UI界面测试点罗列

原创 已于 2024-05-17 18:03:15 修改 · 1.8k 阅读 · 18
于 2024-05-17 18:02:22 首次发布

UI界面测试点

背景

最近公司要做官网，出了一些设计图，让我写一些测试功能点和测试用例。由于官网界面大多都是静态页面，很少有业务功能，主要以UI为主，所以我大概罗列了一下UI界面的测试点，如果以后需要做UI界面测试，也可以提供一些思路。

主要从以下方面入手设计测试用例：

1. 内容显示

  1. 文字内容显示是否和设计图一致，有没有错别字
  2. 文字字体、样式、颜色、尺寸、文字间距、段落间距是否与设计图一致
  3. 图片显示是否正确、完整
  4. 图片、二维码等是否清晰，二维码是否可扫描
  5. 图片位置、尺寸、方向、透明度是否和设计图一致

2. 页面显示

  1. 页面数量、布局是否与设计图一致
  2. 各个页面的title显示是否正确
  3. 页面样式风格是否与设计图一致
  4. 按钮风格是否与设计图一致
  5. 列表对齐方式、位置、图标是否与设计图一致
  6. 页面中有动画展示的，动画显示顺序、效果是否与设计图一致
  7. 页面内容超过一屏时是否显示滚动条，拖动滚动条是否可以控制页面上下滑动
  8. 刷新页面时是否默认回到页面顶部

3. 窗口

  1. 窗口能否正常关闭
  2. 窗口名称显示是否正确
  3. 调整窗口大小时，页面是否按比例缩放，或出现滚动条让用户可以完整浏览页面
  4. 窗口是否可以最大最小化
  5. 多窗口的堆叠显示是否正确

