Deepseek 可以帮测试工程师完成哪些工作
从春节前 Deepseek 开始火爆全网，我们几乎每天都看到 Deepseek 的新闻，有介绍 IDE 配置的，有介绍本地部署的。再好的工具也要在工作中用起来才能产生真正的价值，对吧！接下来，我将会总结一下自己的使用。
📝 面试求职： 「面试试题小程序」 ，内容涵盖 测试基础、Linux操作系统、MySQL数据库、Web功能测试、接口测试、APPium移动端测试、Python知识、Selenium自动化测试相关、性能测试、性能测试、计算机网络知识、Jmeter、HR面试，命中率杠杠的。（大家刷起来…）
📝 职场经验干货：
从春节前 Deepseek 开始火爆全网，我们几乎每天都看到 Deepseek 的新闻，有介绍 IDE 配置的，有介绍本地部署的。再好的工具也要在工作中用起来才能产生真正的价值，对吧！接下来，我将会总结一下自己的使用。
前置条件
-
1. 充值购买 tokens，并创建 API key。
Deepseek 开放平台: https://platform.deepseek.com/ -
2. VScode 安装 cline 插件，并添加 Deepseek 模型。
生成功能用例
在日常测试工作中，编写功能测试用例会占用我们大量的时间，通过使用 AI 可以提高效率，同时也可以做到用例的补充。
-
登录功能
输入一段需求描述：“用户登录功能需要支持手机号+验证码和邮箱+密码两种方式，且密码错误 3 次后锁定账户 5 分钟”
DeepSeek 可以生成如下测试用例：
1. 验证用户使用正确手机号+验证码登录成功。
2. 验证用户使用正确邮箱+密码登录成功。
3. 验证密码输入错误 3 次后账户锁定 5 分钟（每次错误提示剩余尝试次数）。
4. 验证锁定期间无法登录，5 分钟后自动解锁。
5. 验证验证码过期后登录失败。-
边界条件自动补充
输入：“输入框允许 1-100 的整数”
DeepSeek 自动补充测试用例：
1. 输入 0 → 预期：报错。
2. 输入 1 → 预期：通过。
3. 输入 100 → 预期：通过。
4. 输入 101 → 预期：报错。
5. 输入非整数（如 12.5）→ 预期：报错。自动化测试脚本编写
如果你是自动化测试工程师或者测试开发，那么编写自动化测试用例也会占用大量的时间。借助于 AI，这方面的提升蹭蹭的提高。
-
自动生成 playwright 脚本。
-
自动生成接口测试用例。
通过浏览器复制 cURL 命令，然后丢给 AI 来生成脚本。
以前我们认为自动化测试带录制功能是比较高效的，接口测试工具提供格式转换是很有用的，但是在 AI 面前都显得不那么有用了。
编写性能测试脚本
谁说 AI 只能写自动化测试脚本，性能脚本也一样。JMeter 界面配置用例也比较繁琐。当然也可以通过 AI 来生成 xx.jmx 脚本
然后，通过 JMeter 客户端打开 xx.jmx 脚本就可以用了。
当然，如果是 locust 的话，直接就是 python 语言实现的更加的简单。
生成测试数据
输入需求：“生成 100 条用户数据，手机号为 13 开头的 11 位数字，邮箱为随机 Gmail”，
DeepSeek 生成示例：
import random
def generate_users():
users = []
for _ in range(100):
phone = "13" + "".join(random.choices("0123456789", k=9))
email = "user" + str(random.randint(1000,9999)) + "@gmail.com"
users.append({"phone": phone, "email": email})
return users当然，这里本质还是代码生成，结合实际工作需求，能生成的代码，就不需要手写，除非写 描述需求 比 写代码 更复杂。
安全测试
安全测试可能是我们日常测试中会忽略的一个方面，我们也可以借助 AI 帮我们生成相关用例。
-
生成 SQL 注入测试用例
输入需求：“测试登录接口的 SQL 注入漏洞”，
DeepSeek 生成 Payload:
测试用例：
1. 用户名输入：admin' OR '1'='1' --
2. 密码输入：任意值
预期结果：如果登录成功，说明存在 SQL 注入漏洞。其实，还有更好的方式，就是获得项目的代码，让 AI 帮忙识别代码的安全问题，不过，这个事情我猜测开发会自己做。哈哈。
持续集成（CI）脚本
一切脚本都可 AI 生成，当然，也包含了 CI 脚本啦。
-
生成 Jenkins/GitLab CI 配置文件
输入需求：“在 GitLab CI 中运行 Python 测试并生成 Allure 报告”，
DeepSeek 生成 .gitlab-ci.yml 片段：
stages:
- test
pytest:
image: python:3.9
stage: test
script:
- pip install -r requirements.txt
- pytest --alluredir=./allure-results
artifacts:
paths:
- allure-results/如果你在工作中有更好，更高效的 AI 使用场景，也欢迎在评论区留言。我们一起探讨更多的 AI 使用，让软件测试工作飞起。
最后： 下方这份完整的软件测试视频教程已经整理上传完成，需要的朋友们可以自行领取【保证100%免费】
火山引擎开发者社区是火山引擎打造的AI技术生态平台，聚焦Agent与大模型开发，提供豆包系列模型（图像/视频/视觉）、智能分析与会话工具，并配套评测集、动手实验室及行业案例库。社区通过技术沙龙、挑战赛等活动促进开发者成长，新用户可领50万Tokens权益，助力构建智能应用。
更多推荐
22
0- 0
已为社区贡献42条内容
所有评论(0)