常见问题

智测 OpenQA（openqa.cn）是 AI 时代的软件验证基础设施，也是面向 AI Coding Agent 的开放软件验证层。它独立理解变更、执行验证并交付证据、剩余风险与明确决策，把 Agent 的“已经完成”变成可检查、可复现、可审计的工程事实。智测 OpenQA 与 SUSE 维护的开源操作系统测试框架 openQA 没有关系。

AI Verification 是对 AI 生成的软件变更进行独立验证：从需求意图与代码影响出发，选择真正有效的测试和工程检查，确认缺陷版本会失败、修复版本能通过，并明确记录直接证据、覆盖缺口与剩余风险。它验证的不是 Agent 是否给出了答案，而是该答案是否足以支持合并和发布。

OpenQA Skills 提供可在 Coding Agent 与 CI 中直接运行的验证能力；OpenQA Benchmark 用可复现任务衡量 Agent 是否能理解需求、定位影响、设计有效测试并识别剩余风险；OpenQA Evidence Format 以 Intent、Change、Verification、Evidence、Risk、Decision 六段结构统一不同 Agent、测试框架和 CI 的验收输出。

OpenQA Verifier 是运行在开发者电脑或 CI 中的独立软件变更验证器。它读取变更目标、Git Diff、仓库规则和已有工程信号，分析影响与证据缺口，调用测试、代码分析、安全扫描和真实环境执行，并形成说明依据、剩余风险和下一步动作的 Change Acceptance Record。

OpenQA Verifier 处于内测阶段，计划 2026 Q4 公测；用例管理平台与接口平台已在内测团队使用，其余验证能力按 roadmap 陆续开放。可以在 /beta 页面申请用一个 Agent PR 参与内测，技能库（/skills）与文章（/articles）对所有人开放。

不是。OpenQA 的验证对象是软件变更，可涵盖应用代码、API、移动端、配置、依赖、数据库迁移和基础设施代码。目前执行适配覆盖 Web、iOS、Android、小程序、REST、GraphQL、gRPC、Playwright、pytest、JUnit，浏览器、接口和真机只是可按风险调用的验证环境，不是产品边界。

证据化软件变更验收，是围绕一次具体变更连接目标、代码影响、测试与安全结果、真实执行证据和策略要求，再判断这些证据是否足以支持合并或发布。它不把“CI 变绿”或 Agent 的完成声明直接等同于正确，而是显式记录验证了什么、没有验证什么以及谁承担剩余决策。

OpenQA 先根据变更意图、影响范围和风险制定验证计划，再获取底层工具的直接证据，并用版本化企业策略判断证据充分性。满足合并条件时给出通过；存在已知但可接受的剩余风险时要求复核；明确失败或违反策略时阻断；关键信息缺失时标记证据不足，而不是伪造确定答案。

OpenQA Verifier 与自研验证平台是闭源产品，内测期间免费；正式定价将在公测时公布。技能库中的社区技能与 MCP 服务器遵循各自的开源许可证，本站只做收录与评测，不改变其许可。

Verifier 可在本机或私有环境运行，按最小权限读取代码与工程资产；对外部系统的读写保留记录，高风险写回需要人工确认。每个技能声明 shell、网络和凭据权限。验收策略可设置为生成 Agent 不可修改，代码、策略或证据变化后旧结论自动失效，避免生成者通过弱化规则为自己放行。

智能测试（AI 测试）是指将 AI 深度融入软件质量全生命周期的工程体系。智测 OpenQA 覆盖九大核心能力：1) 智测桌面 Agent（本地自主规划与执行）；2) 智测 Skill Hub（MCP 测试工具库）；3) 智能用例生成（基于需求与代码 Diff）；4) 智能 UI 自动化测试（多模态自愈与证据保留）；5) 智能接口测试（OpenAPI 契约生成与漂移检测）；6) 智能代码知识图谱（调用链影响面分析）；7) 智能代码覆盖率（多层增量覆盖追踪）；8) 智能 Mock（动态服务仿真）；9) 智能数据构造（参数与业务状态机合成）。

智能代码知识图谱静态解析代码的语法树（AST）、类与方法调用链、RPC/REST 接口依赖、数据表流转与已有用例关联。在研发提交 Git Diff 时，图谱在毫秒级内自动推导出直接影响与间接波及的入口、接口和业务场景，彻底解决“改了一行代码，不知道要测哪些业务”的行业痛点。

