基于人工智能的代码分析与 Bug 检测实战
更多软件测试学习资料戳
简介
在人工智能还未盛行的时候,检测 Bug 通常是通过以下几种方式完成:
研发编写单元测试。
代码扫描工具,SonarQube、findbugs。
测试人员进行集成测试。
而现在其中的一部分工作,都可以通过人工智能提升效率,辅助开发与测试发现更多的问题,降低成本和提高软件质量。
在本章节,可以先了解一下在代码层面,基于人工智能工具,可以帮助我们提升哪些效率。
实践演练
人工智能可以帮助我们发现各种类型的 bug,包含:
代码执行报错。
没有实现需求。
变量命名不规范。
代码执行报错
以下代码的逻辑非常简单,给定一段列表 a,列表 a 中有四个元素,要从列表 a 中找到索引为 5 的元素,很容易就会发现,这段代码一定是跑不通的。这种会执行报错的代码,copilot 可以很容易帮我们定位到其中的问题。
输入错误代码:
给到提示词:请找出以上代码的 bug,先说明错误在哪并修复。
根据 copilot 的智能提示展示后面的代码内容。以下为 copilot 返回的信息,精准的定位到了问题。
没有实现需求
以下代码原本是一段冒泡排序的代码,但是冒泡排序通常要求:从小到大排序,但是这段代码是从大到小排序。接下来,可以通过 copilot 发现其中的 Bug 所在。
输入错误代码:
给到提示词:# bubble_sort()是一段实现了冒泡排序算法的函数请找出缺陷,先提示在问题是什么,然后再给出修改后的代码
根据 copilot 的智能提示展示后面的代码内容。以下为 copilot 返回的信息,精准的定位到了问题。
变量命名不规范
以下代码没有什么特别严重的问题,只是在变量名命名上面不符合 Python PEP8 的规范。但是 copilot 偶尔也能发现这种命名不规范的问题:
输入不规范的代码:
给到提示词:请指出以上代码不符合规范的地方,并予以修改
根据 copilot 的智能提示展示后面的代码内容。以下为 copilot 返回的信息:
但是这种类型的问题, copilot 也有很多时候发现不了,或者给出的提示毫无价值。所以也不能完全依赖 copilot 返回的结果内容。
总结
在这个章节,主要学习了在代码层面,基于人工智能工具,如何帮助我们查找 Bug 的技巧。其中 Bug 的类型也分为多种,主要包含以下几种:
代码执行报错。
没有实现需求。
变量命名不规范。
评论