测试报告，是测试人的重要输出之一，每个人都会用到。有时我们需代表团队出阶段性测试报告，有时需要出个人总结性测试报告。出测试报告，非常重要一点是做测试数据的分析，需要用图表来展示。

在过去，我们最常用的工具相信是万能的excel了，对于复杂数据的处理，需要用到透视表，或写脚本来处理，或用专业的数据处理工具如Tablaeu，PB等。为了处理这些数据，少则半天，有时还需1-2天。现在用AI助手：智谱清言（ChatGLM），几秒钟就可帮你搞掂。真是惊艳到我了。

下面，我们一起来看看，如何应用到测试工作中。

第1步：数据准备

从Bugzilla官网获取buglist作为数据源，可直接从网页选中想要的数据，复制到notepad中，另存为csv格式文件。（也可以用你的数据）

本文用的数据地址：（https://bugs.webkit.org/buglist.cgi?component=Bindings&product=WebKit&resolution=---）

说明：可用excel打开csv文件看看，长成如下：

看上去有些乱，之前用excel，或Tablaeu或写脚本程序处理这些数据，预先都需要人工整理成规范的二维数据表，才能顺利读取其中数据作分析。

现在先不管了，都丢给AI处理吧，看看它有何反应。

第2步：环境准备

进入AI助手智谱清言官网。

地址：https://chatglm.cn/

第3步：导入数据

进入官网上的“数据分析界面”，导入第1步中获取的数据文件（bugzilla-buglist.csv），如下图所示。

第4步：发指令（提示词）

发出你要AI帮你做什么的指令（提示词）。

我的第一条指令提示词：请帮统计每年提交的bug数是多少，然后用柱状图展示。

ChatGLM 会显示它的分析过程，因我给它的数据有些乱，它会报错，并显示报错信息，如下所示。

import pandas as pd

# Load the CSV file into a DataFrame

file_path = '/mnt/data/bugzilla-buglist.csv'

bugzilla_df = pd.read_csv(file_path)

# Display the first few rows of the DataFrame to understand its structure

bugzilla_df.head()

但，ChatGLM报错后会尝试用其他方式继续分析，这一点很赞，很智能。

于是，它尝试第二次后，终于读成功了我的数据，界面有提示信息，我这里就不再一一列出。

最后，它生成的bug 数年统计图如下。

第5步：微调（可选）

我对此图不太满意，想在柱状图上显示出对应的Bug数据。于是发指令，

提示词：请在柱状图上标识所代表的Bug数量，它马上生成对应的图，如下；

第6步：继续微调（可选）

由于，上面柱状图一片蓝，不美观，我想要每个柱状图的颜色不同，继续发指令。

提示词：请把相邻柱状图用不同的颜色重画。

结果如下；

如此类推，直到生成自己满意的统计图。

是否惊艳到了，第一次用发中文指令的方式，得到想要的数据处理结果，确实觉得很爽。

下面，是我想要AI帮我处理的，另外视角看的测试数据统计图。

第7步：继续探索（可选）

工作中，我们有时需要用到多维度的综合数据统计，此时需要用到excel透视表，或自己写脚本（VBA，python等）来处理，下面我们看看ChatGLM的处理怎样。

提示语：以年为横坐标统计不同的任务人，分布在各年份中的bug数，并用折线图展示。

GLM最后输出的结果如下：

看图的右上角知道，修改bug的任务人远不止3个，但图上只画了3条折线图，没画全。

于是，我让它用表格的方式来展示数据。

提示词：请按相同的任务人，不同的年份统计bug数，并展示在表格中。

结果如下：

明显，数据有些了，估计，处理复杂数据上存在问题。

最后，用智谱清言进行测试数据分析出测试报告，作个小结：

1、在环境准备好后，一条指令（一句提示词）便可生成你想要的报告数据，包括各种图表，非常智能，爽到爆。

是时候告别excel,tablue等工具，拥抱AI智能体一条指令生成想要的测试报告了。

但智谱清言也有不足，对于多维度的数据分析，它会报错，它仍在开发的快速迭代中。

好了，重要的是在工作中快速用起来吧，现阶段，还是AI应用的早期，多动手多摸索方能不断前进。

建议涉及公司的机密数据，需脱敏，最好部署公司内部的大模型AI工具，发现《ChatGLM 3 大模型本地化部署、应用开发与微调》一书，刚出来，有兴趣的朋友不妨买来参考。

祝你，

工作顺利！

AI在工作生活中的应有文章回顾

如何用Kimi Chat快速赋能软件需求评审

ChatGPT 在软件功能测试中的应用探索

成为搞懂ChatGPT的少数人：听吴军讲GPT之总结

此情此景，如何快速买到老北京布鞋？