传统覆盖率是构建结束后的静态全量行统计；智能代码覆盖率聚焦增量改动，打通单元测试、接口测试和 UI 自动化三层探针，动态合并计算本次变更代码的真实有效覆盖率，并能把未覆盖的风险代码块直接推送给 Agent 自动补写用例。

智能 Mock 根据契约与真实抓包动态返回符合 Schema 的结构与状态响应，支持故障注入与复杂业务流仿真；智能数据构造依据字段约束与业务状态机，自动合成海量符合合规要求的测试数据（如特定规则卡号、级联表单、关联业务订单），无需人工繁琐造数。

智能 UI 自动化测试是智测 OpenQA 的核心杀手级能力之一。它通过三层自愈体系彻底终结传统 UI 脚本的“高维护、高脆弱”梦魇：1) **多模态语义定位**：结合 ARIA Role 无障碍语义树、文本语义、几何相对关系与视觉图像识别建立多维弹性锚点，不再依赖易脆的绝对 XPath/CSS；2) **毫秒级自愈机制（Self-Healing）**：前端改版或 DOM 结构变更时，Agent 自动推导目标元素并自愈完成操作，同步输出 Diff 修复建议；3) **智能动态等待与现场取证**：基于网络请求空闲与 DOM 渲染状态动态等待，失败时自动打包全景录屏、HAR 抓包包体、DOM 快照与控制台报错，精准归因是真 Bug 还是环境延迟。

Playwright、Selenium、Appium 是底层自动化驱动，负责执行浏览器或设备操作；OpenQA 是面向软件变更的独立验证与验收层。OpenQA Verifier 根据变更风险决定是否调用这些驱动，把执行结果与其他测试、安全和代码信号归一为变更级证据，再判断是否达到合并或发布条件。

普通大模型仅依靠几句 Prompt 提示词做无上下文的文字生成，容易产生幻觉、无法去重且无法与工程资产联动。智测 OpenQA 基于代码知识图谱、OpenAPI 契约、历史缺陷与实际测试覆盖率，生成带有准确前置条件与边界断言的结构化用例，并支持增量修改与可追溯性评审，能无缝双向写回企业现有用例库。

智测 OpenQA 提供标准 CLI 工具、Webhook 与 MCP 插件，可在 GitHub Actions、GitLab CI、Jenkins 等流水线中作为代码合并门禁前置运行，计算变更影响并按需触发回归。测试结果、诊断日志与证据可自动回传至 Jira、TAPD、飞书项目或自研用例管理系统。

邮件 hello@openqa.cn，或通过 /contact 页面的微信群与 GitHub Issues。技能库的收录与勘误请使用 /submit 表单。

CI/CD 负责执行流程，测试和安全工具负责产生各自领域的信号。OpenQA 面向一次具体软件变更，判断应该调用哪些工具、已有结果是否足以证明变更达到合并或发布条件，并将依据与剩余风险写入统一验收记录。

生成与验证共享同一上下文和假设时，容易产生同源错误，也可能通过弱化测试或修改配置获得绿色结果。OpenQA 将验收策略、证据来源和决策记录与生成角色分离，并在代码、策略或证据变化后使旧结论失效。

记录包含变更目标、代码与依赖版本、验证计划、实际执行的检查、直接证据、未覆盖风险、策略版本、合并与发布结论以及人工决定。它既可以是产品页面，也可以通过 API 写回 Pull Request 和审计系统。

不会。第一阶段重点是证明变更是否准备好合并，并明确证据不足之处。只有满足企业明确策略的低风险变更才适合自动准入；高风险、冲突或证据不足的情况会要求人工复核或直接阻断。

不是。验证对象是软件变更，可涵盖应用代码、API、移动端、配置、依赖、数据库迁移和基础设施代码。浏览器、接口和真机只是可按风险调用的执行环境，不是产品边界。

系统先读取需求、接口定义、代码实现与已有测试资产，构建输入输出等价类、边界条件、状态转换机与权限矩阵，再生成包含前置条件、测试数据、操作步骤、预期断言与依据来源的结构化用例，最终经规则校验与人工确认入库。