4. 图标（包括logo）

  1. 图标样式是否正确
  2. 图标颜色、背景色是否与设计一致
  3. 图标尺寸
  4. 图标是否轮廓清晰、保证在不同
标签
#测试用例 #功能测试 #UI界面测试
最低0.47元/天 解锁文章
run_bear
关注
大模型优化实战：提示工程、RAG与微调三大技术路径选型指南
weixin_33725126的博客
07-03 400
在构建企业级AI应用时，如何让大语言模型（LLM）更好地服务于特定业务场景，是开发者面临的核心挑战。其技术原理在于，基础大模型作为通用知识库，需要通过特定方法注入领域知识或调整其行为模式，以提升任务执行的准确性和专业性。从技术价值看，这直接决定了AI应用的落地效果与成本效率。针对不同的应用场景，业界主要形成了三种主流优化范式：提示工程（Prompt Engineering）通过优化输入指令来引导模型输出，实现零成本快速迭代；检索增强生成（RAG）通过引入外部知识库，赋予模型实时、准确的私有知识查询与回答能力
RAG实战指南：从原理到生产级落地的完整技术路径
weixin_34228387的博客
06-25 388
RAG（检索增强生成）是一种将信息检索与大语言模型生成能力深度耦合的架构范式，核心在于通过精准检索私域知识片段，约束LLM基于证据生成答案，从而系统性抑制幻觉、解决知识滞后与数据孤岛问题。其技术价值体现在可审计性、低训练成本和强业务适配性，广泛应用于医疗临床路径问答、金融合规查询、制造业设备手册检索等高可靠性要求场景。本文聚焦RAG在真实业务中落地的关键瓶颈——如语义分块失效、混合检索失准、提示缺乏事实约束等，结合医疗、金融、制造三大行业实测数据，详解从PDF结构化解析、领域适配Embedding、双路召回
RAG系统性能瓶颈突破：文档重写技术原理与实践指南
weixin_33778544的博客
06-22 388
在检索增强生成（RAG）系统中，检索到的文档片段往往包含冗余信息、结构碎片化或表述不一致等问题，直接作为大语言模型（LLM）的输入会显著增加其认知负荷，影响答案生成质量。文档重写技术通过在检索与生成之间插入智能加工层，对原始上下文进行摘要浓缩、去歧义强化、结构化重组和查询自适应改写，有效净化信息噪声、聚焦问题核心。这一技术能显著提升RAG系统的答案准确性、相关性和流畅性，尤其在处理复杂、模糊或非规范查询时，增强了系统的鲁棒性。本文以QREAM框架为例，深入解析了文档重写的核心原理、实现方法（包括使用通用LL
如何用CMI、LDC、CR量化评估大模型真实理解力
ciqiaofu0192的博客
06-25 373
大语言模型的‘理解’并非玄学，而是可建模、可测量的表征能力。从信息论视角看，上下文互信息（CMI）刻画概念稳定性，逻辑距离一致性（LDC）反映语义空间与真实逻辑的对齐程度，反事实鲁棒性（CR）验证因果推理可靠性——三者共同构成语义保真度的核心数学基础。这些指标不依赖人工评分或黑盒响应，而是基于嵌入向量、注意力分布与预测分布等可计算信号，在RAG优化、智能体编排和规则引擎嵌入等工程场景中，能精准识别模型是‘说人话’还是‘说人形噪音’。本文聚焦实操路径，提供轻量探针代码、可视化诊断方法与生产级监控系统搭建方案。
全离线本地RAG实战：Ollama+Chroma+SentenceTransformers零依赖部署
cojm55771的博客
06-25 338
RAG（检索增强生成）是一种将外部知识库与大语言模型动态结合的基础技术，其核心原理在于通过嵌入向量实现语义检索，并将高相关性片段注入Prompt引导生成。该技术的价值在于显著抑制幻觉、提升答案可追溯性与合规性，广泛应用于金融尽调、医疗文档问答、工业知识库等对数据隐私和响应确定性要求严苛的场景。本文聚焦于真正落地的本地化RAG实现——不依赖云API、不上传数据、全链路离线运行，深度融合Ollama模型推理、ChromaDB向量存储与SentenceTransformers轻量嵌入，覆盖从文档清洗、智能分块、G
RAG文档分块：从语义保真到工业级落地的七步实践
weixin_33985507的博客
06-23 383
文档分块是检索增强生成（RAG）系统效果的底层基石，其本质远超简单文本切分——它直接决定语义完整性、上下文连贯性与事实一致性。基于向量检索原理，分块策略需在粒度、结构感知与效率之间动态权衡；技术价值体现在提升召回准确率（实测语义分块较固定切分提升2.5倍）、抑制噪声干扰、保障LLM输入质量；典型应用场景涵盖PDF技术白皮书解析、法律合同条款提取、代码文档问答等多模态非结构化数据处理；本文聚焦RAG落地中最易被低估却最具杀伤力的环节：如何通过结构识别、混合分块与闭环验证，实现从原始文档到高质量chunk的可靠
