Σύνταξη δοκιμών με GitHub Copilot τη βοήθεια AI (προεπισκόπηση)

Σημείωμα

Οι λειτουργίες προεπισκόπησης δεν προορίζονται για παραγωγική χρήση και ενδέχεται να έχουν περιορισμένη λειτουργικότητα. Αυτές οι δυνατότητες είναι διαθέσιμες πριν από μια επίσημη κυκλοφορία έτσι ώστε οι πελάτες να έχουν πρόσβαση από νωρίς και να κάνουν σχόλια.

Η δημιουργία ολοκληρωμένων σχεδίων δοκιμών για Power Platform εφαρμογές μπορεί να είναι χρονοβόρα, ειδικά για πολύπλοκα σενάρια. Τα εργαλεία GitHub Copilot σύνταξης με τη βοήθεια AI μπορούν να επιταχύνουν σημαντικά αυτήν τη διαδικασία δημιουργώντας πρότυπα δοκιμών, προτείνοντας δοκιμαστικές περιπτώσεις και αυτοματοποιώντας τη δημιουργία στερεότυπου κώδικα.

Αυτός ο οδηγός εξηγεί τον τρόπο χρήσης GitHub Copilot με Power Platform λύσεις ελέγχου προέλευσης για την αποτελεσματική δημιουργία σχεδίων δοκιμών μηχανισμού δοκιμών.

Προαπαιτούμενα

Πριν ξεκινήσετε, βεβαιωθείτε ότι έχετε:

• Visual Studio Εγκατεστημένος κώδικας
• GitHub Copilot συνδρομή
• GitHub Copilot Επέκταση συνομιλίας για VS Code
• Power Platform Εγκατεστημένο CLI
• Μια λύση ελεγχόμενης Power Platform πηγής

Ρύθμιση του περιβάλλοντος σύνταξης δοκιμών

Για να μεγιστοποιήσετε την αποτελεσματικότητα της σύνταξης δοκιμών με τη βοήθεια AI, συνδυάστε αυτά τα εργαλεία σε μια δομημένη ροή εργασίας:

1. Λήψη των αρχείων προέλευσης
   • Κλωνοποίηση του περιβάλλοντος ή της λύσης σας Power Platform από το στοιχείο ελέγχου προέλευσης
   • Εξαγάγετε και αποσυσκευάστε τη λύση σας από Power Platform αρχεία χρησιμοποιώντας εξαγωγή λύσης pac και αποσυσκευασία διαλύματος pac
2. Αρχικοποιήστε ένα αποθετήριο git για έλεγχο έκδοσης (εάν δεν έχει ήδη γίνει)
3. Δημιουργία αποκλειστικού φακέλου δοκιμής στο αποθετήριο λύσεων
4. Ανοίξτε το φάκελο λύσης στο Visual Studio Code

Χρήση GitHub Copilot για δοκιμαστική δημιουργία

GitHub Copilot μπορεί να σας βοηθήσει να δημιουργήσετε διάφορα στοιχεία δοκιμής με βάση τη λύση που ελέγχεται από την πηγή. Δείτε πώς μπορείτε να χρησιμοποιήσετε αποτελεσματικά τις δυνατότητές του:

Χρήση δείγματος τεκμηρίωσης ως περιβάλλοντος

Ο κατάλογος δειγμάτων της μηχανής δοκιμής παρέχει μια πλούσια πηγή υλικού αναφοράς για GitHub Copilot. Μπορείτε να βοηθήσετε το Copilot να δημιουργήσει δοκιμές υψηλότερης ποιότητας με:

• Συμπερίληψη του αρχείου samples.md στον χώρο εργασίας σας
• Αναφορά συγκεκριμένων δειγμάτων στα μηνύματα προτροπής σας
• Παροχή συνδέσμων σε δείγματα αποθετηρίων GitHub

Για παράδειγμα:

• Ανοίξτε τόσο τον κωδικό της αίτησής σας όσο και το αρχείο samples.md στο VS Code
• Ζητήστε από το Copilot να δημιουργήσει δοκιμές "παρόμοιες με το δείγμα ButtonClicker" ή "χρησιμοποιώντας μοτίβα από το Dataverse δείγμα"
• Αναφέρετε συγκεκριμένες δυνατότητες από δείγματα που ταιριάζουν με τις ανάγκες δοκιμών σας

Αυτή η προσέγγιση βοηθά το Copilot να κατανοήσει Power Platform τα μοτίβα του κινητήρα δοκιμής και να δημιουργήσει πιο ακριβείς δοκιμές.

