一、AE导购业务背景与质量挑战

业务特征：导购业务覆盖首页、会场、频道、个人中心四大模块，日常与大促期间差异显著——大促期间页面超百张、配置频繁调整（如新增大促楼层、氛围配置），涉及多语种（如英文、日语）、多币种，链路涵盖“招-选-搭-投”全流程。

核心挑战：

规模与效率矛盾：大促用例超万条、测试时间紧（前置环节易延迟），人工验收耗时达50人日；

动态化与稳定性冲突：页面动态生成，大促期间仍频繁调整，发布管控难；

问题类型多样：含素材展示异常（重叠、色差）、多语言漏翻、核心模块缺失、商品类目不符、空坑白屏等，传统测试难以全覆盖。

二、核心解法与思路

问题解决路径：遵循“识别问题→定义规则→平台化解决→AI提效”四步走，先复盘大促与线上问题，归类提炼检测原子能力，再搭建巡检平台，最后引入AI大模型优化全链路。

关键规则定义：将问题按检测类型分类，明确实现思路：

图片检测类：如Banner心智文案检测（配置分国家信息+大模型识别截图）、多语言币种检测（大模型解析截图文案/币种）、空坑检测（调用空坑算法）；

日志检测类：如重点楼层缺失检测（对比页面模版与接口数据）、运行时异常检测（分析前后端链路日志）；

数据检测类：如商品类目不符检测（解析接口数据+大模型判断匹配度）、楼层核心字段检测（校验接口返回字段完整性）。

三、巡检平台实现方案

整体架构：分四层设计，覆盖全链路能力：

业务接入层：支持大促/日常巡检、模块搭建预览等卡口，提供任务管理（创建/执行/重试）；

用户操作层：含设备管理、任务管理，支持多端（真机/PC/MSite）巡检；

任务管理层：负责任务拆解、设备轮询与占用、超时异常处理，构造任务树调度执行；

执行引擎层：部署容器环境，驱动自动化脚本执行，上传截图与日志，调用原子检测服务。

核心流程：触发任务→任务管理系统拆解检测项→占用设备→执行引擎执行脚本并上报数据→原子检测服务断言→返回结果至前台，支持检测失败一键提缺陷。

关键检测流程：

图片检测：通过UI自动化框架dump页面结构，结合大模型识别文案/币种、图片算法对比视觉稿，判断是否符合预期；

日志检测：分析链路日志与接口数据，定位空坑、楼层不展示原因（如配置错误、链路异常），支持人工介入排查。

四、AI大模型的实践应用

巡检检测规则生成Agent：

能力升级：从“人工写用例”（阶段一）、“人工写校验点+AI断言”（阶段二），进化到“AI自动生成校验点+断言”（阶段三），依托向量知识库（设计稿、多语言文案），生成适配各场域的视觉校验点（如页头颜色、搜索框存在性），节省50%校验点编写人力。

典型场景：空坑检测（多模态AI识别页面元素坐标，计算垂直/水平间距判定空坑位置）、文案截断检测（大模型解析截图输出异常文案）。

规划执行与断言Agent：

规划执行：基于Qwen2.5-VL-72B-Instruct模型，结合测试用例与实时截图，动态规划操作步骤（如打开App、滑动页面），转化为adb/AirTest指令下发；

结果断言：通过Qwen-VL-Max模型，对比全流程截图与用例描述，判断是否符合预期；

优化策略：针对误报/漏报，通过细化Prompt、增强业务知识库（如商品页必含价格）、多级校验（先几何特征判断，再结合业务规则）提升准确率。

五、落地效果与未来规划

核心成效：

效率提升：验收人力投入降低50%，任务耗时从2-3天缩短至4小时（夜间执行、白天验收）；

质量保障：问题识别准确率达80%，覆盖白屏、破页等核心场景，减少线上问题；

未来方向：

链路打通：接入CI/CD，实现“变更-发布-检测-优化”闭环；

能力扩展：新增AI视频检测，贴近用户真实交互场景；

资源弹性：借助云资源与云真机，实现巡检能力弹性扩缩。