专场：自动化到智能化测试实践 
随着人工智能技术的日益成熟，智能化测试已成为提高软件开发效率和质量的关键。本次专场将围绕“智能化测试策略、自动化测试框架的智能化升级、AI在测试中的应用场景、以及智能化测试对提高测试准确性和效率的影响”等话题进行深入讨论。参与者将有机会了解和交流如何利用最新的人工智能技术，将传统的自动化测试转变为更高效、更精准的智能化测试实践。通过本次会议，我们旨在为参与者提供一系列行之有效的方法和策略，以帮助他们在快速变化的技术环境中保持领先，确保软件产品的高质量和可靠性。
专场出品人：杨萍
字节跳动 Code团队技术负责人
现就职于字节跳动，任字节跳动Code团队技术负责人，负责代码相关基础技术与智能化建设，曾带领团队孵化并落地多个行业领先的端质量产品，如Fastbot、SmartEye等产品，也对目前AI技术在研发效能的应用有较多的了解。
胡雷庭
字节跳动 测试开发专家
字节跳动 Data-数据平台-质量保障-稳定性与效率 团队测试开发专家，毕业后曾就职于趋势科技、阿里巴巴等公司，从事安全测试、自动化测试平台搭建、业务质量保障体系建设等方面工作，2020年加入字节跳动后主要负责数据产品私有化测试管理平台搭建、自动化工具体系与成熟度建设，效率工具开发等工作。
待定
待定
“无”定位的AI辅助WebUI自动化实践
传统WebUI自动化都是先定位元素后操作的模式，不仅编写门槛高，同时容易受到页面变化影响，定位代码充斥在业务逻辑中，业务逻辑割裂，可维护性差。我们提出一种基于文本的无定位或极少定位的WebUI自动化方式，支持任意文本关联控件区域检测，区域中一个或多个复杂前端页面组件自动识别与操作，革新了传统WebUI的低效编写模式，让测试人员聚焦业务逻辑的描述，回归测试本质，同时无定位的方式不关注页面DOM细节，不惧页面变动，稳定性更高。在此基础上，基于大语言模型（LLM）出色的自然语言理解能力，我们设计了完成WebUI操作的多种独立的常用Prompt，并能根据用户测试场景自动进行多Prompt路由和组装，生成满足测试诉求的最小Prompt集，对大语言响应结果后置了多道纠错处理流实现语法格式纠错，提升准确性。同时基于大语言模型也能实现WebUI与接口的无缝结合，数据准确性校验，测试清理等逻辑都更加简单高效。在框架层面我们支持根据用户自然语言描述，在线生成测试代码，并实时可视化执行和反馈结果，编写调试效率很高。
1. 无定位的WebUI自动化实现方案
2. LLM辅助WebUI自动化生成实现方案
3. 更丰富的校验和拦截能力
4. 应用效果与展望
1. 借鉴LLM辅助测试效率提升的工程化实践经验
2. 借鉴LLM使用过程中的问题解决思路
内容大纲
听众收益
牛广硕
蚂蚁集团 高级工程师
蚂蚁集团高级音视频工程师，目前主要负责支付宝多媒体音频质量评估，保障短视频、直播、智能助理、听书等业务音频质量；毕业后曾就职大疆、快手，从事音频相关工作。
待定
待定
大模型语音对话时代的TTS评测实践
1. 如何保证TTS系统生成的语音在自然度、可理解性和情感表达上与真人演讲者相媲美
2. TTS系统对不同语言、方言、发音难点的支持程度
3. 评测方法的客观性与评测指标的全面性
4. TTS系统在不同应用场景中的适应性和稳健性
1. 评测方法与标准：介绍主流的TTS评测方法、客观评测工具和标准化指标
2. 新颖思路与技术：探讨如何应用深度学习、情感分析、语音合成技术等提高TTS质量
3. 案例研究与应用：展示TTS评测在实际应用中如何指导产品改进和优化
4. 结论与未来趋势：讨论TTS技术的未来发展方向和评测实践的改进空间
1. 启发听众对TTS评测标准和方法的新见解
2. 提供可借鉴的技术和策略来优化自己的TTS系统
3. 获得直接采用的工具和实践，以提高产品质量和用户体验
4. 减少在TTS评测和开发中的试错成本，避免常见的弯路
内容大纲
听众收益
秦小凤
中国银联 智能化创新中心 测试开发工程师
目前主要负责测试工具体系规划及建设
负责及参与接口自动化、安全服务、环境治理等等若干通用测试体系平台的建设
负责及参与机构入网、若干核心系统专项测试平台的建设
待定
待定
构建智能化的测试环境数字孪生平台
伴随着微服务、云原生等技术的不断席卷，整个互联网金融行业亦迎来了前所未有的机遇和挑战。中国银联作为具有国际影响力的开放式平台型综合支付服务商，所支撑业务的丰富性和多样性，引发了更为突出的多中心、多集群和多应用场景下的环境管理问题，比如系统的分散性导致难以纵览测试环境的全局状态；配置部署的复杂性引发了更繁琐的人工作业，交互的错综复杂导致了对潜在问题难以进行观测、发现和分析的困难局面。据此，探索更真切、更自动、更智能，以达到更高效易用的大规模应用测试环境治理模式一直以来都是我们持续深耕的方向。
1. 背景
在政策、业务和技术三者的相互作用影响之下，测试环境治理工作虽面临一些困境，但也得以长足发展。引入并落地数字孪生技术，是我们针对大规模应用的测试环境治理工作一次踊跃且成功的尝试。通过将应用测试环境中的各个应用、组件、接口和行为进行数字化建模以及实时数据采集，更加真实地还原测试环境的各项指标，让测试人员更清晰地观测应用的运行状态；在对环境涉及的系统、节点、用户等海量数据的管理上，通过各类自动化手段，显著降低人工操作；同时，在数据分析计算等方面，通过无侵入、特定对象专项分析等技术，降低环境影响，提高发现和解决问题的智能化程度，从而进一步提高软件系统的质量和效能。
2. 数字孪生技术
    2.1 数字孪生概念（产品、过程、人员或场所的虚拟代表）；
    2.2 数字孪生组件（数字化定义、运行时数据、关联和呈现数据以推动决策的信息模型）；
3. 构建应用测试环境数字孪生
3.1 应用测试环境数字定义：基于内部名称库系统、生命周期平台和 CMDB 等配套基础设施，在短时间内以定制套餐形式快速构建起一套完整的应用测试环境。通过聚合梳理这些平台的静态基础数据，初步形成应用测试环境数字化定义雏形，勾勒出数字孪生的基本轮廓；
3.2 应用测试环境数字通道：构建虚拟环境治理层，向下对接纷繁多样的底层基础环境，隔离并透明化差异。以自研与定制开源组件相结合的方式，实现对应用测试环境的实时数据采集，并遵循业界主流规范，形成统一通用的数据格式和交互接口。同时，提供指令分发和动作执行能力，打造应用测试环境和数字孪生之间双向联动的数字通道；
3.3 应用测试环境数字模型：综合静态数据的数字定义和数字通道的动态数据，通过计算分析后，以实时在线可视化的形式，将所关注的价值数据展示给测试人员。同时，根据特殊数据的计算分析结果，针对下一步测试计划和方向给出指导性建议；
4. 赋能场景：应用测试环境的数字孪生不仅让测试人员看得更真，测得更准，而且基于大量测试过程数据的持续采集计算分析，可以赋能和加速更多测试工作场景，贯穿于整个测试周期；
4.1 精益管理：测试环境的安全管理与一键登入
4.2 智能启动：测试环境数字孪生的自动化部署
4.3 功能/性能测试：
4.3.1 完整且实时链路追踪
4.3.2 自动化观测视角切换
4.3.3 典型对象的针对性分析
4.3.4 智能的资源类缺陷检测
4.3.5 缺陷范围锁定与精准定位
4.4 扩展测试：安全灰盒测试和混沌实验等的快速介入实施
4.5 对标验证：海量真实报文反向检查规范和标准
5. 重点场景的关键技术实现
5.1 通讯协议的针对性分析（进一步进行服务接口层级的监控和分析）
5.2 数据库等中间件的针对性分析
6. 总结与展望
数字孪生为软件测试领域带来了全新的方法和思路，随着技术的不断发展和应用，应用测试环境的数字孪生将会更加准确地还原测试环境的各项指标数据，提供更加自动化的测试实施方案，更加智能化的风险分析预警和缺陷识别及定位，最终为软件开发和测试提供更加全面和可靠的支撑，降本增效，推动应用系统的质量不断提升。
1. 了解数字孪生在测试领域的引入和落地思路
2. 了解规划、管理复杂应用测试环境实践经验