Εργασία με GitHub Copilot τη λειτουργία παράγοντα

Visual Studio Το Code 's GitHub Copilot Chat προσφέρει μια λειτουργία πράκτορα που μπορεί να σας βοηθήσει να δημιουργήσετε δοκιμές με βάση τα αρχεία λύσης σας. Αυτή η λειτουργία επιτρέπει στο Copilot να έχει πρόσβαση και να κατανοεί βαθύτερα το περιβάλλον του έργου σας.

Για να χρησιμοποιήσετε τη λειτουργία φορέα για τη δημιουργία δοκιμής:

1. Στον κώδικα VS, ανοίξτε τη GitHub Copilot Συνομιλία (Ctrl+Shift+I)
2. Επιλέξτε Agent από τον επιλογέα λειτουργίας Copilot
3. Δημιουργήστε μια λεπτομερή προτροπή σχετικά με τη δοκιμή που θέλετε να δημιουργήσετε

Παραδείγματα προτροπών για τη δημιουργία δοκιμών

Δοκιμάστε να χρησιμοποιήσετε προτροπές όπως αυτές για τη δημιουργία δοκιμών:

Τέρμα:
Δημιουργήστε μια ολοκληρωμένη οικογένεια δοκιμών για μια εφαρμογή καμβά χρησιμοποιώντας τη μηχανή δοκιμής Power Apps , διαμορφωμένη σύμφωνα με το δείγμα ButtonClicker.

Προτροπή:
Δημιουργήστε μια δοκιμή για ./SolutionPackage/src/CanvasApps/src/MyApp/Src/App.fx.yaml χρησιμοποιώντας το δείγμα στο https://github.com/microsoft/PowerApps-TestEngine/tree/main/samples/buttonclicker ως αναφορά. Δημιουργήστε αναμενόμενες υποθέσεις, περιπτώσεις άκρων και περιπτώσεις εξαίρεσης. Η δοκιμή θα πρέπει να δημιουργήσει ένα δοκιμαστικό αρχείο YAML και Power Fx βήματα δοκιμής, config.json και RunTest.ps1 με βάση το δείγμα για να μπορέσω να εκτελέσω τη δοκιμή.

Τέρμα:
Δημιουργήστε ένα λεπτομερές σχέδιο δοκιμής για μια εφαρμογή βάσει μοντέλου, για να διασφαλίσετε ότι η βασική λειτουργικότητα και η επιχειρηματική λογική λειτουργούν όπως αναμένεται.

Προτροπή:
Δημιουργήστε ένα ολοκληρωμένο σχέδιο δοκιμής για την εφαρμογή μου βάσει μοντέλου που βρίσκεται στη διεύθυνση ./SolutionPackage/src/Other/Solution.xml. Η δοκιμή θα πρέπει να επικυρώνει τη φόρτωση φόρμας, τη δημιουργία εγγραφών και την εκτέλεση επιχειρηματικών κανόνων. Δημιουργήστε τη δοκιμή YAML, Power Fx βήματα και μια δέσμη ενεργειών PowerShell για να εκτελέσετε τη δοκιμή.

Τέρμα:
Δημιουργήστε ένα σχέδιο δοκιμής για οντότητες για Dataverse την επαλήθευση λειτουργιών CRUD μέσω Power Fx ενεργειών.

