Claude Code负责人Lenny Rachitsky抛出"Coding is solved"的观点，引发技术圈热议。作为测试工程师，我们该如何看待这场AI革命？是恐慌、抗拒，还是拥抱？
背景：一句话炸翻技术圈
前几天刷到Claude Code负责人Lenny Rachitsky的访谈，他说了句让整个技术圈炸锅的话：
"Coding is solved"（编程已解决）
这话什么意思？简单说就是：有了Claude Code这样的AI编程助手，写代码已经不是问题了，未来的开发者主要工作是"提出正确的问题"而不是"写代码"。
说实话，看到这句话的第一反应，我心里咯噔一下。
作为一名测试老兵，这些年一直在努力提升代码能力，为了更好地做自动化测试、看懂开发同事的代码、定位Bug的根因。现在告诉我"写代码不重要了"，那我这些年积累的技能是不是要废了？
但冷静下来想了一周，又实际试用了Claude Code，我发现事情没那么简单。
今天就从测试工程师的视角，聊聊我对"Coding is solved"这个观点的真实感受，以及我们这个职业在AI时代的真正价值。
核心内容
Claude Code到底有多强？
先说体验。我用Claude Code帮我重构了一个单元测试模块，总共300多行代码。
之前我的做法：
- 理解业务逻辑，画时序图
- 设计测试用例，考虑边界条件
- 手写Mock对象
- 一行行写断言
- 跑测试，修复失败的用例
- 补充遗漏的场景
- 整个过程大概4-5小时
用Claude Code之后：
- 描述需求："帮我为这个UserService类写单元测试，覆盖正常、异常、边界场景，使用Mockito"
- Claude Code分析代码，自动生成测试
- 检查生成的测试，补充几个特殊场景
- 跑测试，全绿
- 整个过程不到40分钟
这效率提升确实让人惊艳。从这个角度看，"Coding is solved"也不是完全没有道理------常规的、套路化的编程工作，AI确实可以做得又快又好。
但是（重点来了），真的就"解决"了吗？
"Coding is solved"背后的真相
我觉得这句话只说对了一半。更准确的表述应该是：
"Template coding is solved"（模板化编程已解决）
但真正考验技术功力的"复杂编程"，AI还远没到"解决"的程度。
我试了几个场景，发现Claude Code的局限：
场景1：业务逻辑复杂的测试用例
我让Claude Code为一个涉及多状态流转的订单系统写集成测试。它生成了大概80%的代码，但缺失了几个关键场景：
- 订单在"待支付"状态下的超时取消逻辑
- 并发创建订单时的库存一致性校验
- 优惠券叠加使用的边界条件
这些场景都需要深入理解业务才能设计出来，AI只能看到代码，看不到业务背后的规则。
场景2：性能测试的脚本设计
我让Claude Code帮我写一个JMeter压测脚本。它能生成基本的HTTP请求配置，但对于以下问题束手无策：
- 如何根据线上流量分布设计TPS目标？
- 如何模拟真实用户的操作路径，而不是随机请求？
- 如何设计数据预热策略，避免冷启动影响测试结果？
这些都需要经验和判断，AI目前做不到。
场景3：缺陷定位的深度分析
我故意模拟了一个偶发的空指针异常，日志里只有堆栈信息，没有业务上下文。我让Claude Code帮忙分析，它给出了几个可能的"常见原因"，但都没抓住关键。
最后还是需要靠：
- 梳理业务流程，找到可疑的代码路径
- 在可疑位置加日志，重新复现
- 通过日志对比，定位到真正的问题
这个过程需要推理、假设、验证，AI目前只能做到"基于已有模式的匹配"，做不到"基于业务理解的推理"。
测试工程师的真正价值在哪里？
"Coding is solved"这句话如果真成立，那测试工程师的价值在哪里？
我认为，测试工程师的核心价值从来就不是"写代码"本身，而是"发现问题的能力"和"保证质量的思维"。
代码只是工具，不是目的。
让我换个角度说：
AI可以帮你写测试脚本，但它不能决定"测什么"
AI可以帮你生成测试数据，但它不能判断"什么数据是有效的"
AI可以帮你执行测试用例，但它不能设计"如何让系统崩溃"
这些都需要测试工程师的专业判断。
实战案例：AI做不了的测试
分享一个朋友公司案例。去年他们公司上线了一个新的推荐系统，负责算法的团队信心满满，说准确率提升了15%。
但测试团队发现了几个严重问题：
问题1：冷启动偏差
新用户第一次打开App，推荐结果全是热门内容，完全没有个性化。这说明推荐系统对"新用户"这个特殊场景考虑不足。
AI生成的测试用例都是基于正常用户行为设计的，想不到"刚注册的空白用户"这种边缘场景。
问题2：时间衰减异常
