# 1. AI 生成测试的局限性中边界条件覆盖不足、Mock 过度、断言质量差 A AI 生成的测试一定充分且有效 B AI 易在边界覆盖、Mock 合理性、断言强度三方面不足，需人工弥补 ✓ 正确答案 C 断言越弱越安全，避免误报 D Mock 越多测试越可靠
# 2. AI 生成测试的意图传递中如何用自然语言描述业务规则与验收标准（而非让 AI 猜测），使生成的测试真正覆盖验收场景？ A 让 AI 自行猜测业务规则即可 B 描述越抽象，AI 生成的测试越准 C 验收标准与测试无关 D 用自然语言显式描述业务规则与验收标准，让测试真正覆盖验收场景 ✓ 正确答案
# 3. AI 生成测试的断言效力验证中如何用变异测试识别"假绿"断言，评估 AI 断言的杀伤力？ A 变异杀死率越低越好 B 变异测试只用于手工代码 C 测试通过就代表断言有效，无需变异测试 D 变异测试能度量断言是否约束行为，识别假绿断言 ✓ 正确答案
# 4. 讲一次你用 AI 工具生成"单元测试"、"集成测试"的实战 A 生成后无需验证，直接可用 B 单元测试隔离依赖测逻辑、集成测试验证协作，AI 生成后需人工补边界与断言 ✓ 正确答案 C 集成测试可完全替代单元测试 D 单元测试只测正常路径即可
# 5. 讲一次你用 AI 工具辅助"测试用例设计"（边界值、等价类、状态转换）的实践 A 边界值分析只适用于手工测试 B AI 生成的用例无需核对 C AI 能快速按边界值/等价类/状态转换生成用例，但需人工核对是否符合业务规则 ✓ 正确答案 D 状态转换测试只适用于前端
# 6. 讲一次你用 AI 工具辅助"E2E 测试脚本"生成的实战 A AI 生成的 E2E 脚本天然稳定 B E2E 脚本无需幂等处理 C 需用稳定选择器与显式等待加固脚本，处理 flaky ✓ 正确答案 D 固定 sleep 是等待的最佳实践
# 7. 讲一次你用 AI 工具辅助"测试数据生成"的实践 A AI 生成的数据一定真实且合规 B 数据分布无需控制 C 测试数据可用任意真实个人信息 D 需人工定义数据分布与字段约束，并用 schema 校验与脱敏保障质量 ✓ 正确答案
# 8. AI 辅助生成 Mock 数据时如何保证数据分布真实性与边界覆盖，生成的 mock 与 schema 一致性如何校验？ A 随机生成即可，无需规则 B 边界数据会影响测试，应避免 C 只要类型匹配就代表数据合格 D 通过数据分布规则、边界样本与 schema 校验，保证真实、覆盖充分且一致 ✓ 正确答案
# 9. AI 分析测试报告（失败聚类/趋势/根因）的准确性与盲区，如何与人工定位配合？ A AI 的根因分析一定准确 B AI 无法聚类失败 C AI 擅长聚类与趋势，但根因需人工确认，形成"AI 初判 + 人工定论" ✓ 正确答案 D 人工不需参与，AI 全权分析
# 10. AI 在"测试覆盖率提升"上的局限性与工程价值 A AI 提升的覆盖率一定有效 B AI 无法提升覆盖率 C 覆盖率越高就代表测试质量越好 D AI 能快速铺量，但需关注分支覆盖与断言有效性，避免覆盖率虚高 ✓ 正确答案
# 11. AI 辅助测试的最佳实践中人工设计 + AI 生成 + 人工审核 A 全交给 AI 生成即可 B 人工设计意图、AI 生成实现、人工审核质量，三者结合 ✓ 正确答案 C 人工审核只在测试失败时进行 D 无需人工设计，AI 能自行确定测试目标
# 12. AI 辅助测试中用例生成与缺陷预测？ A 用例生成提量、缺陷预测排优先级，均需人工结合业务判断 ✓ 正确答案 B 缺陷预测能 100% 精确定位缺陷 C 缺陷预测无需依赖历史数据 D 用例生成可完全替代人工测试
# 13. AI 生成测试的维护成本中需求变更时 AI 生成的大量测试批量失效，更新与裁剪策略如何设计，避免测试资产演变为新的技术债？ A 测试越多越好，无需裁剪 B 用意图驱动测试、定期裁减低价值用例并精准更新受影响测试，避免技术债 ✓ 正确答案 C 需求变更时全量重写测试即可 D 测试与实现细节越耦合，维护越容易
# 14. AI 生成测试数据的合规边界中合成数据、脱敏与真实数据的使用规则，避免测试数据泄漏个人信息？ A 测试数据可直接使用真实个人信息 B 测试数据泄漏个人信息无后果 C 脱敏只影响测试准确性，应避免 D 优先用合成数据，真实数据须脱敏并受控，避免个人信息泄漏 ✓ 正确答案
# 15. 讲一次你用 AI 工具辅助"Flaky Test 诊断"的实战 A AI 能直接给出 flaky 的确切根因 B flaky 测试无需诊断，重跑即可 C AI 能快速聚类失败模式提供线索，但根因需人工结合环境确认 ✓ 正确答案 D AI 无法处理 flaky 诊断
# 16. AI 测试的边界中幻觉与误报？ A AI 可能凭空生成不存在的 API 或错误预期，需人工审核与编译验证 ✓ 正确答案 B AI 生成的测试不会出现幻觉 C 误报只影响手工测试 D 幻觉不影响测试运行
# 17. AI 质量保障的流程中生成-验证-采纳？ A AI 产出可直接采纳，无需验证 B 生成后须经验证确认有效再采纳，并沉淀为资产 ✓ 正确答案 C 采纳后无需沉淀 D 验证只针对测试，不针对其他 AI 产出
# 18. AI 在回归测试中的应用中如何用 AI 生成测试用例与筛选回归范围，其断言质量与误报治理的挑战有哪些？ A AI 筛选的回归范围一定准确 B 回归测试全量跑即可，无需筛选 C AI 生成回归用例并筛选范围，但需治理断言质量与范围误报 ✓ 正确答案 D 回归断言越弱越安全
# 19. AI 生成 E2E 测试的稳定性加固中脆弱选择器与时序假设导致的 flaky 如何识别与修复？ A 用稳定选择器、显式等待与幂等设计，识别并修复 flaky ✓ 正确答案 B 固定 sleep 是等待元素的最佳实践 C E2E 测试 flaky 无法修复 D 文本选择器比 data-testid 更稳定
