测试度量与质量效能

共 20 题
📑 题目列表 20 题
#
★★★

1. 测试充分性的度量方法,除了代码覆盖率,还有哪些维度可以评估测试充分性?

除了代码覆盖率之外,还有哪些维度可以评估测试的充分性?

  • 测试充分性是多维概念,代码覆盖率只是其中一维
  • 需求覆盖、数据覆盖、风险覆盖等补充维度
  • 正确理解"充分"与"完备"的边界,避免唯覆盖率论

测试充分性应从"输入空间"和"输出/行为空间"两个层面评估。除了代码覆盖率,还包括:需求/特性覆盖(每条需求、每个验收标准是否被测试用例覆盖)、分支与条件覆盖(对逻辑分支的覆盖程度)、MCDC 覆盖(多条件组合,航空等安全领域强制)、数据覆盖(等价类、边界值、状态转换的覆盖)、接口覆盖(外部服务与内部模块的调用关系)、场景覆盖(端到端用户旅程)、风险覆盖(高优先级业务风险是否被测试命中)、以及缺陷模式覆盖(历史缺陷类型是否被回归测试覆盖)。实际工程中常以"覆盖率-缺陷密度-业务风险"的组合来判断,而不是单一指标。

代码覆盖率回答"代码是否被执行",但不回答"行为是否正确、输入是否穷尽"。一个高覆盖率的测试可能只覆盖了 happy path,而遗漏了边界与异常。因此充分性应结合需求可追溯性、数据等价类、风险优先级,以及缺陷逃逸率来综合判断,才能避免"100% 覆盖但业务仍出问题"的假象。

// 用组合维度评估充分性:覆盖率 + 需求覆盖 + 风险覆盖
class TestSufficiency {
    double codeCoverage;      // 代码/行覆盖率
    double requirementCover;  // 需求覆盖比例
    double branchCoverage;    // 分支覆盖比例
    double riskCover;         // 高风险项覆盖比例

    boolean isSufficient() {
        // 覆盖率好看但风险覆盖不足时,仍判定为不充分
        return codeCoverage >= 0.8
            && requirementCover >= 0.95
            && riskCover >= 0.9;
    }
}
#
★★★

2. 测试度量仪表盘(Dashboard)的设计与反模式,如何避免度量驱动的错误行为?

如何设计测试度量仪表盘,并避免度量驱动的错误行为?

  • 仪表盘设计应服务决策而非表演
  • 识别并规避"为达标而博弈"的反模式
  • 指标用时应分层、注重趋势而非单一数值

好的仪表盘应围绕"团队能影响、与业务结果相关、不容易被博弈"的指标来设计,并分层展示:交付层(缺陷逃逸、发布频率)、质量层(自动化率、flakiness、MTTR)、过程层(覆盖率、单测反馈时间)。反模式包括:把覆盖率当 KPI 导致"为覆盖率而写无效测试"、把缺陷数当 KPI 导致隐藏 Bug 或减少测试、把自动化率当唯一目标导致高风险模块无人测。规避手段是:用比率/趋势代替绝对值、以"缺陷逃逸率"等结果指标校准"覆盖率"等过程指标、按团队而非个人考核、并定期回顾指标是否被博弈。

仪表盘的价值在于"引导正确行为",而任何指标一旦被作为考核目标都可能被博弈(古德哈特定律)。因此设计时应优先选择难以短期伪造的结果指标,配合过程指标作为诊断信息,并让团队看到指标背后的业务意义,而不是单纯排名。

#
★★★

3. 敏捷测试的度量与治理,如何设计不抑制创新的测试度量体系?

在敏捷测试中,如何设计一套不抑制创新的测试度量体系?

  • 度量与敏捷价值观的平衡
  • 创新与质量保障的兼顾
  • 过程指标与结果指标的搭配

敏捷强调响应变化与持续改进,度量体系若过度强调"达标"会抑制探索性测试、新工具尝试和实验性实践。设计要点:以结果指标(缺陷逃逸、交付周期、用户满意度)为主,过程指标(自动化率、覆盖率)仅作参考;鼓励"实验预算"——允许团队在固定时间内尝试新工具而不计入核心考核;对探索性测试(charter-based)单独度量,不要求与自动化相同的覆盖率;用"回顾中团队自评"取代"自上而下排名"。同时避免把个体缺陷率用于个人绩效,避免团队掩盖问题。

创新需要试错空间,而度量天然带有"评判"属性。若把每个过程指标都变成硬性目标,团队会趋向保守、只做能达标的事。因此度量体系应让"质量结果的改善"成为共同目标,把方法创新视为达成目标的手段而非被考核的对象。

#
★★★

4. 测试报告与度量采集工具链的设计,如何构建端到端的测试度量体系?