Προτροπή:
Δημιουργήστε ένα ολοκληρωμένο σχέδιο δοκιμών για τους δελεαστές μου Dataverse . Η δοκιμή θα πρέπει να εκτελεί ενέργειες δημιουργίας, ενημέρωσης, διαγραφής Power Fx . Δημιουργήστε τη δοκιμή YAML, Power Fx βήματα και μια δέσμη ενεργειών PowerShell για να εκτελέσετε τη δοκιμή.

Κατανόηση των παραγόμενων στοιχείων δοκιμής

Όταν GitHub Copilot δημιουργεί μια δοκιμή, συνήθως δημιουργεί τα ακόλουθα στοιχεία:

• Σχέδιο δοκιμής YAML: Καθορίζει τη δομή δοκιμής, τη διεύθυνση URL της εφαρμογής και τα βήματα δοκιμής
• Power Fx βήματα δοκιμής: Περιέχει τη λογική δοκιμής χρησιμοποιώντας Power Fx εκφράσεις
• config.json: Διαμόρφωση για παραμέτρους εκτέλεσης δοκιμής
• RunTest.ps1: Δέσμη ενεργειών PowerShell για την εκτέλεση της δοκιμής

Παράδειγμα: Παραγόμενη δομή δοκιμής

MyAppTests/
├── MyAppTest.fx.yaml     # Power Fx test steps
├── MyAppTest.yml         # Test plan definition
├── config.json           # Test configuration
└── RunTest.ps1           # Test execution script

Βέλτιστες πρακτικές για τη σύνταξη δοκιμών με τη βοήθεια τεχνητής νοημοσύνης

Εξετάστε τις ακόλουθες ενότητες για να αξιοποιήσετε στο έπακρο GitHub Copilot τη δημιουργία δοκιμών του μηχανισμού δοκιμής.

Παρέχετε σαφές πλαίσιο στις προτροπές σας

Να είστε συγκεκριμένοι σχετικά με το τι θέλετε να δοκιμάσετε και να συμπεριλάβετε αναφορές σε:

• Τα ακριβή αρχεία προς δοκιμή
• Δείγματα δοκιμών για χρήση ως πρότυπα
• Συγκεκριμένα σενάρια δοκιμών που θέλετε να καλύψετε
• Τυχόν απαιτήσεις ελέγχου ταυτότητας ή περιβάλλοντος

Χρήση δειγμάτων του μηχανισμού δοκιμής για το περιβάλλον

Η τεκμηρίωση samples.md καταγράφει όλα τα διαθέσιμα δείγματα από το αποθετήριο Test Engine, το οποίο μπορεί να είναι μια εξαιρετική αναφορά κατά GitHub Copilot τη δημιουργία προτροπών. Για παράδειγμα, κατά τη δοκιμή μιας εφαρμογής καμβά με κουμπιά, μπορείτε να ανατρέξετε στο δείγμα Button Clicker:

Προτροπή:
Δημιουργήστε μια δοκιμή για την εφαρμογή καμβά μου στο ./SolutionPackage/src/CanvasApps/src/MyApp/Src/App.fx.yaml χρησιμοποιώντας το δείγμα ButtonClicker από https://github.com/microsoft/PowerApps-TestEngine/tree/main/samples/buttonclicker. Η δοκιμή θα πρέπει:
1. Βεβαιωθείτε ότι το κουμπί μετρητή μου αυξάνει μια τιμή στην οθόνη
2. Οριακές συνθήκες δοκιμής (π.χ. μέγιστη τιμή)
3. Συμπεριλάβετε άγκιστρα κύκλου ζωής OnTestCaseStart και OnTestCaseComplete
4. Δημιουργήστε το config.json με κατάλληλες μεταβλητές περιβάλλοντος

Αυτή η προσέγγιση βοηθά το Copilot να κατανοήσει τη δομή των δοκιμών και να δημιουργήσει πιο ακριβείς, σχετικές με τα συμφραζόμενα δοκιμές βασισμένες σε αποδεδειγμένα παραδείγματα.

