# 1. 如何用 OpenTelemetry 的 Trace 数据自动识别未被测试覆盖的代码路径？ A Trace 只能用于定位性能问题，与覆盖率无关 B 生产 trace 与测试覆盖率毫无关系 C 通过对比生产与测试的 trace span，可发现生产真实路径中未被测试覆盖的代码段 ✓ 正确答案 D 未覆盖路径无需补测，可忽略
# 2. 日志/指标驱动的测试断言如何落地，业务指标异常能否自动触发验证任务？ A 测试断言只能依赖函数返回值 B 指标驱动断言与业务指标无关 C 日志指标异常只能人工发现，无法自动联动测试 D 可将业务指标纳入断言，并实现指标异常自动触发验证任务 ✓ 正确答案
# 3. 生产环境的混沌实验与测试团队的例行回归如何编排，避免相互干扰？ A 混沌实验与回归可以同时无条件执行 B 通过时间窗口、策略与流量隔离及告警协调，避免混沌实验与回归相互干扰 ✓ 正确答案 C 混沌实验产生的告警可以正常触发回归误报 D 混沌实验与回归无需统一编排
# 4. 如何用可观测性数据反哺测试，线上错误率、延迟分布、用户路径分析如何转化为回归用例？ A 线上错误率与延迟数据与测试用例无关 B 用户路径分析只能用于产品，不能用于测试 C 通过分析线上错误率、延迟分布与用户路径，可转化为并更新回归用例 ✓ 正确答案 D 回归集只用测试人员臆想的场景即可
# 5. 金丝雀发布中的自动化验证，流量灰度比例、指标对比（新旧版本）、自动回滚条件如何设定？ A 金丝雀一次性 100% 放量即可 B 指标对比只需看错误率，无需关注延迟 C 通过渐进式灰度比例、新旧版本指标对比与明确回滚阈值，实现风险可控的自动化发布 ✓ 正确答案 D 自动回滚条件一经设定就无需调整
# 6. 业务指标异常时的自动化诊断链路，指标异常→日志检索→trace 关联→根因定位的编排？ A 通过指标异常→日志检索→trace 关联→根因定位的编排，可快速定位故障根因 ✓ 正确答案 B 指标异常只能靠人工一条条翻日志 C trace 与日志、指标互不关联 D 自动化诊断只需看指标，无需看日志
# 7. 用户会话回放(Session Replay)在缺陷定位中的应用，鼠标轨迹、网络与报错如何回放？ A Session Replay 只能回放鼠标轨迹，无法关联报错 B 会话回放无法还原用户输入操作 C Session Replay 与后端缺陷定位无关 D 通过回放鼠标轨迹、网络请求与报错，可还原用户操作现场，帮助定位前端缺陷 ✓ 正确答案
# 8. 基于用户真实路径的关键旅程回归测试，高频用户路径如何识别并固化为回归集？ A 高频用户路径只能靠人工拍脑袋判断 B 回归集一旦固化就无需再更新 C 关键旅程回归与真实用户行为无关 D 通过埋点与行为分析识别高频路径，并固化为端到端回归用例、持续更新回归集 ✓ 正确答案
# 9. 可观测性数据作为发布门禁，trace 完整率、埋点覆盖率与关键日志命中率如何纳入发布验证，数据缺失如何阻断？ A 将 trace 完整率、埋点覆盖率与关键日志命中率纳入发布验证，数据缺失时阻断发布 ✓ 正确答案 B 可观测性数据与发布放行无关 C 埋点覆盖率只在测试环境检查，生产无需关心 D 缺失 trace 不影响发布，可后续补
# 10. 线上指标驱动的性能回归，线上延迟与错误率劣化如何自动触发压测与剖析，触发条件如何避免误报？ A 线上延迟一抖动就立即触发压测，无需判断 B 通过持续劣化与统计显著性判断触发压测与剖析，并结合基线排除误报 ✓ 正确答案 C 性能回归只能靠人工定期压测发现 D 错误率劣化与性能回归无关
# 11. 如何把线上故障注入结果转化为离线测试环境的常驻故障用例？ A 线上故障注入结果无法在离线环境复用 B 离线故障用例只需执行一次 C 通过把线上故障场景参数化为离线可执行的故障用例并纳入常驻回归，可持续验证系统韧性 ✓ 正确答案 D 故障注入结果与离线测试无关
# 12. 生产混沌实验与测试环境回归的编排，故障库、时间窗口与告警联动如何设计？ A 混沌实验与回归无需协调，可任意执行 B 混沌实验产生的告警应作为真实故障上报 C 通过统一故障库、协调时间窗口与告警联动，使混沌实验与回归有序共存 ✓ 正确答案 D 故障库只需维护生产环境，测试环境单独维护
# 13. Chaos 与可观测性结合，故障注入后如何通过指标/追踪验证系统自愈能力与告警有效性？ A 混沌实验只负责制造故障，无需观察结果 B 通过指标、追踪与告警验证故障注入后的自愈能力与告警有效性，发现韧性缺口 ✓ 正确答案 C 告警有效性无法通过混沌实验验证 D 混沌实验与自愈能力无关
# 14. 可观测性测试的度量，测试覆盖的可观测性缺口、告警准确率如何评估？ A 可观测性缺口与告警准确率无法量化 B 可观测性缺口罩盖所有已测场景即可 C 告警准确率与可观测性测试无关 D 通过评估可观测性缺口覆盖率与告警准确率、召回率、误报率，衡量可观测性测试成效 ✓ 正确答案
# 15. 前端 RUM 数据在 UI 测试中的应用，真实用户性能数据如何补充实验室测试？ A RUM 数据只能用于产品分析，不能用于测试 B RUM 反映真实用户性能，可校准实验室测试阈值、补充真实场景并转化为回归用例 ✓ 正确答案 C 实验室测试已完全覆盖真实场景，无需 RUM D RUM 与性能测试无关
# 16. 测试环境与生产环境可观测性配置一致性验证，埋点、采样与标签如何对齐？ A 测试环境与生产环境的埋点、采样、标签可以随意不一致 B 采样差异不会影响 trace 统计 C 通过对齐埋点、采样与标签并自动比对，确保测试环境可观测性与生产一致 ✓ 正确答案 D 一致性验证只需在生产环境做一次
# 17. 可观测性平台选型对测试的影响，Metrics/Logs/Traces 一体化平台与测试工具的集成？ A Metrics/Logs/Traces 一体化平台能统一关联数据、提升测试诊断能力，并与测试工具集成 ✓ 正确答案 B 可观测性平台选型与测试无关 C 三类数据必须分平台存储，不可一体化 D 平台选型只影响监控，不影响测试
# 18. 测试环境的可观测性水位对齐，如何确保测试环境产出与生产等价的 trace 与指标，避免问题漏到生产？ A 测试环境是否需要埋点与生产无关 B 测试环境采样率可以随意降低，不影响测试 C 通过配置、链路与数据产出对齐，确保测试环境产出与生产等价的 trace 与指标，避免问题漏到生产 ✓ 正确答案 D 水位对齐只在生产环境做一次即可