如何构建端到端的测试度量体系,从测试报告到度量采集的工具链该如何设计?

  • 数据采集、传输、存储、展示的完整链路
  • 统一报告格式与多源数据聚合
  • 指标口径的一致性与可追溯性

端到端度量体系由四层构成:采集层(测试框架输出 JUnit XML、覆盖率报告、构建日志等结构化数据)、传输层(CI 管道将报告上传到测试平台或度量仓库)、存储层(时序数据库或数仓,记录用例执行、缺陷、构建等事实)、展示层(Dashboard 聚合多项目、多框架数据并设置告警)。关键设计是统一数据口径:用统一的用例 ID、执行时间、结果状态规范,避免各框架输出格式不一致导致无法聚合。同时为每个指标定义"度量口径"(如缺陷逃逸率的分母含哪些缺陷),保证跨团队可比。

度量体系的价值取决于数据质量。若采集口径不一致、数据散落多套系统,就无法形成可信的趋势。因此要先把"上报"标准化(JUnit XML、traceability 数据),再在平台上做聚合与可视化,最后用告警驱动改进。

#
★★★

5. DevEx(Developer Experience)度量,本地构建时间、测试反馈周期、上下文切换次数的量化与改进?

如何量化并改进本地构建时间、测试反馈周期、上下文切换次数等开发者体验指标?

  • DevEx 指标的定义与量化方法
  • 反馈周期对开发效率的影响
  • 针对性的改进手段

DevEx 度量关注开发者的"内循环"体验:本地构建时间(每次改代码到可编译验证的耗时)、单元测试反馈周期(save 到拿到测试结果的秒级时间)、上下文切换次数(开发者在判断任务间来回切换导致的损耗)。量化方法:在 CI 与本地工具中埋点记录构建耗时、测试执行耗时、以及任务切换频率;用"一次变更闭环时间"(从改代码到可运行)作为核心指标。改进手段包括:增量编译与热重载、测试分级(秒级/分钟级/长时级)、测试选择(只跑受影响用例)、提升本地测试基础设施、减少手动等待。DevEx 改善直接降低切换成本,提升研发吞吐与质量。

反馈周期越长,开发者越容易在等待中切换任务,导致上下文损耗和引入错误。DevEx 度量不是"锦上添花",而是影响交付速度与质量的关键杠杆,因此需要量化并以工程手段持续优化。

#
★★★

6. 测试度量指标的"好的指标 vs 坏的指标"区分,指标必须能反映质量、引领行为、不被博弈;常见反模式(覆盖率挂帅、缺陷数考评)?

如何区分"好的指标"与"坏的指标",并避免覆盖率挂帅、缺陷数考评等反模式?

  • 好指标的三要素:反映质量、引领行为、不被博弈
  • 常见反模式及其危害
  • 指标组合与校准策略

好的测试指标应满足:能真实反映质量(与缺陷逃逸、可用性相关)、能引领正确行为(通知团队该做什么)、不易被博弈(难通过短期投机达成)。常见反模式:覆盖率挂帅(把覆盖率当唯一目标,导致写大量无效断言、只覆盖简单代码)、缺陷数考评(鼓励隐瞒、减少测试、甚至不报 Bug)、自动化率至上(忽略高风险模块的测试质量)。规避方法:用缺陷逃逸率、线上事故恢复等结果指标校准过程指标;不在个人层面考核缺陷数;用"测试有效性"(用例发现缺陷的比率)替代纯数量;让指标与业务收益挂钩。

指标的本质是"测量工具",工具被误用就会引导错误行为。区分好坏的判据在于"按指标行动是否最终提升质量与业务价值"。因此设计者要不断追问"团队看了这个指标会做什么",并警惕任何可被短期操纵的指标。

#
★★★

7. 测试金字塔的量化映射,单元/集成/E2E/手动的比例、覆盖率、运行时间、维护成本的金字塔分布与各层目标?

如何用量化指标映射测试金字塔中单元/集成/E2E/手动的比例、覆盖率和成本分布?