Χρήση λύσεων ελεγχόμενων από την πηγή ως περιβάλλοντος

Το Copilot αποδίδει καλύτερα όταν μπορεί να αναλύσει τη δομή της λύσης σας. Χρησιμοποιήστε το στοιχείο ελέγχου προέλευσης για λύσεις Power Platform για να παρέχετε αυτό το περιβάλλον. Αυτό το πλαίσιο επιτρέπει στο Copilot να:

• Κατανόηση της δομής της εφαρμογής σας
• Αναγνώριση ονομάτων και ιδιοτήτων στοιχείων ελέγχου
• Δημιουργήστε πιο ακριβή βήματα δοκιμής
• Αναφορά στις σωστές διαδρομές αρχείων

Ελέγξτε και βελτιώστε τις δοκιμές που δημιουργούνται

Ενώ οι δοκιμές που δημιουργούνται από AI παρέχουν ένα εξαιρετικό σημείο εκκίνησης, πάντα:

• Επαληθεύστε ότι οι αναφορές στοιχείων ελέγχου ταιριάζουν με την εφαρμογή σας
• Προσθήκη ισχυρισμών για λειτουργίες κρίσιμης σημασίας για την επιχείρηση
• Βεβαιωθείτε ότι οι θήκες άκρων χειρίζονται σωστά
• Επικύρωση διαμόρφωσης ελέγχου ταυτότητας

Συνδυάστε με χειρωνακτική εξειδίκευση

Για σύνθετα σενάρια δοκιμών, χρησιμοποιήστε το GitHub Copilot :

• Δημιουργήστε το πλαίσιο και τη δομή δοκιμής
• Δημιουργία τυπικών μοτίβων επικύρωσης
• Προτείνετε περιπτώσεις άκρων που πρέπει να λάβετε υπόψη

Στη συνέχεια, ενισχύστε την τεχνογνωσία σας στον τομέα για:

• Κανόνες επικύρωσης για συγκεκριμένες επιχειρήσεις
• Περιβαλλοντικά ζητήματα
• Εξειδικευμένα δεδομένα δοκιμών

Κοινά πρότυπα παραγωγής δοκιμών

Αυτή η ενότητα περιέχει ορισμένα κοινά μοτίβα παραγωγής δοκιμών:

Δοκιμή εφαρμογών καμβά

Για εφαρμογές καμβά, χρησιμοποιήστε μηνύματα προτροπής που αναφέρονται App.fx.yaml στο αρχείο στη λύση που ελέγχεται από την προέλευση:

Προτροπή:
Δημιουργήστε μια δοκιμή για την εφαρμογή καμβά μου στο ./SolutionPackage/src/CanvasApps/src/MyExpenseApp/Src/App.fx.yaml που επικυρώνει τη διαδικασία υποβολής εξόδων. Η δοκιμή θα πρέπει να συμπληρώσει τα πεδία εξόδων, να υποβάλει τη φόρμα και να επαληθεύσει ότι εμφανίζεται το μήνυμα επιβεβαίωσης.

Μάθετε περισσότερα σχετικά με τη δοκιμή εφαρμογών καμβά

Δοκιμή εφαρμογών βάσει μοντέλου

Για εφαρμογές βάσει μοντέλου, εστιάστε στην περιήγηση οντοτήτων, στις αλληλεπιδράσεις φορμών και στους επιχειρηματικούς κανόνες:

Προτροπή:
Δημιουργήστε μια δοκιμή για την εφαρμογή μου βάσει μοντέλου, η οποία ελέγχει τη φόρμα οντότητας λογαριασμού. Η δοκιμή θα πρέπει να δημιουργήσει μια νέα καρτέλα λογαριασμού, να επικυρώσει τα απαιτούμενα πεδία και να επαληθεύσει ότι οι επιχειρηματικοί κανόνες για τον υπολογισμό του πιστωτικού ορίου λειτουργούν σωστά.

