11｜AI 能做精准测试和影响面分析吗？怎么落地？

开场先给精准测试的命题：版本改动后只测受影响的部分，省掉全量回归——它的两个核心问题是「改动影响了什么」（代码依赖分析）和「该跑哪些用例」（用例和代码的关联）。

回答思路

第一步：AI 的三个切入角色

第一个问题（依赖分析）是传统技术（静态调用链、代码 diff）——AI 的价值在第二个问题和两者之间的粘合：

1. 用例和代码的关联推荐：历史执行数据加变更记录，模型学习「这类改动历史上跑哪些用例抓到过 bug」，推荐用例集
2. 变更风险评级：结合代码改动面、开发信息、历史 bug 密度给风险分——高风险多测低风险少测
3. 用例优先级排序：时间不够时先跑最可能抓到 bug 的用例

AI 做的是「预测」这件传统规则做不好的事。

第二步：讲落地的基础设施前提（务实判断）

• 要有代码和用例的关联数据（jacoco 覆盖率数据、用例执行和变更的映射历史）
• 要有足够的历史样本（几个月到一年的执行记录）

没有数据积累的团队先补数据基建再谈 AI——这个顺序判断很加分。

第三步：讲效果的验证

推荐用例集的「bug 召回率」（按推荐跑能抓住多少比例的实际 bug）——90% 的召回就能砍掉大半回归量。指标讲得出来，说明真算过这笔账。

收尾：讲人机边界

AI 推荐是概率不是保证——核心链路保留兜底用例集（AI 推荐加保底集的混合策略）。精准测试是优化，不是赌博。

考察重点

维度	说明
企业动机	回归爆炸是所有成熟团队的痛，精准测试是各家大厂都在投入的方向（字节阿里都有自研系统）——能答出体系说明候选人见过真东西
过线标准	AI 在精准测试里的角色定位 + 数据前提的务实认知
区分度	讲 bug 召回率指标、讲推荐加保底的混合策略的是算过账的
加分项	指出「先补数据基建再上 AI」的顺序判断
减分项	把精准测试讲成「AI 读一遍代码就知道测什么」，缺乏对依赖分析难度的认知

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。