10｜测试数据构造怎么用 AI 提效？

开场先报数据工作的痛点分布——三个场景都是文本和结构化生成，AI 的主场。

回答思路

第一步：三个痛点场景

• 造数：格式要求多、业务约束多、组合量大（脏活累活）
• 脱敏：生产数据拿来测试必须脱敏（合规刚需）
• mock 数据：要逼真（边界值和异常格式的人造样本）

第二步：造数场景展开

给 AI 表结构或接口定义加业务规则，批量生成符合约束的测试数据（合法身份证格式、合法手机号段、字段间业务关联如年龄和生日的自洽）——重点讲「约束喂得全，生成才可用」：字段规则、关联关系、正反例要求的完整度决定质量。

第三步：脱敏场景展开

生产数据导入测试环境前的脱敏（姓名、手机号、身份证、银行卡的掩码或替换）——AI 能做敏感字段识别 + 数据仿真替换（保持格式和统计特征的可信假数据），比纯规则的脱敏更难被逆向，合规和实用兼得。

第四步：边界和异常数据展开

让 AI 系统性生成边界值组合（超长、特殊字符、多语言、emoji、空值、格式错乱）——这类「想全很费脑子」的枚举活 AI 特别擅长，人只补业务特有的坑。

收尾：讲工程化收口

造数 prompt 沉淀成造数服务（输入数据规格，输出造数结果），配数据清理机制，AI 造数和自动化用例参数化打通——从「问一答一」进化到「造数即服务」。

考察重点

维度	说明
企业动机	造数占了测试大量碎片时间，脱敏是合规硬要求——两个痛点的 AI 解法都是企业正在找的能力，这题考察 AI 落地的广度
过线标准	三个场景（造数、脱敏、边界数据）各有具体做法
区分度	讲约束完整度决定质量、讲脱敏数据的仿真和防逆向的是有实战颗粒度的
加分项	造数服务化的工程化收口
减分项	只会「让 AI 随机生成一些数据」——不懂业务约束的生成没有价值

来源

整理自知识星球帖《面试情报 06｜AI 测试提效 20 题》，返回题库。