测试没思路？试试用大模型做探索性测试

在日常的测试工作中，我们经常遇到一个棘手的问题：当场景复杂、需求模糊或文档不全时，该怎么开展探索性测试？

这时候，测试人员靠的是经验、直觉以及一点“灵光一现”。但人的思路终究有限，当灵感耗尽，该怎么办？这正是大语言模型（LLM）可以发挥作用的地方。

本文将结合一个日历系统的测试案例，拆解真实测试流程，并演示如何结合启发式方法与 LLM，为探索性测试带来更多可能性。

真实案例：一个加载缓慢的日历系统

我们假设你在测试一个 Web 日历系统，支持显示多个预订。功能简单，但交互不轻松。你在执行探索性测试时，提出了几个关键问题：

页面加载时的表现如何？

导航控件是否响应流畅？

额外预订信息能否顺利查看？

能否通过键盘访问日历内容？

在实际测试中，你发现页面在预订多时非常缓慢，“查看更多”弹窗会超出页面顶部，某些预订根本看不到。键盘导航功能大体正常，但在弹窗中无法聚焦。这些问题并不是显而易见的功能性缺陷，但确实影响用户体验。

这类问题的发现，依赖的是你提出问题的能力。探索性测试的核心不是点点点，而是问对问题。

问题来了：思路枯竭时怎么办？

当你对页面的常规交互都测试了一遍，测试思路开始变得“干瘪”——还有哪些场景没覆盖？是否有隐蔽的交互没触发？从哪里寻找下一个测试切入点？

这时，你可以借助一些启发式方法（Heuristics）来帮你跳出已有思维框架。例如，PAOLO 就是一种专门用于可视化界面测试的助记符：

Portrait：竖屏视图下的表现

Audio：是否涉及音频输出

Objects：界面中是否有其他影响交互的对象

Landscape：横屏视图是否适配

Overlay：是否有遮挡层影响内容展示

每个关键词都能引导你提出一个新的问题，从而激发新的测试路径。虽然这些方法不能代替测试经验，但它们是测试思路的“加速器”。

LLM登场：让大模型帮你“脑暴”测试点

你也可以把启发式方法转化为提示语（prompt），让大语言模型帮你生成测试想法。

试试这样的设计思路：

“你是一位探索性测试人员。以下是五个测试维度（###Portrait、Audio、Objects、Landscape、Overlay###），请针对每个维度提出适用于高预订日历系统的测试点，格式为：维度名称 + 测试建议。”

将提示语输入 ChatGPT 或其他 LLM 工具后，你可能会得到如下输出：

Portrait：在移动设备的竖屏模式下，是否存在横向滚动问题？“查看更多”按钮是否超出可视区域？

Overlay：弹窗是否与底层内容冲突？多个弹窗叠加时是否能正常关闭？

Audio：是否考虑语音辅助功能，是否支持屏幕阅读器？

这些测试点并非模型凭空想象，而是基于上下文和提示生成的逻辑推理。对于熟悉 prompt 工程的测试人员来说，这是另一种形式的“思维外包”。

Few-shot技巧：训练模型理解你的“节奏”

为了让模型给出你想要的答案格式，你可以先示范一两个例子，即 few-shot learning。

例如：

Portrait：检查竖屏下按钮是否重叠。

Overlay：确认弹窗是否会遮挡导航元素。

接着告诉模型按照同样格式，继续输出剩下几个测试点。这种“以例带学”的方式，能大幅提高模型回答的质量和实用性。

你甚至可以将这些 prompt 封装成脚本、自动化流程或测试模板，实现“批量脑暴”，提升测试覆盖效率。

手工与智能：不是对立，而是协作

需要强调的是，LLM 并不是要取代你的判断，而是帮助你提出你可能没想到的问题。它可以补充经验的盲区，也可以用不同的语言风格表达你的思考，反过来激发新的思路。

测试人员应该把它视为一个智能助手，尤其适合在以下场景中使用：

探索性测试初期，快速构建测试覆盖范围

遇到思维瓶颈时，拓展问题维度

编写结构化测试记录或测试报告时

LLM是一种测试思维增幅器

、

探索性测试的难点从来不只是操作页面，更在于持续提出“有价值的问题”。人类的经验和判断力不可替代，但也有局限。而 LLM 提供了一种低门槛、高回报的方式，帮你在关键时刻激发新思路、探索未知场景。

也许，未来的探索性测试，会在“人脑 + 大模型”的协作模式下，走得更快、更深。

你是否尝试过将大模型用于测试场景的灵感激发？大家有需要也可以加入软件测试交流群：