  • 测试金字塔各层的目的与比例
  • 各层运行时间与维护成本的差异
  • 反金字塔(冰淇淋)的识别与纠正

测试金字塔主张:底层是大量快速廉价的单元测试(约 70%),中层是集成测试(约 20%),顶层是少量 E2E 与手动测试(约 10%)。量化口径:单元测试运行常要求秒级、毫秒级,维护成本低、定位快;集成测试覆盖服务间协作,运行以秒到分钟计;E2E 覆盖真实用户旅程,运行最慢、最易 flaky、维护成本最高,故数量最少。覆盖率通常单元测试贡献最高,E2E 用于验证关键路径与回归信号。目标是用"风险覆盖"而非绝对数量来校准比例——高风险逻辑应落到低层快速测试。若出现大量 E2E 而单元测试极少(冰淇淋/逆金字塔),说明大量缺陷依赖慢速昂贵测试兜底,应下沉。

金字塔的本质是"用最快的反馈捕获最多缺陷"。越靠下层,反馈越快、成本越低、越稳定,因此应把核心逻辑与高风险分支尽量下沉到单元与集成层,E2E 只保留关键旅程。量化比例只是起点,真正要校准的是"风险与反馈成本的匹配"。

#
★★★

8. DORA 四指标中"变更失败率"与"平均修复时间"如何被测试效率与质量反向影响?

DORA 四指标中的变更失败率与平均修复时间如何被测试效率与质量反向影响?

  • DORA 四指标的定义与含义
  • 测试质量对交付指标的影响机制
  • 速度快与质量稳定的平衡

DORA 四指标包括部署频率、变更前置时间、变更失败率(CFR)、平均恢复时间(MTTR)。变更失败率指部署后失败的变更比例,平均恢复时间指从故障到恢复的时间。测试效率与质量会反向影响这两者:测试有效(缺陷拦截充分)时,CFR 低(坏变更不会进入生产);测试反馈快(秒级单测、分钟级集成)时,能及时发现并修复回归,缩短前置时间与 MTTR。反之,若测试覆盖不足或 flaky 掩盖问题,缺陷逃逸到生产导致 CFR 上升;若测试定位不清、环境不可复现,则会拖长 MTTR。因此高质量、高效率的测试是 DORA 指标"又稳又快"的基础。

DORA 揭示了"部署快不等于质量差"——高性能团队往往同时具备高部署频率与低 CFR。关键在于测试是否成为"快速反馈的安全网":质量内建、左移、自动化程度高,才能让变更失败率低、恢复快,从而支撑安全的高速交付。

#
★★

9. 覆盖率指标的局限性和误用场景,为什么高覆盖率不等于高质量测试?

覆盖率指标有哪些局限性,为什么高覆盖率不等于高质量测试?

  • 覆盖率只反映"执行"不反映"验证"
  • 高覆盖的无效测试与断言缺失
  • 覆盖盲区与误用场景

覆盖率的局限在于它只度量"哪些代码被执行",不度量"行为是否正确、断言是否充分"。可能出现 100% 行覆盖但所有断言都是无效的(如只断言不抛异常),或覆盖了所有分支但未验证边界与异常编排。误用场景包括:把覆盖率当发布门禁导致团队写"空测试"凑数、忽略分支与条件覆盖、只测简单代码而避开复杂逻辑、E2E 高覆盖但无单元覆盖。真正的质量还取决于断言质量、数据多样性、风险覆盖与缺陷发现能力。因此覆盖率应作为"诊断信号"而非"达标目标"。

覆盖率是"必要不充分"指标。它告诉你"测到了哪里",但不告诉你"测得好不好"。要避免误用,应结合"变异测试"(mutation testing)验证断言有效性、结合缺陷发现率校准测试质量,并提醒团队覆盖率是反哺改进的输入而非考核输出。

#
★★

10. 敏捷团队质量文化的度量指标和评估方法?

敏捷团队的质量文化应如何度量与评估?

