在近日于北京隆重举行的Gtest2025全球软件测试技术峰会上，“智测无界，大模型驱动的测试新范式”成为焦点议题。《软件工程3.0》作者、CCF杰出会员朱少民先生发表了主旨演讲，深入剖析了大模型对软件测试领域的颠覆性影响，清晰描绘出软件工程3.0时代下人机协同的测试新图景。
朱少民指出，大模型技术正以前所未有的速度，催化软件工程3.0时代的到来。在未来，人机结对编程与测试将成为标准作业模式，从而实现软件质量与研发效能的革命性飞跃。
价值革命：大模型如何重塑软件测试？
大模型为软件测试带来的首要价值，是实现了从“局部自动化”到“全流程智能”的跨越。
- 突破执行瓶颈：传统自动化测试的瓶颈在于仅能自动执行脚本，而测试分析、设计与用例编写仍需大量人工。朱少民解释道：“今天，大模型可以真正做到全过程的自动化，从需求分析开始，智能生成测试用例和脚本，这是质的飞跃。”
- 提升测试质量：某企业的实践数据表明，引入大模型后，测试覆盖率提升了65%，上线后缺陷率也随之显著下降。正如他所说：“通过大模型，测试不仅做得快，还做得好。”
- 拓展思维广度：凭借其海量的知识储备，大模型能进行更全面的测试场景分析。他以一个生动的比喻说明：“就像购物，买两三样东西我们能记住，但买十几样就得依赖清单。大模型掌握了人类积累的庞大知识，分析问题自然比个人更周全、更彻底。”
- 推动角色前移：过去，测试人员因技术能力所限，难以深度参与到设计与编码环节。如今，大模型可以辅助他们理解复杂的技术架构和代码逻辑。朱少民补充说：“现在大模型可以帮助解释代码和设计，让测试人员有能力参与甚至独立完成设计和代码评审，从而真正实现‘全程质量保障’。”
人机协同：驾驭大模型的关键之道
尽管大模型潜力巨大，但朱少民警示，将其视为万能灵药会落入“技术陷阱”。他指出了大模型的主要局限性：
- 幻觉问题：作为概率模型，大模型可能生成错误或无意义的测试用例。
- 数据依赖：在军工等缺乏公开训练数据的涉密领域，其生成结果的可靠性存疑。
- 上下文理解限制：在增量开发中，大模型因上下文窗口有限，难以完全理解遗留系统的历史背景和代码修改的深层原因。
对此，朱少民强调，“人机协同”是破局的关键。他将大模型定位为强大的“草稿助手”：“以前打草稿要亲力亲为，现在大模型可以代劳，我们在此基础上修改，至少能节省50%的工作量。”
他进一步指出，这种协同关系并非一成不变，而是根据从业者的能力水平动态演进的：
- 对于初学者：大模型扮演“导师”角色，指导其完成测试分析与设计。
- 对于熟练者：大模型成为“伙伴”，双方优势互补。
- 对于资深专家：大模型则回归“助手”本色，高效执行指令。
为了适配这一新模式，企业需要重塑流程，测试人员也需提升AI素养。对企业而言，应“建立对大模型输入输出的前后处理机制，通过规则约束和人工检查，确保结果的严谨性。”对测试人员而言，则应“主动学习知识图谱、上下文工程等新技能，完成从测试执行者到质量策略制定者的角色转变。”
差异化落地：不同规模企业的破局路径
不同规模的企业在应用大模型时，面临的挑战与策略各不相同。
- 大型企业：试点先行，构建平台
对于资源雄厚的大型企业，朱少民分析其路径通常是“先通过小团队试点成功，固化流程框架后再全面推广。同时，投入资源构建企业专属的知识库和多智能体研发平台，以最大化效益。” - 中小企业：灵活变通，善用外力
考虑到资金与人才的限制，他建议中小企业“利用开源工具快速构建轻量级应用，或租用云服务商的算力与模型，实现按需付费，有效控制成本。”此外，政府或行业联盟搭建的公共算力平台也为中小企业提供了宝贵机遇。
风险防控与未来展望
大模型的引入也带来了新的风险敞口，幻觉问题、数据安全和结果的不可解释性尤为突出。朱少民建议企业必须建立“防火墙”：通过数据治理（如用户信息脱敏）、私有化部署以及对生成结果的严格评审，有效规避潜在的技术债务和安全风险。
展望未来3-5年，朱少民预言**“AI原生测试”将成为主流。未来的测试工具将从设计之初就融入AI思维，以更智能的方式解决上下文限制等核心难题。此外，由多智能体协同工作的“自主测试机器人”**也可能出现，它们能够通过强化学习自我迭代，实现从接收需求到交付测试结果的真正端到端自动化。
最终，朱少民将软件工程3.0的核心归结为**“人机共生”**。他总结道：“未来，人机结对编程和结对测试将成为常态。大模型并非要替代人类，而是为了重构整个研发模式。”他向行业发出了呼吁：从业者必须保持终身学习的心态，企业需要理性布局，全行业应携手共建生态，方能在这场技术浪潮中抓住机遇，共同筑牢未来软件的质量根基。