纯 Prompt 对话往往缺乏工程上下文、用例格式不统一、无法去重且容易产生幻觉；智测 OpenQA 能够结合代码知识图谱、OpenAPI 契约、历史用例库与测试覆盖率，做语义去重、可执行性校验，并直接双向同步团队现有用例管理平台。

可以生成基础功能用例，但加入接口定义、代码差异、历史缺陷记录、线上真实流量和已有用例后，AI 才能精准识别边界边界、跨模块调用风险与未覆盖分支。

生成前先对已有用例库进行向量检索与语义比对；生成时要求强类型字段规范与可执行步骤检查；生成后计算增量差异并展示覆盖目标，最终通过人工一键评审入库。

稳定、前置条件清晰且断言明确的用例可一键转换为 API（REST/gRPC）或 Playwright UI 自动化脚本；复杂主观交互或高风险业务仍保留人工复核。

传统录制回放工具（如 Selenium IDE、旧式录制器）机械记录绝对 XPath、CSS 路径或像素坐标，前端页面稍微调整样式、类名或结构就会大面积失效；智能 UI 自动化基于大模型与多模态视觉，理解按钮、输入框、下拉框等控件背后的业务语义（如“搜索按钮”、“收货地址输入框”），结合 ARIA 无障碍树与视觉特征进行多重弹性定位，即使页面发生改版也能自愈定位并执行操作。

UI 自动化自愈是指当测试脚本在执行过程中遇到页面改版、元素属性（ID/Class/DOM层级）发生变更导致原始定位器找不到时，AI Agent 结合该元素历史特征（文本语义、相对邻近元素、ARIA Role、视觉截图）在毫秒级内自动推导出新的定位方式并完成操作，同时生成自愈 Diff 修改建议供测试工程师确认合并，无需人工紧急停机修脚本。

全面支持主流 Web 浏览器（Chromium / Google Chrome、Apple WebKit / Safari、Mozilla Firefox、Microsoft Edge）、移动端操作系统（iOS 与 Android 真实手机/平板）以及主流小程序容器（微信小程序、支付宝小程序、Hybrid 混合应用）。底层无缝兼容 Playwright、Appium 与 MCP 协议。

智测 OpenQA 通过四层防护彻底消除抖动：1) 杜绝固定 sleep，采用网络请求完成、DOM 渲染稳定、动画结束等多重智能动态等待；2) 配合智能 Mock 与数据构造，保证每次运行的数据和依赖隔离；3) 多模态定位备选兜底；4) 自动重试机制与现场全景取证（HAR包+视频录制），精准区分产品缺陷与网络延迟。

可以。测试人员或产品经理只需输入自然语言描述（例如“打开官网首页，点击右上角登录，输入测试账号密码，断言顶部出现用户头像和欢迎语”），Agent 会自动解析意图并将其编译为规范的结构化步骤与 Playwright/Appium 代码，并能在执行过程中根据真实页面响应进行交互微调。

根据现代质量工程最佳实践，80% 的字段校验、数据转换和单接口逻辑应下沉到单元测试与智能接口测试层；智能 UI 自动化聚焦在 Top 20% 最核心、高价值的端到端真实用户主旅程（E2E User Journeys）与跨页面核心闭环业务。这样既能保证核心体验不受破坏，又能把整体回归耗时控制在极低水平。

智能代码知识图谱是通过静态代码解析与动态链路追踪，将代码中的仓库、模块、类、方法、REST/RPC 接口、数据库表以及对应的测试用例构建为一张多维关联网络。在代码发生变更时，图谱能在几毫秒内推导出所有直接与间接影响链路，从而让测试人员和 Agent 拥有全局视角，精准定位该测什么。

传统覆盖率往往只是流水线结束后的静态全量行覆盖百分比，无法指导具体改动该怎么测。智能代码覆盖率支持：1) 针对 PR/Commit 的增量代码行与分支覆盖统计；2) 合并单元测试、接口测试与 UI 端到端测试的三层混合覆盖率；3) 精确指示哪些变更代码未被覆盖，并能把未覆盖路径直接推送给 Agent 自动补写用例。

精准测试传统上侧重基于代码行/分支覆盖率做用例与代码的逆向映射；变更影响分析体系更加立体，综合了代码 AST 语法树、函数调用图谱、OpenAPI 契约依赖、线上微服务网关流量日志以及历史失败率，不仅能精准挑选该跑什么，还能洞察未覆盖盲区并指导 AI 补写用例。