  • 质量文化的定义与特征
  • 可观察的行为指标
  • 评估工具与方法

质量文化是"团队主动保障质量、共享责任、不隐瞒问题"的集体行为。度量可从行为指标入手:缺陷逃逸率(测试是否足够早发现)、DoD 达标率、无指责复盘参与度、缺陷前置发现比例(需求/设计/编码阶段 vs 测试阶段)、团队自主修复缺陷时间、以及"质量被提及"的会议频率(估算/评审中是否考虑测试)。评估方法包括:团队自评问卷、回顾中的质量讨论、观察缺陷在流程中的左移程度、以及"信任度"访谈(开发是否愿意主动找测试、测试是否敢于提风险)。质量文化难以用单一数字量化,需结合定量指标与定性观察共同评估。

质量文化本质是"默认行为模式",比单个指标更难以操纵。因此评估应聚焦"可观察的行为"(是否左移、是否共享、是否透明),而非"宣称的态度"。用缺陷前置发现比例与逃逸率等结果间接反映文化,同时用访谈与回顾补充主观维度。

#
★★

11. 测试工具链的治理模式,如何管理工具链的演进和技术债务?

如何治理测试工具链的演进,并管理其中的技术债务?

  • 工具链的标准化与选型治理
  • 技术债务的识别与偿还
  • 演进与淘汰的决策机制

测试工具链治理的核心是"标准化 + 演进机制"。标准化:建立工具选型标准(是否开源、社区活跃度、与 CI 集成、可维护性),审批新工具引入,避免"各团队各用一套"造成碎片化。技术债务管理:已废弃(deprecated)的工具、无人维护的脚本库、重复的测试框架,纳入 backlog 并按风险与成本排序偿还。演进机制:定期做工具链健康度评审(采用率、维护活跃度、故障率),设定弃用策略(如版本 EOL 前迁移),通过"统一平台 + 标准接口"降低切换成本。避免"工具越多越好"——每个工具都带来学习与维护成本。

工具链是长期资产,治理不当会形成"工具动物园"——难以维护、难以迁移、知识分散。通过选型标准、债务登记、EOL 策略与统一接口,才能让工具链在演进中保持可控与可维护。

#
★★

12. 变更失败率(Change Failure Rate)与平均恢复时间(MTTR)的工程实践与根因分析?

变更失败率与平均恢复时间在工程中如何实践,并做根因分析?

  • CFR 与 MTTR 的度量与口径
  • 降低 CFR 与 MTTR 的工程手段
  • 失败变更的根因分析流程

变更失败率=失败部署数/总部署数,反映"变更进生产后出问题的比例";平均恢复时间=从故障发生到恢复的时间。工程实践:降低 CFR 靠质量左移(更强的测试门禁、灰度发布、特征开关、金丝雀)、降低单个变更规模;降低 MTTR 靠可观测性(日志、指标、链路追踪)、快速回滚、自动化恢复、runbook 与 on-call 流程。根因分析:对每次失败部署做 5 Whys 或事件后复盘,区分是测试缺口、代码逻辑、依赖变更还是环境问题,并产出 Action Item 跟踪完成。二者结合体现"怎么快且稳"的能力。

CFR 与 MTTR 是"交付稳定性"的体检指标。CFR 高说明测试与门禁拦截不足,MTTR 长说明可观测性与恢复机制薄弱。根因分析的关键是"把失败归因到系统与流程",用行动项闭环,才能持续降低指标而不是只修表面。

#
★★

13. 测试的 ROI 度量,发现缺陷价值 / 测试成本;如何建立缺陷逃逸到生产的单位损失(Cost of Escape)?

如何度量测试的 ROI,并建立缺陷逃逸到生产的单位损失(Cost of Escape)?

  • 测试 ROI 的计算框架
  • 缺陷修复成本随阶段增长
  • Cost of Escape 的建模

测试 ROI = 测试发现缺陷的价值 / 测试成本。发现缺陷的价值基于"COSQ(质量成本)":缺陷越早发现修复成本越低(需求期 1x、编码期 6x、测试期 15x、生产期 40-100x)。Cost of Escape(逃逸成本)= 逃逸缺陷数 × 生产修复的单位成本(含客户影响、客服、声誉、加班)。通过对比"测试阶段拦截的缺陷节省的生产成本"与"测试建设与维护成本",量化 ROI。建立该模型需采集:各阶段缺陷发现数、生产逃逸缺陷数、平均修复工时、事故影响范围。ROI 高说明测试投入划算,ROI 低则需调整测试重心(如左移或加强高风险模块)。

测试常被视为"成本中心",ROI 度量把它变成"可论证的投资"。关键是量化"早发现"的价值与"晚发现"的代价,用 Cost of Escape 让团队看到"多测一层的收益",也为测试投入争取资源提供依据。

#
★★

14. 测试健康度仪表盘,自动化率、Flakiness、平均修复时间(MTTR)、缺陷逃逸率的趋势看板与告警?