Μάθετε περισσότερα σχετικά με τη δοκιμή εφαρμογών βάσει μοντέλου

Δοκιμή Dataverse επεκτάσεων

Για Dataverse δοκιμές, δώστε έμφαση στις λειτουργίες δεδομένων και στην επικύρωση επιχειρηματικής λογικής:

Προτροπή:
Δημιουργήστε μια Dataverse δοκιμή που επικυρώνει τις προσαρμοσμένες προσθήκες στη λύση μου. Η δοκιμή θα πρέπει να δημιουργήσει δοκιμαστικές εγγραφές, να ενεργοποιήσει την εκτέλεση της προσθήκης και να επαληθεύσει τους αναμενόμενους μετασχηματισμούς δεδομένων.

Μάθετε περισσότερα σχετικά με τις Dataverse δοκιμές

Προτροπές δοκιμής για συγκεκριμένο δείγμα

Για να έχετε την πιο ακριβή δημιουργία δοκιμών, αναφέρετε συγκεκριμένα δείγματα από τον κατάλογο δειγμάτων του μηχανισμού δοκιμής που ταιριάζουν με τις ανάγκες δοκιμών σας. Ακολουθούν προσαρμοσμένες οδηγίες για συνηθισμένα σενάρια δοκιμών:

Δείγματα προτροπών ButtonClicker

Το δείγμα ButtonClicker παρουσιάζει βασικές δοκιμές λειτουργικότητας μετρητή. Χρησιμοποιήστε αυτά τα μηνύματα:

Προτροπή:
Δημιουργήστε μια δοκιμή για την εφαρμογή μετρητή μου με παρόμοια δομή με το δείγμα ButtonClicker. Η εφαρμογή μου έχει κουμπιά με τα ονόματα "IncrementBtn" και "ResetBtn" με ένα "CounterLabel" που εμφανίζει την τρέχουσα καταμέτρηση. Δημιουργήστε μια δοκιμή που επαληθεύει ότι και τα δύο κουμπιά λειτουργούν σωστά και ότι ο μέγιστος αριθμός είναι 10.

Προτροπή:
Δημιουργήστε μια δοκιμή για την εφαρμογή αλληλεπίδρασης κουμπιών χρησιμοποιώντας το δείγμα ButtonClicker ως αναφορά. Η εφαρμογή μου έχει ένα "SubmitButton" που θα πρέπει να ενεργοποιηθεί μόνο όταν συμπληρωθούν τα πεδία "NameInput" και "EmailInput". Δημιουργήστε ένα σχέδιο δοκιμής με Power Fx βήματα για την επικύρωση αυτής της συμπεριφοράς.

Προτροπές δοκιμής συλλογής

Τα δείγματα BasicGallery και NestedGallery δείχνουν πώς μπορείτε να ελέγξετε τις αλληλεπιδράσεις συλλογής:

Προτροπή:
Δημιουργήστε μια δοκιμή για την εφαρμογή συλλογής μου, όπου έχω μια συλλογή "Προϊόντα" με στοιχεία προϊόντων που περιέχουν στοιχεία ελέγχου "TitleLabel", "PriceLabel" και "SelectButton". Χρησιμοποιήστε τη δομή δείγματος BasicGallery για να επαληθεύσετε ότι μπορώ να επιλέξω στοιχεία και ότι οι σωστές λεπτομέρειες εμφανίζονται σε ένα "DetailPanel".

Προτροπές λειτουργιών δεδομένων

Το Dataverse δείγμα παρουσιάζει δοκιμές λειτουργιών δεδομένων:

Προτροπή:
Δημιουργήστε μια δοκιμή για την εφαρμογή CRM χρησιμοποιώντας το Dataverse δείγμα μοτίβου. Ελέγξτε ότι μπορώ να δημιουργήσω μια νέα καρτέλα επαφής, ενημερώστε την και, στη συνέχεια, βεβαιωθείτε ότι οι αλλαγές παραμένουν. Συμπεριλάβετε δοκιμές περιβάλλοντος εργασίας χρήστη και άμεσες Dataverse λειτουργίες.