通过保守型调用链扩展算法与多重防护机制降低风险：1) 向上向下递归遍历间接依赖；2) 涉及核心公共库、底层中间件或数据库 Schema 变更时自动升级全量回归策略；3) 始终保留基线 P0 核心冒烟用例兜底。

基础阶段仅需 Git 代码仓库与提交 Diff、接口定义及测试用例；进阶阶段接入 JaCoCo / Istanbul / Coverage.py 等覆盖率探针与 APM 链路追踪日志后，分析精准度可达 95% 以上。

在 PR / MR 创建或代码推送事件触发时，智测 OpenQA 变更分析作为前置 CI Step 运行，几秒内计算出用例清单并分发执行，测试结果与证据通过 Bot 评论或 Check Run 直接回写到代码评审界面。

普通 Mock 只能返回写死的固定 JSON 静态片段，无法处理动态参数关联、状态流转和复杂分支；智能 Mock 能够根据 OpenAPI 契约和历史真实流量样本，动态根据请求入参计算并返回匹配的 Schema 结构，支持状态机仿真、动态延迟模拟和故障注入，真正实现高保真服务隔离。

智能数据构造是利用 AI 与规则引擎，依据数据库表结构、接口字段约束（正则/长度/格式）、外键依赖与业务状态机，自动化合成海量真实且合规的测试数据。它能自动生成符合身份证号、手机号、银行卡规则的数据，并支持上下文连续业务流（如生成可用的优惠券码并用于下单结算）。

传统工具重在手动填参、手动写断言脚本或纯压力测试；智能接口测试通过 AI 自动理解 OpenAPI 规范和流量，全自动推导多接口依赖链路、穷举边界参数、生成强类型断言，并结合智能 Mock 与契约漂移监控实现无人值守回归。

可以生成覆盖参数类型、边界与 HTTP 状态码的基础用例；结合历史真实流量样本与数据依赖建模后，能进一步生成多接口业务串联场景（如下单-支付-发货链路）。

鉴权通过环境级变量注入与动态 Token 刷新拦截器处理；外部第三方服务或不稳定内部依赖通过智能动态 Mock Server 隔离，确保接口执行结果完全可控。

根据测试金字塔原则，80% 以上的业务逻辑、数据流与边界校验应当由接口自动化承载；UI 测试仅需聚焦核心端到端用户主旅程，从而大幅提升整体回归效率与稳定性。

通常覆盖四大体系：1) RAG 检索与生成指标（检索精确率、召回率、Faithfulness 忠实度、Answer Relevance 相关性）；2) 业务准确性（Ground Truth 命中率、语义相似度）；3) Agent 工具调用评测（工具选型正确率、参数填充准确率、规划路径步数）；4) 安全红队评测（越狱、提示词注入、毒性与隐私泄露）。

在设计了结构化评分维度、Few-Shot 示例并配合基准判定模型时，LLM-as-judge 与人工专家评分的一致性可达 85%~92%。最佳工程实践是将规则断言（正则/JSON Schema）、LLM 打分与专家抽检三者结合。

重点分层测试：检索层关注 Top-K 召回率与排序质量，生成层关注模型是否严格基于召回上下文回答（杜绝幻觉），端到端关注用户问题解决率与响应延迟。

传统测试保障接口协议、鉴权、限流、数据库存储等确定性系统链路；大模型评测保障概率性文本生成的质量下限。两者均集成在 CI/CD 中作为双重质量保障。

模拟器无法完全模拟 ARM 指令集特性、定制厂商 ROM 系统弹窗、推送通知行为、GPS 定位、蓝牙传感器以及真实硬件性能开销。线上 70% 以上的崩溃与卡顿兼容性问题必须在真实手机上才能复现与验证。

Agent 通过标准化的 MCP（Model Context Protocol）或 Appium 驱动连接云端设备，结合 Accessibility 无障碍层次树与 OCR 视觉模型理解界面控件，自动完成点击、滑动、输入、权限授权与手势操作。

完全支持。通过接入移动端底层渲染与 WebView 调试通道，Agent 能够穿透小程序与混合容器进行 DOM/语义层级的操作与断言。

采用租户级隔离网络与沙箱环境；执行结束后执行设备全量数据擦除与应用卸载；所有测试凭据通过安全环境变量加密注入，绝不落地在脚本明文中。