一种车载测试缺陷的AI智能分析与结构化生成方法及系统与流程

摘要: 本发明涉及车载测试与ai智能分析,尤其涉及一种车载测试缺陷的ai智能分析与结构化生成方法及系统。背景技术:1、随着智能网联汽车产业的快速发展,整车电子架构持续升...
一种车载测试缺陷的AI智能分析与结构化生成方法及系统与流程

本发明涉及车载测试与ai智能分析,尤其涉及一种车载测试缺陷的ai智能分析与结构化生成方法及系统。

背景技术:

1、随着智能网联汽车产业的快速发展,整车电子架构持续升级迭代,车载软件承载的功能模块不断增多、版本迭代频次持续加快。在此背景下,整车集成测试、域控功能测试等核心研发测试环节的覆盖范围与执行频次同步提升,测试过程中产生的缺陷数量呈现大幅增长态势,对车载测试缺陷的处理效率与规范化水平提出了更高要求。

2、当前车载测试领域的缺陷处理工作,主要依托人工手动编撰与传统模板化ai生成两类主流方式开展。在人工手动编撰模式下,测试人员结合测试现场的实际情况,手动整理记录缺陷现象、复现步骤、软硬件环境信息等缺陷相关内容。而传统模板化ai生成方案,则主要借助通用大模型的基础能力,基于预设的固定模板完成文字填空式的缺陷内容生成,以此辅助完成缺陷录入相关工作。

3、现有车载测试缺陷处理方式主要存在以下技术问题:

4、第一,人工手动编撰模式虽然具备较高灵活度,但重复性工作量大、缺陷录入效率偏低;在版本回归测试、批量功能迭代测试等场景下,人工编撰的人力与时间成本显著升高,且人工录入的缺陷内容普遍存在表述随意、口语化严重的问题,易出现关键信息缺失、字段填写不规范的情况,缺陷单据的可澄清性较差。开发人员接收缺陷单据后,无法快速理解故障场景与异常特征,需要反复进行跨岗位沟通确认,直接拉长了故障排查与问题闭环的周期。

5、第二,传统模板化ai生成方案同样存在诸多不足,例如现有通用大模型仅能基于固定模板完成文字填空式生成,不具备车载测试领域的专业业务语义理解能力,无法自动拆解测试业务场景、智能抽取缺陷关键要素,生成的内容不符合车载测试通用规范,无法辅助开发人员快速定位故障根因。同时,现有技术未搭建车载测试专属的业务知识库、缺陷标准规范库与多场景业务模板库,无法适配不同车型、不同域控、不同测试场景的差异化生成逻辑;方案本身也缺乏异常要素归纳、关联模块识别、疑似根因推演的自主推理能力。此外,现有方案的设计视角较为单一,仅聚焦于测试侧的录单提效,并未从测试发现、缺陷流转到开发调试的全链路进行架构设计,无法从根本上降低开发人员的理解成本与排障耗时,整体技术落地价值有限。

技术实现思路

1、本发明实施例提供一种车载测试缺陷的ai智能分析与结构化生成方法及系统,用以解决现有技术中现有车载缺陷人工录入低效、描述不规范、通用ai无车载业务语义、无法全链路辅助排障的技术问题。

2、在本发明实施例的第一方面,提供了一种车载测试缺陷的ai智能分析与结构化生成方法,包括:

3、采集车载测试过程中的原始非结构化数据;

4、通过ai agent对所述原始非结构化数据进行语义解析,识别当前测试所属的业务场景,并抽取缺陷核心要素;

5、基于所述业务场景和所述缺陷核心要素,调用大语言模型关联预先构建的车载测试综合知识库进行语义推理,得到规整后的缺陷分析结果;

6、根据所述缺陷分析结果,按照开发人员故障排查逻辑进行结构化分层重组;

7、根据所述业务场景自适应匹配对应的标准模板,将结构化分层重组后的缺陷内容填充至所述标准模板中,生成标准化缺陷工单。

8、优选的,在采集车载测试过程中的原始非结构化数据之前,所述方法还包括:

9、构建车载测试综合知识库;所述车载测试综合知识库包括通用车载测试业务知识库、缺陷标准字段规范库和多业务场景模板库;

10、在所述缺陷标准字段规范库中统一定义标准缺陷固定字段,所述标准缺陷固定字段包括问题现象、前置条件、操作复现步骤、异常必现概率、软硬件环境配置、关联车载模块和疑似故障根因。

11、优选的,所述采集车载测试过程中的原始非结构化数据,包括:

12、采集车载测试过程中的测试操作日志、车载界面异常画面、系统报错报文和功能交互记录,作为原始非结构化数据。

13、优选的,所述通过ai agent对所述原始非结构化数据进行语义解析,识别当前测试所属的业务场景,并抽取缺陷核心要素,包括:

14、通过ai agent的感知理解模块对所述原始非结构化数据进行语义解析,自动识别当前测试所属的业务场景;