Προτροπές δοκιμών AI

Για τη δοκιμή λειτουργικότητας που υποστηρίζεται από AI, ανατρέξτε στο δείγμα AI Prompt:

Προτροπή:
Δημιουργήστε μια δοκιμή για την εφαρμογή ανάλυσης συναισθήματος με βάση το δείγμα προτροπής AI. Η εφαρμογή μου έχει ένα πλαίσιο κειμένου "FeedbackInput" και το χρησιμοποιεί AI Builder για να το ταξινομήσει ως θετικό, αρνητικό ή ουδέτερο. Δημιουργήστε μια δοκιμή που επικυρώνει διαφορετικές εισόδους, παράγουν αναμενόμενες εξόδους εντός αποδεκτών ορίων.

Προηγμένες τεχνικές

Αυτή η ενότητα παρέχει παραδείγματα προηγμένων δυνατοτήτων προτροπής.

Δημιουργία οικογενειών δοκιμών πολλαπλών περιβαλλόντων

Μπορείτε να ζητήσετε από το Copilot να δημιουργήσει δοκιμές που λειτουργούν σε πολλά περιβάλλοντα:

Προτροπή:
Δημιουργήστε μια οικογένεια προγραμμάτων δοκιμών για την εφαρμογή μου που μπορεί να εκτελεστεί σε περιβάλλοντα DEV, TEST και PROD με κατάλληλες μεταβλητές ρύθμισης παραμέτρων για κάθε περιβάλλον.

Δημιουργία σεναρίων κοροϊδίας δεδομένων

Για μεμονωμένες δοκιμές με κοροϊδία συνδετήρα:

Προτροπή:
Δημιουργήστε μια δοκιμή με αποκρίσεις σύνδεσης που έχουν κοροϊδευτεί για την εφαρμογή μου που χρησιμοποιεί τη Office 365 σύνδεση Outlook. Η δοκιμή θα πρέπει να προσομοιώνει τη λήψη μηνυμάτων ηλεκτρονικού ταχυδρομείου και να επικυρώνει τη λογική επεξεργασίας της εφαρμογής.

Δοκιμή δυνατοτήτων AI και χειρισμός μη ντετερμινιστικών αποτελεσμάτων

Όταν εργάζεστε με εφαρμογές που υποστηρίζονται από AI, οι δοκιμές εισάγουν μοναδικές προκλήσεις, καθώς οι έξοδοι AI ενδέχεται να διαφέρουν ελαφρώς μεταξύ των εκτελέσεων, ακόμη και με πανομοιότυπες εισόδους. Αυτή η μη ντετερμινιστική συμπεριφορά απαιτεί ειδικές προσεγγίσεις δοκιμών.

Κατανόηση των μη ντετερμινιστικών δοκιμών

Οι μη ντετερμινιστικές δοκιμές περιλαμβάνουν την επικύρωση εξόδων που ενδέχεται να διαφέρουν εύλογα μεταξύ των δοκιμών:

• Έξοδοι Μοντέλου Τεχνητής Νοημοσύνης: Απαντήσεις από μοντέλα Τεχνητής Νοημοσύνης όπως GPT ή προσαρμοσμένα στοιχεία AI Builder
• Βαθμολογίες Εμπιστοσύνης: Αριθμητικές αξιολογήσεις που ενδέχεται να κυμαίνονται εντός αποδεκτών εύρων
• Παραγόμενο Περιεχόμενο: Κείμενο ή συστάσεις που παράγονται από συστήματα Τεχνητής Νοημοσύνης

Χρήση του Preview.AIExecutePrompt για ντετερμινιστικές δοκιμές δυνατοτήτων AI

Η Μηχανή Δοκιμών παρέχει την εντολή Preview.AIExecutePrompt που επιτρέπει την ντετερμινιστική επικύρωση των αποκρίσεων τεχνητής νοημοσύνης. Αυτή η προσέγγιση σας επιτρέπει:

• Εκτέλεση προτροπών τεχνητής νοημοσύνης σε σενάρια δοκιμών
• Ανάλυση και επικύρωση των δομημένων απαντήσεων
• Επαλήθευση ότι τα κρίσιμα αποτελέσματα ανταποκρίνονται στις προσδοκίες παρά τις πιθανές διακυμάνσεις

