CRL Team——α冲刺项目测试

[CRLTeam]

这个作业属于哪个课程	2501_CS_SE_FZU
这个作业要求在哪里	团队作业——站立式会议+α冲刺
这个作业的目标	测试博客
其他参考文献	无

目录

• 一、测试工作安排
• 1.1 冲刺周期与测试介入时机
• 1.2 测试团队构成与职责分工
• 二、测试准备
• 2.1 测试策略
• 2.2 测试工具
• 三、测试用例设计
• 3.1 register模块
• 3.2 login模块
• 四、测试推进
• 4.1 分支及测试用例执行
• 4.1.1 register模块执行结果
• 4.1.2 login模块执行结果
• 4.2 发现BUG
• 五、测试改进方向
• 六、测试总结

在 Ctrl-Learn 学习管理平台的迭代过程中，团队测试人员（2人）围绕用户中心、资源管理等核心模块开展了系统性测试工作。本文将从测试安排、用例设计到结果分析，完整复盘本次测试实践的全过程。

一、测试工作安排

1.1 冲刺周期与测试介入时机

本次测试基于两周一个冲刺的迭代节奏，测试团队在需求评审阶段即深度介入，参与用户中心（login、register 等模块）、资源管理（file、mistake 等模块）的需求拆解，明确各模块的业务边界与测试重点。开发完成单元测试后，测试团队启动集成测试与系统测试，确保每轮迭代的功能质量。

1.2 测试团队构成与职责分工

测试团队由2名成员组成，采用模块负责制 + 交叉验证的协作模式：

• 陈宗冉：负责用户中心模块（login、register、user 等接口），涵盖用例设计、自动化脚本编写与手动测试。
• 许晓镔：负责资源管理与学习计划模块（file、mistake、plan 等接口），同步参与用户中心模块的测试结果复核。

二、测试准备

2.1 测试策略

采用“自动化回归 + 手动探索”的分层测试策略：

• 核心流程（如用户注册、登录、文件上传）通过 Postman 实现接口自动化，保障基础功能稳定性。
• 边缘场景（如异常格式输入、权限边界）采用手动测试，结合 AI 工具辅助生成测试场景，提升覆盖度。

2.2 测试工具

• 接口测试：Postman 用于接口调试与自动化脚本编写，Newman 实现批量用例执行。
• 辅助工具：引入 AI 测试场景生成工具，辅助挖掘用户中心、资源管理模块的潜在异常场景。

三、测试用例设计

以用户中心（register、login 模块）为例，测试用例围绕“正常流程 + 异常分支”全面覆盖：

3.1 register模块

用例编号	条件描述	输入数据	预期行为
TC01	用户名以0开头	0开头用户名+密码+合法手机号	成功注册，角色为ADMIN
TC02	用户名以9开头	9开头用户名+密码+合法手机号	成功注册，角色为CONSULTANT
TC03	用户名以其他数字开头	非0/9数字开头用户名+密码+合法手机号	成功注册，角色为USER
TC04	用户名已存在	已存在用户名+新密码+新手机号	抛出“用户名已存在”异常
TC05	密码仅包含数字	新用户名+纯数字密码+合法手机号	无法注册（密码格式不合法）
TC06	手机号已存在	新用户名+新密码+已注册手机号	抛出“手机号已存在”异常

3.2 login模块

用例编号	条件描述	输入数据	预期行为
TC01	用户存在、密码匹配、状态正常	合法用户名+正确密码	成功返回含token的LoginResponse
TC02	用户不存在	错误用户名+任意密码	抛出“用户名或密码错误”异常
TC03	密码不匹配	存在用户名+错误密码	抛出“用户名或密码错误”异常
TC04	用户被封禁	存在用户名（状态BANNED）+正确密码	抛出“用户状态异常，无法登录”异常

四、测试推进

4.1 分支及测试用例执行

4.1.1 register模块执行结果

通过 Postman 自动化执行与手动验证结合，发现以下关键结果：

• 正常流程（TC01-TC03）均通过，用户角色分配符合预期。
• 异常场景 TC04（用户名重复）、TC06（手机号重复）触发预期异常提示；但 TC05（纯数字密码）未触发“密码格式不合法”提示，属于功能缺陷（后续归入BUG列表）。

4.1.2 login模块执行结果

• 正常登录（TC01）返回有效 token，流程正常。
• 异常场景 TC02-TC04 均触发对应错误提示，功能健壮性符合预期。

4.2 发现BUG

本次测试共发现3类典型BUG，覆盖用户中心与资源管理模块：

1. register模块密码校验缺陷：纯数字密码可提交（对应用例 TC05），需补充密码复杂度校验逻辑。
2. file模块上传进度异常：大文件（>100MB）上传时进度条卡顿，实际后台已中断但前端无提示。
3. mistake模块识别偏差：几何错题图片上传后，AI识别结果与人工标注偏差率达25%（需优化算法）。

五、测试改进方向

1. 自动化覆盖率提升：计划将用户中心的更多异常场景（如手机号格式校验）纳入 Postman 自动化脚本，减少手动回归成本。
2. AI工具深度融合：针对 mistake 模块的识别偏差问题，引入 AI 辅助生成更多几何题型测试用例，推动算法优化。
3. 协作流程优化：建立“模块测试-交叉复核”的双人协作机制，减少单模块测试的疏漏率。

六、测试总结

本次测试通过明确分工 + 工具赋能 + 用例分层，实现了用户中心、资源管理模块的高效测试覆盖。双人协作模式在保障测试深度的同时，通过交叉复核提升了结果准确性；AI 工具的引入则有效拓宽了边缘场景的覆盖维度。
后续将围绕“自动化提效、AI 赋能深度测试”持续优化，进一步强化 Ctrl-Learn 平台的功能稳定性与用户体验。