15、在所述业务场景下,智能抽取缺陷核心要素,所述缺陷核心要素包括异常表现、完整操作路径、软硬件版本、运行环境和关联车载功能模块。

16、优选的,基于所述业务场景和所述缺陷核心要素,调用大语言模型关联预先构建的车载测试综合知识库进行语义推理,得到规整后的缺陷分析结果,具体包括:

17、调用大语言模型关联所述通用车载测试业务知识库,对所述缺陷核心要素进行语义推理,自动补全缺失字段、统一行业专业术语、剔除口语化表述,得到规整化的缺陷描述;

18、基于所述缺陷核心要素和所述规整化的缺陷描述,调用大语言模型推演故障疑似根因与功能影响范围,得到缺陷分析结果。

19、优选的,根据所述缺陷分析结果,按照开发人员故障排查逻辑进行结构化分层重组,包括:

20、以开发人员排查车载故障的常规思维顺序为排布依据,对所述缺陷分析结果中的缺陷内容进行重新排序与分层整理,使缺陷内容按照异常现象、复现操作步骤、软硬件环境、关联模块和疑似根因的顺序依次排列呈现。

21、优选的,在生成标准化缺陷工单之后,所述方法还包括:

22、将生成的标准化缺陷工单统一归档入库;

23、收集测试端与开发端的使用反馈;

24、根据所述使用反馈,迭代优化ai agent的要素抽取规则、prompt生成规则以及所述车载测试综合知识库的配置。

25、在本发明实施例的第二方面,提供了一种车载测试缺陷的ai智能分析与结构化生成系统,包括:

26、测试数据采集模块,用于采集车载测试过程中的原始非结构化数据;

27、场景要素抽取模块,用于通过ai agent对所述原始非结构化数据进行语义解析,识别当前测试所属的业务场景,并抽取缺陷核心要素;

28、缺陷语义推理模块,用于基于所述业务场景和所述缺陷核心要素,调用大语言模型关联预先构建的车载测试综合知识库进行语义推理,得到规整后的缺陷分析结果;

29、缺陷分层重组模块,用于根据所述缺陷分析结果,按照开发人员故障排查逻辑进行结构化分层重组;

30、工单模板适配模块,根据所述业务场景自适应匹配对应的标准模板,将结构化分层重组后的缺陷内容填充至所述标准模板中,生成标准化缺陷工单;

31、缺陷闭环迭代模块,用于将生成的标准化缺陷工单统一归档入库,并收集测试端与开发端的使用反馈,根据所述使用反馈迭代优化ai agent的要素抽取规则、prompt生成规则以及所述车载测试综合知识库的配置。

32、在本发明实施例的第三方面,提供了一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器运行的计算机程序,所述处理器执行所述计算机程序时实现如本发明实施例第一方面所述方法的步骤。

33、在本发明实施例的第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如本发明实施例第一方面所述方法的步骤。

34、本发明提供的车载测试缺陷的ai智能分析与结构化生成方法及系统,与现有技术相比,具有以下有益效果:

35、1.提升测试效率。本发明通过ai agent自动采集原始非结构化数据并完成场景识别与缺陷核心要素抽取,替代了传统人工手动编撰方式中大量重复性、机械性的录入工作,降低了测试人员的人工编撰工作量与时间成本,适配高频回归、多版本迭代等大批量测试场景。

36、2.增强缺陷可澄清性。本发明调用大语言模型对缺陷核心要素进行语义推理,自动补全缺失字段、统一行业专业术语、剔除口语化表述,并按照开发人员故障排查逻辑进行结构化分层重组,使生成的标准化缺陷工单具备规范的结构、完整的信息和清晰的逻辑,开发人员可快速理解故障场景与异常特征,无需反复跨岗位沟通确认,有效缩短debug排查及根因定位周期。

37、3.具备车载测试领域专业语义理解与自主推理能力。本发明构建了包含通用车载测试业务知识库、缺陷标准字段规范库和多业务场景模板库的车载测试综合知识库,并以ai agent为核心引擎对大语言模型进行业务增强,使系统具备车载测试领域专业语义理解能力,能够自动拆解测试业务场景、智能抽取缺陷核心要素,并进一步推演故障疑似根因与功能影响范围,摆脱了传统通用大模型仅基于固定模板做文字填空式生成的局限。

38、4.架构通用可扩展。本发明不依赖特定车型与品牌,可泛化适配各类整车、各域控测试业务;车载测试综合知识库与多业务场景模板库支持持续扩充,新业务场景可快速接入,复用性强、维护成本低。通过场景自适应模板匹配与差异化权重调整机制,可针对不同测试业务突出核心缺陷信息,提升缺陷内容的针对性与可读性。

39、5.实现全链路价值闭环。本发明通过将标准化缺陷工单统一归档入库,实现了缺陷资产的标准化沉淀与可追溯管理;通过收集测试端与开发端的使用反馈并据此迭代优化agent要素抽取规则、prompt规则及知识库配置,使系统的缺陷分析准确率与工单生成质量能够持续提升,实现了从测试高效录单、开发快速排障到缺陷资产标准化沉淀的全链路价值闭环,形成了车载测试垂类ai agent的核心技术壁垒。