书籍摘要

总体定位

本书面向所有需要“测试”的人：开发者、测试工程师、质量教练，甚至是非技术角色。作者 Mark Winteringham 用 12 章、3 大部分，系统阐述如何把大语言模型（LLM）变成真正有用的测试助理，既不盲目崇拜，也不一味排斥。

核心理念：M-T-C 三原则

内容框架速览

Part 1 心态篇（第 1–3 章）

• LLM 能做什么？
  • 生成测试数据、补全自动化脚本、辅助探索式测试。
• 不能做什么？
  • 不会替你“思考质量”，需人工过滤幻觉。
• 关键比喻：“Area of Effect” 模型——人-工具协作的半径越大，价值越高；反之越依赖工具越危险。

Part 2 技术篇（第 4–9 章）

Prompt Engineering 速查

• 四大战术：分隔符、结构化输出、假设检查、少样本示例
• 两大原则：写清晰指令、让模型“先思考再作答”
• 常见陷阱：幻觉、数据隐私、训练数据版权

Part 3 情境篇（第 10–12 章）

• RAG（检索增强生成）
  • 把需求、API 文档、缺陷库向量化，随用随查。
• Fine-tuning
  • 用公司域内语料二次训练，提高术语准确率。
• 对比与融合
  • RAG 轻量、实时；Fine-tuning 深度、成本高；两者可叠加。

亮点特色

1. 实战代码：Java + JUnit5 + Selenium + Spring，GitHub 完整可运行。
2. 模板丰富：可直接复制的 Prompt 库、Agent 脚本、数据生成 SQL。
3. 真实场景：酒店预订系统贯穿始终，覆盖 UI、API、数据库、性能多维度。
4. 风险导向：不空谈“AI 万能”，而以“先识别风险→再选工具→再验证结果”为主轴。

适用人群

• 开发者：想用 Copilot 写单测、补文档、改旧代码。
• 测试工程师：需要快速造数据、生成风险清单、写探索式测试报告。
• 质量教练：希望把 LLM 纳入流程，提升团队质量思维。
• 技术管理者：关注 ROI、数据隐私、AI 引入风险。

一句总结

把 LLM 变成“聪明实习生”：你定方向、它打下手，合力把测试做得更快、更深、更稳。