使用人工智能测试工具构建更好的API

如今，似乎每个人都在谈论人工智能，很多讨论都围绕着大型语言模型 (LLM)，例如 ChatGPT 和 Bard。如果您的公司开发 API 产品，那么人工智能可以使它们更可靠、更高效、更安全、更有利可图。如果您想使用人工智能开发更好的 API，那么 API 测试是一个很好的起点。

通过 API 测试开始您的 AI 之旅

测试通常发生在 API 构建过程的最后阶段，那么为什么要从那里开始您的 AI 之旅呢？这样，您就可以将 AI 的使用重点放在基础知识和实验上，而不会损害 API 的质量或性能。

基本面是什么？

API 测试的基本原理强化了这一理念——测试必不可少，测试越多意味着 API 产品越好。然而，测试也会给许多公司带来瓶颈和成本中心。许多 API 团队知道他们应该进行更多测试，但却很难投入资源。API 测试是提高效率的主要目标——而 AI 可以提供帮助！

你需要尝试什么

当您开始使用 AI 时，您不会知道要使用哪些正确的工具以及要遵循哪些最佳实践。AI 对您和 API 测试团队的每个人来说都是新事物，因此实验是唯一的出路。从 API 测试等范围明确的领域开始是有意义的。虽然AI 对您来说可能是新事物，但测试的挑战却并非如此，因此您会知道 AI 何时在过程中发挥良好作用。鼓励使用 AI 进行实验的一个好方法是使用“4P”。

应用4P框架

斯科特·贝尔斯基 (Scott Belsky) 是一位高管、作家、投资者和企业家，因共同创办 Behance 而闻名，他最近在 LinkedIn 上发布了他的团队如何开始使用人工智能的文章。他的策略是一个他称之为“4P”的框架，你可以将它应用于整个企业的团队，包括 API 测试团队：

发挥 —让您的 API 测试团队能够使用新的 AI 技术和工具，让他们可以尝试这些技术和工具，尽管存在任何潜在风险。另外，不要指望天高地厚。让您的团队自己摸索。
试点 —从试点项目开始，团队可以将 AI 应用于 API 测试的一个领域并从中学习。试点项目成功后，让团队将 AI 应用于更多测试领域。
保护 —确保试点项目的目标或 KPI 鼓励试验。增加收入或转化率不是这里的目标。目标是学习。
激发 —邀请 API 利益相关者提出有关在测试过程中使用 AI 的棘手问题。他们可能会质疑 AI 在 API 测试中的道德性或投资回报率。回答棘手的问题可以帮助您在创新时避免代价高昂的错误。

4P 框架可以帮助您了解如何在 API 测试中最佳地使用 AI。对于大多数公司而言，AI 的最终目标是提高人类效率，而 API 测试是开始学习如何做到这一点的绝佳起点。让我们来看看 AI 可以提供帮助的几种方式。

提升现有的 API 测试实践

AI 是一个很棒的工具，但您的 API 测试流程中仍需要人为干预。API 团队可以先使用 AI 来提升现有的测试实践。尝试使用 AI 来改进用于 API 测试不同领域的数据：

API 测试规划 —您可以使用 LLM 来帮助您创建 API 测试计划。OpenAPI 已使用大量网络数据对 ChatGPT 进行了训练 — 您可以利用这些数据来制定更好的 API 测试计划。您可以输入一些 API 测试要求和 API 组件的一些详细信息，让 ChatGPT 生成包含设置说明和多个测试用例的测试计划。
测试用例 —将一些示例测试用例输入 LLM，并要求其创建更多。向 ChatGPT 或 Bard 提供一些带有防护栏的提示，它可以生成更真实的 API 测试用例和复杂测试用例。LLM 还可以找到您的 API 团队可能没有考虑到的极端情况。
API 测试 —借助 AI，您可以根据数据格式和真实场景的叙述性描述动态生成 API 测试。您可以使用 LLM 创建基于领域专家知识的测试。基于 NLP 的 AI 可以理解自然语言测试要求并将其转换为可执行的测试脚本，从而使非技术利益相关者更容易参与 API 测试工作。

