利用AI进行错误分组与根因分析（RCA）

文章认为，尽管人工智能加速了代码开发，但质量保证（QA）的吞吐量并未提高，部分原因是人工智能分析失败需要上下文和数据准备。作者在一个简单的横幅组件上运行测试，并更改了定位符，导致两个测试失败。人工智能分析（通过playwright-ai/auto-debug）为每个失败提供了单独的假设，但如果没有分组，时间就会成倍增加。现有的根本原因分析（RCA）实验（如GPTrace、FlakyCat、BuildSheriff、LogSage）表明，分组通常是通过算法或人工智能完成的，但人工智能预处理成本高昂（例如，GPTrace使用OpenAI处理30万个向量耗时10小时）。文章强调在人工智能分析之前对失败进行分组的必要性，并强调Allure Report作为结构化数据源，简化了预处理，内置了按错误消息分组的功能，并支持自定义类别。总之，测试中的人工智能需要成熟的数据实践，而不仅仅是模型调优。