如何构建测试健康度仪表盘,展示自动化率、Flakiness、MTTR、缺陷逃逸率的趋势并设置告警?

  • 健康度指标的定义与口径
  • 趋势展示与告警阈值
  • 指标联动与行动指引

测试健康度仪表盘应包含四类核心指标:自动化率(覆盖多少可自动化场景)、Flakiness(不稳定用例占比/失败率,高 flaky 会掩盖真实缺陷)、平均修复时间(MTTR,测试用例失败到修复的耗时)、缺陷逃逸率(生产缺陷在总缺陷中的占比)。展示采用趋势图(时间序列)而非单点值,便于观察是恶化还是改善。告警设置:flakiness 超过阈值(如 >5%)告警并推动修复;MTTR 超过 SLA 告警;逃逸率上升趋势告警触发根因分析。指标联动:如自动化率上升但逃逸率未降,说明自动化质量不足,应审视断言与覆盖。仪表盘目标是"驱动行动"而非"记录数字"。

健康度仪表盘的价值在于把"测试体系本身是否健康"显性化。单看自动化率会误导,需结合 flakiness 与逃逸率判断自动化是否真正有效。趋势与告警让团队在指标恶化时及时介入,避免缺陷大规模逃逸。

#
★★

15. 测试用例的"有效性"如何度量(缺陷发现率/用例存活率),而不是只看用例数量?

如何度量测试用例的有效性(如缺陷发现率、用例存活率),而不是只看用例数量?

  • 缺陷发现率与用例存活率的定义
  • 用例质量的评估维度
  • 用例库的健康管理

用例有效性不应以数量衡量,而应以"是否持续发现缺陷、是否稳定可执行"衡量。关键指标:缺陷发现率(用例在生命周期内发现缺陷的比例)、用例存活率(长期仍能通过且不 flaky 的用例占比)、用例失效/冗余率(无人维护、重复、失效的用例占比)。高价值用例特征:能命中缺陷、覆盖风险、断言有效、执行稳定。度量方法:统计每个用例的缺陷关联次数、历史失败率、最后执行时间,识别"沉睡用例"(长期未执行)与"僵尸用例"(失效但未清理)。通过定期清理冗余、优化低效用例,保持用例库精简有效,避免"用例数量虚高但质量低下"。

数量是"工作量"指标,有效性是"贡献"指标。用例库越大,维护成本越高,若无成效则成为负担。通过缺陷发现率与存活率衡量,才能让团队关注"用例创造了什么价值",而非"写了多少条"。

#
★★

16. AI 时代测试度量应新增哪些指标(如 AI 生成用例占比、AI 断言通过率、模型回归率)?

AI 时代测试度量应新增哪些指标,如 AI 生成用例占比、AI 断言通过率、模型回归率?

  • AI 辅助测试的度量维度
  • AI 生成质量与稳定性评估
  • 人与 AI 协同的效率指标

AI 时代测试度量在传统指标基础上新增:AI 生成用例占比(AI 产出的用例在总用例中的比例,反映 AI 采纳程度)、AI 用例采纳率(AI 生成用例中被人工修改/接受的比例,反映生成质量)、AI 断言通过率(AI 生成断言的正确率,衡量断言质量)、模型回归率(AI 模型更新后测试结果回退的比例,衡量模型稳定性)、AI 提示词迭代成本、AI 生成用例的缺陷发现率(AI 用例是否真的抓到缺陷)。同时需警惕 AI 幻觉导致无效测试,需用人工审查与变异测试校准。度量目标是"AI 提速且不降质量"。

AI 引入新风险(幻觉、不可解释、模型漂移),度量需同时关注"效率提升"与"质量可信"。新增指标要回答"AI 是否真在帮忙"——不是生成数量,而是生成后的有效性与稳定性。因此以采纳率、断言通过率、缺陷发现率为核心。

#
★★

17. 如何用"缺陷逃逸率"与"线上事故召回率"双向校准测试团队的产出?

如何用缺陷逃逸率与线上事故召回率双向校准测试团队的产出?

