一、大模型的优势
从前期使用GPT等大模型情况来看，大模型目前对于逻辑简单，描述步骤越清晰、经验总结性、以及标准模型模版类的问题GPT更有优势；回答的更全面、更详细。但有时GPT也会把一些过时理论或经验也一起参杂在大部分正确的答案中，需要人工辅助评审纠正。对一些逻辑比较复杂、决策影子较多的事物或者事项、以及涉及到感情或者心理行为的事情从目前测试结果上还是有进一步发展空间。
总结起来大模型目前优势：
1）优势：
标准化的工艺流程
描述越清晰的信息
基于之前的资产沉淀和经验
日常工作助手
2）劣势：
逻辑比较复杂的业务
决策因子比较复杂的工作
涉及到感情或者心理行为的工作，如验收测试
本文主要从提升软件开发工艺和提升日常工作效率两个角度进行讨论总结。
二、大模型在软件开发标准工艺流程应用
根据大模型的试用、测试结果以及优势劣势分析来看，结合软件研发标准流程中的V模型维度来看，在需求、设计、开发编码、单元测试、集成测试、UAT测试。ChatGPT等大模型在研发流程中应用的程度体现出：“中间阶段比较容易实现，在两端比较难实现”。
在研发标准流程中比较容易做的事情：
设计阶段：各种设计图，比如类图、时序图、ER图等，这些人工画起来比较费时费力的工作，chatGPT按照模版化流程、标准格式描述很容易自动生成各种图表。
编码阶段，基于chatGPT代码编写、辅助之前的各种代码生成工具，可以按照要求很快得生成各种组件代码和部分业务代码；同时可以利用ChatGPT进行代码检查与评审工作。
单元测试：根据业务代码生成测试代码和测试数据
集成测试：
1）业务测试用例生成
测试用例生成：对于确定的需求，描述清楚的测试大纲，很容易进行自动化用例的生成转化。
测试数据脚本的自动生成。
2）基于测试经验的能力复用
测试用例推荐，对于相对稳定的产品如银行存款、贷款等产品，根据之前测试经验以及学习计算，在测试执行时，自动生成测试用例的推荐，然后通过人工微调确认。
测试用例执行时序和执行策略推荐：
测试数据生成脚本的自动生成
3）通用产品支撑
组件测试用例生成
测试数据自动生成
自动化测试脚本的自动生成
需求阶段：需求可分为两种方式，一种是通过业务架构师或者产品专家构建规划的产品，一种是基于用户需求转化的产品，对于前者一般产品结构复杂，很难一次想清楚所有的需求；而对于后者，因为用户个性化和喜好不同，需要通过大量的测试验证，才能真正确定，比较难以通过大模型或者GPT进行生成，但可以通过GPT进行辅助工具进行优化调整需求。
UAT测试阶段：要验证产品是否满足用户需求，更多的是通过用户感知，是一种非理性的行为方式，很难用没有感情工具替代。
三、大模型在日常工作中的应用
除了在软件研发流程中GPT能发挥很大的作用，对我们日常工作也有很大的帮助，在工作中可以充当工作助手。
工作思路提示：如某些新课题或者未知的领域，通过ChatGPT给出一些关键字提示，有利于我们全面的、深入思考。
日常工作助手：帮助我们写一些简单SQL语句、简单的代码等，可以帮助我们提升日常工作的效率
资料材料大纲和模版：如汇报材料、工作总结等大纲编写，日报、周报等日常工作。
四、各大公司大模型的应用实践思考
通过一些公开的分享和对同行的调研，目前互联网公司大多在按照本文讨论的结果，在“软件研发流程中。大模型在中间留出发挥作用更大，在两端发挥的作用更小一些”，中间阶段发力。但以银行为代表的大型国企却在都在两端发力，而没有在中间发力。两种不同的实践，没有对错，但却代表了两种对大模型应用思考的路径。
最后：下方这份完整的软件测试视频教程已经整理上传完成，需要的朋友们可以自行领取【保100%免费】
软件测试面试文档
我们学习必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有字节大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。
