课程简介
随着AI的快速发展，代码生产成本越来越低，但是随之而来的是验证环节成本的增加。动态测试是验证环节的重要手段之一，尽管过去几十年学术界和工业界一直试图用自动化测试降低测试成本，但是在实践中很多团队在新需求迭代中依然大量依赖人工测试。我们将基于模型的测试引入到AI交付流程中，形成业务专家与测试专家双驱动，最终利用自动化测试实现增量功能和回归测试。
目标收益
1、一套可复用的建模方法：一段业务逻辑该建成决策树、状态机还是规则引擎，三类模型的适用边界、粒度与协作方式。
2、一条完整的工程链路：模型迭代、用例生成、用例执行与结果度量的闭环，以及等价类、判定表、Pairwise 等组合策略在真实业务中的取舍。
3、一套量化 AI 产出的办法：用场景覆盖率和场景准确率把 AI 生成结果变成可评审、可验收的指标，避免「看起来对」就直接采用。
4、一组可以避开的坑：模型与代码脱节、模型缺少多方评审、只覆盖正向路径、风险场景（如资损）未经人工确认。
培训对象
课程大纲
| 课程要点 | 关键在于先建模再派生用例：把散落在文档、代码和人脑里的规则固化成决策树、状态机、规则矩阵三类可评审资产，用等价类和 Pairwise 控制组合规模，用覆盖率、准确率量化 AI 产出。 |
| 覆盖可解释 | 模型把「测什么」变成可评审、可统计的资产，覆盖情况与漏测风险可以量化说明，不再依赖个人经验。 |
| 效率提升 | 用例由模型派生，模型变化后重新生成即可，减少用例设计与维护的重复投入；决策树侧新引擎接入由基准树推导，以 FU 选座一次评估为例，场景覆盖率和准确率均达到 100%（12/12） |
| 质量前移 | 状态机侧把非法路径、多航段异步等以往依赖线上问题倒推的场景纳入常规回归，用分层覆盖策略在控制用例规模的同时保住关键缺陷类型。 |
| 投入与回报 | 主要投入在前期模型梳理，需要业务、开发、测试共同确认口径；口径稳定之后，收益随需求迭代持续累积 |
|
课程要点 关键在于先建模再派生用例：把散落在文档、代码和人脑里的规则固化成决策树、状态机、规则矩阵三类可评审资产，用等价类和 Pairwise 控制组合规模，用覆盖率、准确率量化 AI 产出。 |
|
覆盖可解释 模型把「测什么」变成可评审、可统计的资产，覆盖情况与漏测风险可以量化说明，不再依赖个人经验。 |
|
效率提升 用例由模型派生，模型变化后重新生成即可，减少用例设计与维护的重复投入；决策树侧新引擎接入由基准树推导，以 FU 选座一次评估为例，场景覆盖率和准确率均达到 100%（12/12） |
|
质量前移 状态机侧把非法路径、多航段异步等以往依赖线上问题倒推的场景纳入常规回归，用分层覆盖策略在控制用例规模的同时保住关键缺陷类型。 |
|
投入与回报 主要投入在前期模型梳理，需要业务、开发、测试共同确认口径；口径稳定之后，收益随需求迭代持续累积 |
近期公开课推荐
