本文介绍了淘宝营销会场智能测试平台的AI落地实践：基于LLM与多模态Agent，实现“所见即所得”渲染校验、价格/内容/交互一致性比对、定投与多端适配自动检测；覆盖需求提测、测试执行、线上回归全流程。达成问题发现率↑、线上风险↓、测试人效提升100%、整体提效40%，推动测试从“人工驱动”迈向“AI智能判定+闭环自治”。后续聚焦需求意图识别、AI造数、智能用例选择等深度智能化方向。目前会场需求测试中，被测对象（页面、组件、数据服务）、技术方案，在支持营销多业务产技需求场景下趋近稳定。测试流程、测试范围、测试手段相对标准化。在过往的测试过程中，关键节点通过自动化工具切入进行提效，但交互、视觉体验等验证领域介入成本较高。大促、日常营销导购会场需求测试内容中，围绕着以会场主链路测试、埋点验证测试为主，以会场性能、压测、适配、兜底容灾测试验证保障会场极致用户体验，交付需求测试产物。会场测试在“所见所得渲染验证、价格一致性、Tab/Feed 交互、骨架/快照/终态对比、渠道投放一致性、内容异常发现”等多个维度，传统依赖人工肉眼和脚本、难以覆盖且易遗漏。引入 LLM 大模型和测试 Agent ，旨在通过截图比对、多模态识别、自动链路拼接和可视化异常发现，实现C端可视化校验、核心交互路径验证、场景体验统一和内容缺失自动识别，达到提升测试质量与效率效果。 | | | |
·会场页面结构完整性测试 ·页面渲染方式：csr、ssr、快照、骨架 ·验证点：页面结构符合预期、内容渲染正常 | 1.上下、左右手势滑动 ·页面头下滑搜索头展开 ·会场feeds下滑吸顶 ·会场下滑软刷新 ·会场左右滑动 2.页面与楼层交互功能 | 具体一致性检查点包含但不限于以下内容 1.业务实体（品、店、内容、直播间等）承接正确， 2.业务实体数据表达（价格，名称，利益点，素材，氛围等）符合预期 | 1. 随大促里程碑、业务需求变更，页面结构、内容、氛围随排期切换 2. 页面、楼层设置定投实验 3. 手淘终端渠道渲染 4. 其他终端渠道渲染（其他淘内app与非淘内app） ·打开渲染、内嵌半屏渲染 |
| | | |
| | | |
业务流量模型梳理-》OPM模型流量录入-》压测报告与数据沉淀 | 多层的容灾兜底场景下服务异常且不影响C端用户的正常浏览访问 | 通过覆盖同一张H5会场在不同型号、系统版本、尺寸、分辨率及DPR（设备像素比）下内容、样式正确性表达，来确保视觉一致性与操作可用性。 | 通过简单的图片纹理canny算子计算边缘纹理，计算会场渲染过程中终帧与首帧加载时间耗时，计算会场渲染首帧响应时长 |
| | | |
期望在会场测试经验全面、基建完善的当前基础上，应用AI大模型能力，在需求提测、需求测试、线上回归阶段，提供会场业务智能测试解决方案，提高会场需求测试整体效率。在既有测UI自动化能力基础上，接入AI多模态偏差检测与智能纠错判定能力，覆盖相对大促会场巡检、会场需求AI测试测试流程节点，构建基于AI大模型的会场智能测试平台。🔍 过去是“任务驱动”——人定义规则、工具执行VS💡 现在是“AI驱动”——模型理解意图、自主判断结果。▐ 测试Agent：被测对象信息解析->测试工具执行->结果解析判断示例1：（轻）流程+工具执行；（轻）测试判断
测试数据获取-》LLM信息解读-》测试工具执行-》LLM结果判断
示例2：（重）流程+工具执行；（轻）测试判断
测试数据获取-》LLM信息解读-》测试工具执行-》LLM结果判断
示例3：（轻）流程+工具执行；（重）多模态判断
测试数据获取-》LLM信息解读-》测试工具执行-》LLM结果判断▐ 测试基建Agent管理与执行：工厂模式，模型供应方调用兼容与封装构建 AI Agent的 multiAgent 框架，借鉴了ald-lamp沉淀solution执行框架，将其扩展为支持多种Agent管理调用与Agent实时、异步调用的执行引擎。这不仅避免了重复造轮子，更确保了复杂场景下，AI测试Agent的执行具备稳定的技术追踪、稳定运维能力。- 多模型统一管理：通过工厂模式统一管理不同的LLM模型实例
- 模型生命周期管理：统一的模型初始化、调用和销毁流程
- 统一接口标准：所有模型遵循相同的调用协议和数据格式
1. IdealLabLLMAbstractBase (抽象基类)- 注解驱动：基于@AgentParser注解自动注册
3. IdeaLabLLMConsumer (消息消费者)- idealab_ideas_finish_tag: 模型执行完成
- 继承 IdealLabLLMAbstractBase
- 放置在指定包路径下 ( com.alibaba.bqc.llm 或 com.app.auto.llm )
@AgentParser(appCode = "text-generator", name = "文本生成模型", description = "用于生成创意文本内容")@Componentpublic class TextGeneratorLLM extends IdealLabLLMAbstractBase { @Override public void finishHandler(IdeaLabMessage message) { // 处理完成回调 log.info("Model execution finished: {}", message.getSessionId()); } @Override public void startHandler(IdeaLabMessage message) { // 处理开始回调 log.info("Model execution started: {}", message.getSessionId()); } @Override public void callback(Object[] args) throws Exception { // 异步回写逻辑 } @Override public IdealabRunIdeasRequest buildRequest(Object[] args) { // 构建请求参数 IdealabRunIdeasRequest request = new IdealabRunIdeasRequest(); request.setAppCode(getAppCode()); request.setQuestion((String) args[0]); return request; } @Override public CompletionRequest buildCompletionRequest(Object[] args) { // 构建OpenAI兼容请求 return new CompletionRequest(); }}会场智能测试平台实现从“人工测试”到“AI驱动智能测试判定”：构建覆盖全链路、贯穿全流程的智能化质量守护体系；在大促会场巡检中提高100%人效。边界上：从“工具为主人工为辅”走向“AI驱动智能测试判定”。效率上：会场测试整体提效40%，人力成本降低。（会场需求测试线上支持辅助回归验证）。
当前不足
1. 自动化深度不足
2. 兜底验证能力有待补充
页面渲染异常（如闪烁）识别准确率需提升
Tab切换等动态交互体验检测能力不完善
3. 功能覆盖不够全面
巡检范围需进一步扩展（如复杂交互、个性化推荐）
快照能力、诊断时效性、多端一致性校验待增强
4. 定投策略验证能力不足
5. 功能或产品能力可以更加的产品化一些，让需要的开发产品运营也能方便的使用
后续规划
在上述不足之处建设并改进。
LLM、多模态、Agent在会场领域测试专项中落地通过串联复杂工具，多模态判断起到一定效果，但实际需求测试环节中需求理解、数据构造、测试用例识别（测试内容选择）上更多靠人工辅助判断。预期将智能体Agent在会场领域落地朝向“需求意图Agent识别”、“测试数据AI构造”、“测试用例AI选择”方向探索。
在AIGC技术爆发、市场剧烈波动、技术栈快速迭代、模型架构多样化的行业背景下，我们在会场AI模型的业务会场测试中进行了一些探索。实践是检验真理的唯一标准，期待与各位专家学者深度交流，共同推动营销导购智能测试的演进。欢迎批评指正。
粤ICP备14082021号
免费POC，
零成本试错