Παράδειγμα: Αξιολόγηση αξιολόγησης με AI Builder

Το ακόλουθο παράδειγμα δείχνει τη χρήση της συνάρτησης Preview.AIExecutePrompt για τη δοκιμή ενός συστήματος αξιολόγησης που υποστηρίζεται από τεχνητή νοημοσύνη:

EvaluateTestQuestionPrompt(Prompt: TestQuestion): TestResult =
  With({
    Response: ParseJSON(
      Preview.AIExecutePrompt("PromptEvaluator",
      {
        Context: "You are a helpful agent asking about external customer service questions.",
        Question: Prompt.Question
      }).Text)
  },If(
    IsError(AssertNotError(Prompt.ExpectedRating=Response.Rating, Prompt.Question & ", Expected " & Prompt.ExpectedRating & ", Actual " & Response.Rating)),
    {PassFail: 1, Summary: Prompt.Question & ", Expected " & Prompt.ExpectedRating & ", Actual " & Response.Rating}, {PassFail: 0, Summary: "Pass " & Prompt.Question}
  ))

Σε αυτό το παράδειγμα:

• Η δοκιμή εκτελεί μια προτροπή τεχνητής νοημοσύνης στο μοντέλο "PromptEvaluator"
• Υποβάλλει ένα πλαίσιο και μια ερώτηση για αξιολόγηση
• Επικυρώνει ότι η επιστρεφόμενη βαθμολογία ταιριάζει με την αναμενόμενη τιμή
• Παρέχει σαφή ανατροφοδότηση σχετικά με την επιτυχία ή την αποτυχία της δοκιμής

Μπορείτε να εξερευνήσετε την πλήρη υλοποίηση στο δείγμα προτροπής AI από το αποθετήριο PowerApps-TestEngine .

Ενσωμάτωση δοκιμών με επίγνωση της τεχνητής νοημοσύνης

Όταν χρησιμοποιείτε GitHub Copilot για τη δημιουργία δοκιμών για εφαρμογές που υποστηρίζονται από τεχνητή νοημοσύνη:

Προτροπή:
Δημιουργήστε μια δοκιμή για την εφαρμογή μου με τεχνητή νοημοσύνη που χρησιμοποιεί AI Builder επεξεργασία φορμών. Συμπεριλάβετε βήματα δοκιμών που επικυρώνουν τα αποτελέσματα της Τεχνητής Νοημοσύνης με κατάλληλη ανοχή για μη ντετερμινιστικά αποτελέσματα.

Αντιμετώπιση προβλημάτων και βελτίωση

Εάν GitHub Copilot δημιουργεί δοκιμές που δεν ανταποκρίνονται στις ανάγκες σας:

• Βελτιώστε την προτροπή σας: Να είστε πιο συγκεκριμένοι σχετικά με αυτό που θέλετε να ελέγξετε
• Δώστε παραδείγματα: Σύνδεσμος προς συγκεκριμένα δείγματα δοκιμών που ταιριάζουν με το επιθυμητό στυλ σας
• Ανάλυση σύνθετων δοκιμών: Αίτημα δημιουργίας μικρότερων, στοχευμένων στοιχείων δοκιμών
• Επανάληψη: Χρησιμοποιήστε τις απαντήσεις του Copilot για να βελτιώσετε την επόμενη προτροπή σας

Σχετικά άρθρα

Εξερευνήστε τις λειτουργίες της μηχανής δοκιμών
Περιηγηθείτε στον κατάλογο δειγμάτων του μηχανισμού δοκιμής
Μάθετε σχετικά με Power Fx τις λειτουργίες δοκιμής
Κατανόηση της μορφής δοκιμής YAML
Εξερευνήστε τις επιλογές ελέγχου ταυτότητας
Εκπαίδευση: Δημιουργία εφαρμογών με λειτουργία πράκτορα GitHub Copilot