从风险识别到验证闭环：高德营销 AI 质量工程实践
BestBlog编程类文章 · 软件开发
📌 一句话摘要 文章介绍了高德营销业务中构建 AI 质量工程实践的方案，通过研发侧的 Graph Engineering 决策图识别风险、测试侧的 AgentLoop 工作流验证风险，最终形成可追溯的交付证据链。 📝 详细摘要 文章阐述了高德营销 AI 质量工程的实践方法，将 AI 的分析与执行能力纳入软件质量保障过程。研发侧采用 LangGraph StateGraph 构建决策图，组织多角色评审识别风险；测试侧通过四阶段 AgentLoop 工作流（变更分析、测试用例设计、测试方案设计、自动化实现）将风险转化为可验证的测试用例。案例展示了从风险识别到验证闭环的协同流程，最后通过看板数据观察问题处置情况。全文强调人工审阅在跨侧协作中的关键作用，旨在实现 AI 建议的可验证性与可追溯性。 💡 主要观点 研发侧构建 Graph Engineering 决策图进行风险识别 采用 LangGraph StateGraph 组织多角色（PM、QA、Developer、SRE、Security）并行审查，输出风险、代码位置及验证条件，形成可验证的风险结论。 测试侧通过四阶段 AgentLoop 工作流验证风险 包括变更分析、测试用例设计、测试方案设计和自动化实现四个阶段，形成测试资产并执行验证，产出可复查的验证记录。 案例展示了风险从识别到验证闭环的协同流程 以行业类型枚举变更为例，展示了风险发现、用例设计、TC-03 返回差异、开发补充分支和复测的处理过程，形成交付证据链。 人工审阅是跨侧协作的关键环节 相邻核心阶段之间设置人工审阅，确保'测什么''怎么测'和'代码怎样实现'分别被检查，避免问题在不同层次被混合处理。 自愈规则遵守独立依据约束 用例执行失败后区分问题类型，修订必须有独立依据，不能照抄实际响应，超过三次修订的用例标记为弱验证。 💬 文章金句 AI 质量工程，是将 AI 的分析与执行能力纳入软件质量保障过程的一种工程实践 研发侧以研发平台中的应用为入口，组织仓库、分支、扫描范围和验证命令等上下文 AgentLoop 通过变更分析、测试用例设计、测试方案设计和自动化实现四个核心阶段形成测试资产 用例执行失败后，先区分环境瞬时问题、数据残留、用例自身问题、预期错误和服务实现缺陷 把风险与验证结果关联为交付依据 📊 文章信息 AI 初评： 82 来源： 阿里云开发者 作者： 阿里云开发者 分类： 软件编程 语言： 中文 阅读时间： 21 分钟 字数： 5048 标签： 编程与工程 , AI Agent , 开发者工具 , 系统设计 , 增长营销 阅读完整文章