想涨薪晋升架构师？90篇AI 工程师进阶规划，配套完整 AI 知识库实战项目
雨1986的博客
06-14 1072
90天90篇实战，Spring AI+LangChain4j+RAG+Agent全链路，把大模型能力钉进Spring Boot项目，从CRUD工程师升级为AI增强系统设计者。
TruLens实战指南：构建可归因、可度量的LLM应用质量评估体系
weixin_34405354的博客
06-25 432
大语言模型（LLM）应用的质量评估不能依赖人工抽检或传统分类指标，因其答案无唯一标准、错误隐蔽且根源难定位。TruLens将模糊的语义质量转化为可采集、可计算、可归因的结构化信号，通过链路追踪、反馈函数组合与实时仪表盘，实现对回答相关性、事实性（Groundedness）和安全性等核心维度的量化分析。它深度集成于应用代码层，覆盖Prompt工程、RAG检索、后处理等全链路节点，支撑A/B实验、CI/CD质量门禁与业务指标联动，是面向生产环境的LLM应用‘诊断听诊器’。
AIGC工程化实战：从Spring AI IGC检测到智能体架构设计
areen7003的博客
07-08 434
大语言模型（LLM）作为AI 2.0的核心，其原理基于Transformer架构，通过预训练和微调获得理解和生成能力。这一技术价值在于将AI从单一工具升级为可编程的智能体，实现与业务系统的深度集成。在实际应用场景中，AIGC（人工智能生成内容）正驱动内容创作、软件开发、教育培训等领域的效率革命。本文聚焦于如何通过Spring AI 2.0等框架实现AIGC的工程化落地，涵盖从模型选型、提示词工程到智能体编排的全链路实践。针对生成内容的可靠性问题，文中深入探讨了AIGC检测在确保内容合规与质量中的关键作用，并
大模型创意生成的工程化原理与实操框架
Liusuzhi19610221的博客
06-15 405
大语言模型（LLM）的创意能力并非随机涌现，而是基于概率建模、注意力机制与解码策略协同作用的可控过程。其本质是在高维语义空间中进行受控重组与跨域映射，依赖位置编码的结构约束、注意力的长程联想及top-p等解码参数对探索-利用平衡的精细调控。技术价值在于将模糊的‘新颖性’转化为可测量、可干预、可复现的工程指标，如新颖性指数、跨域映射密度与创意熵值。典型应用场景涵盖广告文案生成、教育内容设计、工业提示词工程与多模态隐喻构建。本文聚焦真实业务中验证有效的创意落地方法论，尤其围绕提示词原子化拆解、多模型协同漏斗与约
企业级AI搜索落地选型实战手册（含LLM+RAG+Hybrid架构对比矩阵与ROI测算模板）
最新发布
ByteGlow的博客
07-22 76
本手册提供企业级AI搜索落地方法论，聚焦AI搜索方案选型参考，覆盖知识库、客服、文档分析等场景，对比LLM原生、RAG增强与Hybrid混合架构，附ROI测算模板与性能指标矩阵。实用性强、开箱即用，值得收藏。
AI工程师成长动线：7本实战书构建可落地的能力路径
weixin_30918633的博客
07-02 327
AI工程师不是靠堆砌术语或速成课程炼成的，而是通过‘概念理解→原理实践→工程闭环→业务验证’的渐进式训练逐步构建核心能力。关键在于掌握需求翻译、问题拆解与系统思维——将模糊业务目标转化为可执行代码，把数据噪声变成结构化特征，让模型输出真正驱动决策。Python工程能力、端到端机器学习项目、NLP实战、MLOps意识和产品化表达，共同构成现代AI工程师的五大支柱。本文基于真实转行案例与就业反馈，提炼出一条被验证的七阶学习动线，每一步都对应可交付成果与市场可识别的能力锚点，助力从零基础走向具备独立交付能力的初级
AI Agent开发实战：从核心概念到多智能体协作项目构建
SAN_YUN的专栏
06-25 526
AI Agent作为人工智能领域的关键技术，其核心在于构建能够自主感知、决策、执行与反思的智能系统。其工作原理基于大语言模型（LLM）的推理能力，通过工具调用、记忆管理和任务分解来实现复杂目标。这项技术的价值在于将AI从单纯的对话交互升级为能够自动化处理实际工作流的智能助手，显著提升开发与办公效率。在应用场景上，AI Agent广泛适用于智能客服、自动化报告生成、代码辅助开发及数据分析等领域。本文聚焦于AI Agent的工程实践，通过一个完整的“智能周报生成助手”项目，系统讲解如何使用LangChain、A
GAI认证含金量深度解析：如何选择与最大化价值
weixin_33853794的博客
06-30 417
