面让每个用例独立建数据、独立登录、外部依赖用挡板或 mock,环境用容器隔离;执行层面做分层(冒烟分钟级、全量夜间跑)、失败自动重试一次并把重试记录单独统计、报告里带上截图、日志与请求 ID 便于归因。维护节奏一般跟版本走:每次需求变更同步改用例、每周清一次长期失败的僵尸用例、每月看一遍执行时长和最不稳定的前十名。AI 在测试里目前最能落地的是用例生成、日志聚类与失败归因、UI 的视觉断言、以及造数;展望部分要落到可评测——生成的东西必须有人审或用测试集验,否则只是把成本往后挪。

gap 与新岗位展望:说清事实,说清收口:gap 的原因要具体且不甩锅(家庭、健康、一段进修、项目结束后待业),并说明这段时间保持了什么(刷题、写小工具、跟开源)。新岗位展望则把上面聊过的提效和稳定性接上:你想在这套体系里补哪一块,为什么是这家。回答控制在两分钟内,别把 gap 讲成连续剧。