一旦您开始将 AI 融入到一些现有的 API 测试实践中，您就可以开始利用 AI 来更大规模地自动化一些测试流程。

自动化 API 测试流程以获得更好的覆盖率

如果您希望获得更好的测试覆盖率和扩展能力，您将需要自动化一些测试流程 — 而这正是 AI 的闪光点！AI 使您能够自动执行各种任务，从测试脚本的创建和执行到测试报告和测试环境管理。

测试用例生成 — AI 可以比人类更快、更准确地分析用户行为、API 流程和代码结构。AI 收集和分析数据，为各种场景和边缘情况生成测试用例。使用 AI 算法分析 API 规范（例如OpenAPI 文档），并根据预期的输入、输出和端点自动生成测试用例。这可以显著减少创建测试用例所需的手动工作量，并且与手动生成测试用例相比，您可以获得更广泛的可能场景。
测试执行和报告——人工智能驱动的测试自动化框架可以执行测试用例、监控响应并将其与预期结果进行比较。人工智能可以检测与预期行为的偏差并报告异常，从而让团队能够相应地测试 API。人工智能非常适合生成包含图表和图形的测试报告。报告可帮助团队成员和其他利益相关者了解 API 测试工作的影响。
测试脚本维护 —您可以使用基于 AI 的 API 测试解决方案进行智能测试脚本维护。当 API 代码发生变化时，AI 辅助测试脚本维护工具将编辑和完善现有测试脚本，确保您的测试脚本随 API 一起发展。这减少了使测试适应不断发展的 API 所需的工作量。
测试环境管理——AI可以通过配置资源、配置数据库和自动化 API 测试部署流程来帮助设置和管理测试环境。它可以确保测试环境具有真实的数据，并允许您随着需求的增长自动扩展 API 测试。一些基于 AI 的 API 测试工具还将自动安排、请求和预订测试环境。

当您准备将更多工作委托给 AI 或想要进行更大规模的测试时，这些商业和开源 AI 驱动的工具可能有助于实现 API 测试的自动化：

Functionize – 商业
Katalon——商业版，免费计划
Loadmill——商业版，免费试用
Mabl——商业
Postman – 商业版，免费计划
ReadyAPI（由 Stoplight 的新母公司 SmartBear 提供）– 商业版，免费试用
SoapUI（由 SmartBear 支持）– 开源
Testim – 商业、无社区计划
Testsigma – 商业、开源

因此，您已经应用了 4P，升级了现有流程，并自动化了一些 API 测试实践。不要止步于此！吸取您学到的 AI 经验教训，并利用它们来确保所有 API 的安全性和可靠性。

使用 AI 预测 API 故障点和漏洞

测试属于安全性和可靠性范畴，因此您应该使用 AI 加强 API 测试工作。使用 AI 可以从不同的角度了解问题所在。您可以使用 AI 进行测试以增强 API 安全性和可靠性，方法包括：

预测分析——AI可以分析来自各种来源的数据（历史测试结果、API 日志、代码更改、用户反馈、错误报告），以识别 API 性能的模式或趋势。此分析可帮助测试人员预测潜在的 API 问题并确定测试工作的优先级，从而提供更安全、更可靠的 API。
安全测试 —您可以使用 AI 通过分析 API 请求和响应数据中是否存在可疑模式或行为来识别 API 中的安全漏洞，例如SQL 注入或 XSS 攻击。LLM 可以提供真实场景作为 API 渗透测试的基础，而 AI 可以帮助您自动创建这些测试。
负载测试 —基于 AI 的负载测试工具可以模拟数千个并发 API 请求，并根据系统行为动态调整负载级别。这有助于识别性能瓶颈和可扩展性问题。对许多不同的 API（包括 REST、RPC、SOAP 和超媒体）使用 AI 驱动的负载测试。
异常检测 —使用 AI 持续监控生产中的 API 行为，并识别异常模式或与预期行为的偏差，帮助实时检测问题。AI 还可以检测 API 测试结果中的异常，从而发现错误或错误。

AI 非常适合分析数据和预测模式，因此使用它来查找潜在的 API 安全漏洞和故障点是有意义的。