生成式人工智能（GAI）作为当前AI领域的热点，其核心在于利用大语言模型（LLM）和深度学习技术，实现文本、图像、代码等内容的自动化生成。其技术原理主要基于Transformer架构和扩散模型，通过海量数据训练，使模型能够理解和生成人类语言与多媒体内容。这项技术的价值在于极大提升了内容创作、产品设计和软件开发的效率，正在重塑众多行业的工作流程。随着GAI技术的普及，市场对掌握相关技能人才的需求激增，因此各类GAI认证应运而生，旨在为从业者提供系统化的技能证明。然而，认证的含金量千差万别，其价值取决于认证主体
LlamaIndex查询引擎深度解析：检索、合成与路由全链路拆解
weixin_30653023的博客
06-23 363
RAG系统中的查询并非简单调用search方法，而是融合语义检索、上下文合成与智能路由的多阶段响应生成过程。其核心原理在于将自然语言问题映射到高维向量空间进行近似匹配，并通过可插拔组件（如Retriever、ResponseSynthesizer、RouterQueryEngine）实现精准定位与可控生成。技术价值体现在可诊断性、可压测性与故障隔离能力，支撑从POC验证到千级并发的企业级落地。典型应用场景包括知识库问答、多源财务分析、技术文档智能检索等。本文聚焦LlamaIndex查询流程的底层契约与参数设
Mythos动态能力编排：大模型推理路径的实时路由机制
weixin_30634661的博客
06-07 317
大模型推理能力正从静态架构迈向动态调度——Mythos代表了一种新型能力组织范式，其核心是基于上下文感知的细粒度路由控制，通过可编程稀疏图结构实现逐层、逐token的专家子网络激活。该机制不依赖模型扩容，而以推理路径熵值和领域适配度为依据，在保障高确定性输出的同时显著提升逻辑链完整性与关键实体识别准确率。技术价值体现在降低幻觉率、增强跨文档一致性、压缩人工复核耗时，广泛适用于法律合同审查、金融合规计算、医疗器械注册资料校验等强逻辑、低容错场景。本文深入解析Mythos的动态能力编排与Gated Releas
Activation Steering：零训练神经干预实现大模型可控生成
06-28 425
Activation Steering 是一种面向大语言模型的神经活动调控技术，其核心原理是在推理阶段对特定层的激活向量进行方向性干预，无需反向传播或参数更新，即实现模型行为的精准对齐。它依托大模型内部表征的线性可分性，通过正负概念示例统计提取steering vector，将抽象意图（如事实性、简洁性）映射为高维空间中的可计算方向。相比SFT、RLHF等训练密集型方法，该技术具备零训练、低延迟、强泛化与跨任务鲁棒等工程优势，已在金融合规、教育自适应、内容风格切换等场景落地验证。本文聚焦其原理本质、实操路径
AI搜索引擎选型决策树：5步完成从PoC到生产落地的全链路验证
LearnFlow的博客
07-22 35
快速完成AI搜索技术选型与落地决策！本指南提供5步决策树方法，覆盖PoC验证、多模型对比、性能压测、业务适配及生产部署全链路，兼顾技术可行性与业务ROI。含主流框架评估维度与避坑清单，是AI搜索技术选型参考的实用手册，值得收藏。
多式联运基于AFO算法、GA和PSO算法求解不确定多式联运路径优化问题，同时和MATLAB自带的全局优化搜索器进行对比（Matlab代码实现）
07-21
内容概要：本文围绕不确定环境下的多式联运路径优化问题展开研究，提出并实现了基于AFO算法、遗传算法（GA）和粒子群优化算法（PSO）的三种智能优化方法，并借助Matlab平台完成算法编程与仿真。研究构建了考虑时间、成本、转运风险等多重不确定因素的路径优化模型，系统比较了AFO、GA、PSO三种算法在收敛速度、全局寻优能力和稳定性方面的表现，同时引入Matlab自带的全局优化搜索器作为基准对照，深入分析各算法在复杂物流网络中的适用边界与性能差异。研究表明，AFO算法在解决此类组合优化问题时展现出更快的收敛效率和更强的局部规避能力。; 适合人群：具备一定Matlab编程基础与运筹优化知识，从事物流工程、交通运输规划、智能算法开发等相关领域的研究生、科研人员及工程技术人员。; 使用场景及目标：①应用于多式联运、综合货运网络中的路径决策支持系统构建；②为不确定性条件下复杂路径规划问题提供智能算法选型依据与技术实现方案；③支持科研人员复现主流优化算法并开展横向性能对比实验，推动算法改进与实际落地。; 阅读建议：建议读者结合提供的Matlab代码逐模块分析算法实现流程，重点理解目标函数设计、约束条件处理及参数敏感性分析部分，可通过调整问题规模与算法参数进行对比实验，进一步拓展至动态路径规划或大规模网络优化等延伸场景。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值