内容大纲
听众收益
刘琮玮
腾讯  工程效能与AI算法研究工程师
腾讯PCG工程效能平台部  工程效能与AI算法研究  服务于腾讯QQ业务质效提升。

专注于人工智能(NLP)技术，大数据技术与质效领域的结合，参与过多个质效项目从0到1的研发落地工作，擅长通过引入人工智能技术驱动业务质效改进，具备丰富的人工智能研发落地经验。目前，正致力于通过“大模型”技术驱动业务质效提升，探索质效大模型建设，质效Agent研发与落地，摸索“大模型”技术与质效工作的深度结合，希望通过这些前沿技术推动为业务质量内建与质效提升。
待定
待定
大模型在测试用例质效提升中的探索与实践
在过去一年中，我们围绕大模型技术不断探索测试用例领域的革新。通过引入大模型能力，我们的项目完成了用例检查和用例生成能力的建设，提升了测试用例的编写效率和质量，通过大模型驱动的用例问题检查与修复，已在业务产品质量提升中落地并取得成效，同时我们还在不断拓展我们的能力边界，尝试AI与质效全流程的深度融合，帮助业务解决更多质效问题。在本次分享中，我将详细介绍我们的探索历程，包含实际的研发实践经验，我们对AI技术的畅想与展望，以及我们在研发过程中沉淀的思考与方法及相关落地实践。
1. 项目简介
2. 项目背景及心路历程
    2.1.找到切入点，把锤子用好
    2.2.找到钉子，确定发展路径
    2.3.任务分析，从眼前做起
3. 项目现状及成效
    3.1.模型能力建设，检查与生成
    3.2.产品化建设，应用与落地
    3.3.项目演示
    3.4.应用效果与成效
4. 技术架构
    4.1.项目整体技术架构介绍
    4.2.从 Prompt 到 RAG
    4.3.在不稳定中寻求稳定 - COT
    4.4.从Agent的角度思考
5. 大模型定位与建模
    5.1.与“智能驾驶”对比，我们在哪
    5.2.人机协作与任务建模
    5.3.copilot 是更好的产品方案
6. 下一步规划 - 从测试用例到质效全流程
1. 可借鉴的“大模型”探索历程
2. 大模型在测试领域的实践经验
3. 可复制的研发应用方法论
4. 大模型落地过程中的思考和经验
5. 对大模型未来的构想和规划
内容大纲
听众收益
关注QECon公众号
关注QECon视频号
议题投稿 
lijie@qecon.net  
票务联系 
15901265561  小娟
 
媒体合作
13516196409  皮皮
商务合作
15122643988  木子
购票咨询
15901265561  小娟