  • 两个指标的定义与互补性
  • 防止单一指标被博弈
  • 校准方法与团队激励

缺陷逃逸率=生产缺陷/(生产缺陷+测试阶段发现缺陷),衡量"测试是否漏掉了问题";线上事故召回率=测试/门禁拦截的事故/(应拦截的事故总量),衡量"测试是否真的抓到了关键问题"。两者双向校准:逃逸率低但召回率也低,说明可能拦截了无关紧要的缺陷而漏了关键路径;逃逸率高但召回率也高,说明测试重点命中高风险但整体覆盖不足。单独看任一个都易被博弈(如只报已知缺陷压低逃逸率),结合两者才能判断"测试是否既全面又精准"。用结果导向激励团队提升关键路径的召回率并降低逃逸率。

这两个指标互补地刻画了测试的"漏报"与"命中"两面。逃逸率反映整体漏检,召回率反映关键问题拦截能力。双指标校准避免团队只追求"数字好看",而是真正提升高风险业务的质量保障。

#

18. 测试投资回报率(ROI)的多维计算,缺陷提前发现收益 × 业务影响 vs 测试建设维护成本?

如何多维计算测试投资回报率,综合考虑缺陷提前发现收益与业务影响、测试建设维护成本?

  • 收益端的多维度量化
  • 成本端的完整核算
  • 多维综合的 ROI 决策

测试 ROI 的多维计算包括:收益端——缺陷提前发现节省的修复成本(按阶段增长系数)、避免的客户损失与收入影响、避免的信誉与合规损失、缩短的交付周期带来的业务价值;成本端——测试人员投入、自动化建设与维护、执行环境成本、工具与平台成本。综合公式:ROI =(拦截缺陷的成本节省 + 业务损失避免)/(测试建设 + 维护成本)。多维计算强调不能只看"缺陷数",还要看缺陷影响的业务严重度、修复时机、以及测试对交付速度的贡献。ROI 用于决策测试投入方向(如是否加大左移、是否建设平台)。

单一维度的 ROI 会低估测试价值(如未考虑业务影响)或高估成本(未分摊复用收益)。多维计算把"早发现"的杠杆效应与"业务影响"纳入,才能客观评估测试投入,并指导资源向高价值方向倾斜。

#

19. 测试度量的古德哈特定律,指标成目标即失真,如何避免"为提覆盖率而无效测试"?

依据古德哈特定律,当指标成为目标就会失真,如何避免"为提覆盖率而无效测试"?

  • 古德哈特定律的含义
  • 指标博弈的机制
  • 避免失真的治理手段

古德哈特定律指出"当一项度量成为目标时,它就不再是好的度量"——因为团队会为达标而优化行为,而非为了真实目标。覆盖率一旦成为硬性 KPI,团队就会写"覆盖率高的无效测试"(空断言、冗余分支、简单代码),数字上升但质量下降。避免方法:用结果指标(缺陷逃逸、业务可用性)校准过程指标(覆盖率);不把覆盖率作为个人或团队唯一考核;用缺陷发现率、变异测试验证断言有效性;让指标服务于"发现改进机会"而非"排名奖惩";定期审视指标是否被博弈并调整。

关键是把度量从"奖惩工具"转为"诊断工具"。当团队关注指标背后的真实目标(质量与业务价值)而非指标本身,失真行为才会减少。因此治理上要弱化对单一过程指标的硬性考核,强化结果导向。

#

20. 测试效能平台如何通过"精准测试"推荐把无效回归压缩 50% 以上,度量口径是什么?

测试效能平台如何通过"精准测试"推荐压缩无效回归 50% 以上,度量口径是什么?

  • 精准测试/测试选择(Test Selection)的原理
  • 无效回归压缩的机制
  • 度量口径与效果验证

精准测试利用代码变更与测试用例的映射关系(基于调用关系、数据流、历史缺陷关联),在代码变更时只推荐执行"受影响"的测试用例,跳过无关的回归用例,从而把无效回归压缩 50% 以上。度量口径包括:回归用例缩减率(筛掉用例/全量用例)、执行时间节省率、缺陷漏检率(被跳过的用例是否漏掉缺陷,须保持低水平)、误报率。实现依赖:精确的变更影响分析(依赖图、调用链)、用例与代码的关联追踪、历史变更-缺陷数据。需保证"精简后仍能拦截真实缺陷",否则是牺牲质量换速度。

全量回归在大型系统代价高昂且大量无效。精准测试通过影响分析定位真正受影响的用例,将有限执行资源集中在高相关回归上。关键在于平衡"缩减"与"漏检"——用召回率验证不会因精简而漏缺陷,才能让压缩回归安全落地。