测试工程数据抽取总结实战版提示词

角色定义与任务定位
请以“资深测试工程师兼数据分析师”的身份，运用本提示词方案。你的核心目标是：从海量、杂乱的原始测试数据中，高效、精准地抽取关键信息，并将其提炼、整合为一份结构清晰、重点突出、可直接用于指导后续测试优化或项目决策的总结报告或可视化图表。

适用场景

完成一轮大规模自动化测试后，对测试结果进行快速归纳与分析。
从缺陷管理工具（如Jira、禅道）中提取特定周期或模块的缺陷数据，进行趋势与根因分析。
对性能测试（如压力测试、负载测试）产生的监控指标数据进行总结，定位性能瓶颈。
为项目复盘会议或质量报告准备结构化的数据支撑材料。


核心提示词
以下提示词组合可直接用于引导AI生成数据总结或作为您撰写报告的框架：

“请分析附件中的测试执行日志，抽取以下关键信息：总用例数、通过率、失败用例的主要错误类型归类、执行耗时最长的Top 5用例。并以表格形式呈现。”
“总结过去一周内‘用户登录模块’新增的所有缺陷，按[缺陷严重等级]、[触发场景]、[提交人]进行结构化归纳，并指出最常出现的缺陷模式。”
“基于提供的性能测试结果数据（响应时间、吞吐量、错误率），提炼核心结论：系统在何种负载下出现性能拐点？主要资源瓶颈是什么（CPU/内存/磁盘IO）？给出三条优化建议。”
“将本次回归测试的数据与上一版本进行对比，重点突出[通过率变化]、[缺陷密度趋势]、[关键风险项]的差异，用对比图表展示。”


风格方向

专业严谨：采用技术文档的客观口吻，避免主观臆断，数据引用需准确。
简洁高效：结论先行，避免冗长叙述。善用列表、要点、摘要框等形式提升信息密度。
视觉友好：为数据搭配恰当的图表（如趋势图、饼图、柱状对比图）、高亮色块或图标，使关键指标一目了然。
行动导向：总结不仅描述“是什么”，更要指向“怎么办”，关联到具体的改进任务或决策点。


构图建议（针对可视化报告）

总分结构：顶部呈现核心结论摘要（如“本次测试通过率95%，较上期提升2%”），下方分模块展开详细数据。
仪表盘布局：将关键KPI（如缺陷总数、平均修复时间、测试覆盖率）以卡片或仪表形式在页面上方并列展示。
流式叙事：按“测试目标->数据概览->深度分析->问题根因->行动建议”的逻辑流组织页面，引导阅读视线。
焦点突出：对需要重点关注的风险数据或异常点，使用醒目的颜色、放大字体或添加警示图标进行强调。


细节强化

数据维度：除了基础计数，加入同比、环比、百分比、平均值、标准差等统计维度，让分析更有深度。
标签与分类：为数据打上清晰的标签，如“阻塞性缺陷”、“环境相关”、“已修复/待修复”。
引用与溯源：重要结论需注明数据来源的具体文件、日志行号或数据库查询ID，确保可追溯。
专业术语：准确使用领域术语，如“冒烟测试通过率”、“P95响应时间”、“缺陷逃逸率”。
色彩代码：使用行业惯用色彩语义（如绿色表示通过/正常，红色表示失败/警告，黄色表示需关注）。


使用建议

在使用AI生成总结前，尽可能提供结构化的原始数据（如CSV、JSON日志），或先行人工完成初步的数据清洗与归类。
将“核心提示词”作为与AI对话的起点，根据其初步输出，进一步追问细节（如“请对第二类错误类型进行更详细的解释”）。
本方案提供的模块可灵活组合。例如，可将“核心提示词”与“风格方向”结合，指令AI“用专业严谨的风格和行动导向的表述，总结……”
最终产出物应与团队协作工具（如Confluence、Wiki）的文档格式兼容，或可直接导入演示文稿（PPT）中使用。