晚上推荐的内容跟中午完全一样，没有考虑用户兴趣的时间变化。比如用户中午看美食，晚上看娱乐，但推荐系统没有捕捉到这个模式。
这需要对用户行为模式有深入理解，AI看不到业务背后的逻辑。
问题3：长尾内容曝光异常
热门内容的曝光率超过90%，中长尾内容几乎没有机会。这会导致内容生态恶化，长期看对平台不利。
这需要从产品战略高度思考，AI做不到。
这些问题都不是"写代码"能解决的，而是需要测试思维、业务理解、产品视角。
AI能帮你快速写出测试脚本，但这些脚本"测什么"、"怎么测"、"测到什么程度"，必须由人来决定。
优缺点分析
Claude Code这类AI工具的优点
-
效率提升明显
- 常规测试脚本的编写速度提升5-10倍
- 减少重复劳动，让人专注更重要的工作
-
降低技术门槛
- 新手测试工程师也能快速上手自动化测试
- 不需要深入学习各种测试框架的细节
-
代码质量稳定
- 生成的代码符合最佳实践
- 减少低级错误
局限性
-
业务理解不足
- 看不到代码背后的业务逻辑
- 难以设计针对业务漏洞的测试用例
-
边缘场景覆盖差
- 更倾向于测试"正常路径"
- 对异常、边界、并发场景考虑不足
-
复杂推理能力弱
- 无法进行深度的缺陷根因分析
- 难以设计复杂的测试策略
适用场景
- ✅ 单元测试：生成基础测试用例效率很高
- ✅ API接口测试：快速生成请求和断言
- ✅ UI自动化脚本：录制回放场景效率提升明显
不适用场景
- ❌ 复杂业务场景的测试设计：需要深入理解业务
- ❌ 性能测试策略制定：需要经验和判断
- ❌ 安全测试：需要攻击思维和漏洞知识
最佳实践/建议
基于我的使用经验，给测试工程师几个实用建议：
1. 把AI当助手，不是替代品
正确用法：
- AI生成基础代码 → 你补充业务逻辑
- AI提供测试用例 → 你设计边缘场景
- AI执行自动化测试 → 你分析测试结果
错误用法：
- AI生成什么就用什么，不检查
- 完全依赖AI设计测试策略
- 把AI的输出当成最终结果
2. 提升不可替代的核心能力
既然AI能帮你写代码，那你应该把精力放在AI做不了的事情上：
业务理解能力
- 深入了解产品背后的业务逻辑
- 能识别业务规则中的漏洞和风险点
测试设计能力
- 能设计出覆盖全面的测试策略
- 能想到AI想不到的边缘场景
缺陷分析能力
- 能从表面现象推导根本原因
- 能提供有价值的修复建议
沟通协调能力
- 能跟开发、产品、运维有效沟通
- 能推动质量问题的解决
3. 学会"提问"比"写代码"更重要
Claude Code负责人的观点有道理：未来更重要的是"提出正确的问题"。
对测试工程师来说，这意味着：
- 能清晰地描述测试需求
- 能给出充分的上下文信息
- 能对AI的输出进行有效反馈
比如，不要只说"帮我写个测试"，而要说：
帮我为PaymentService的processPayment方法写单元测试，
场景包括：
1. 正常支付流程（成功扣款、订单状态更新）
2. 余额不足（抛出InsufficientBalanceException）
3. 支付超时（模拟第三方支付接口超时）
4. 并发支付（同一订单多次支付）
使用Mockito模拟依赖的PaymentGateway和OrderRepository，
确保测试是独立的，不依赖外部系统。这样AI才能生成真正有用的测试代码。
4. 保持学习，但不要焦虑
AI确实在改变这个行业，但不是在"消灭"这个职业，而是在"升级"这个职业。
历史上每一次技术革命都会引发恐慌：
- 计算器出现时，有人说会计会失业
- Excel出现时，有人说统计员会失业
- 自动化测试出现时，有人说手工测试会失业
但结果呢？
- 会计转型为财务分析师
- 统计员转型为数据科学家
- 手工测试工程师转型为自动化测试工程师
每一次技术革命，淘汰的不是职业，而是"只做重复劳动"的人。
未来展望
我的判断：
未来3-5年，测试工程师这个职业不会消失，但会两极分化：
低端测试 （重复执行、简单脚本）会被AI取代
高端测试（测试设计、质量策略、风险控制）会更值钱
测试工程师的技能树会从：
- 编码能力 → 测试设计能力
- 工具使用 → 业务理解
- 执行测试 → 质量规划
简单说：AI帮你写测试脚本，你来设计测什么、怎么测、测到什么程度。
总结
回到开头的问题："当Claude Code负责人说'编程已解决'，测试工程师该慌吗？"
我的答案是：不该慌，但该变。
不该慌，因为测试工程师的核心价值从来就不是"写代码"，而是"保证质量"。AI能帮你写测试脚本，但它不能代替你设计测试策略、分析业务风险、发现隐藏缺陷。
该变，因为AI确实在改变这个行业的规则。如果你只会写简单的测试脚本、执行重复的测试用例，那确实该焦虑了。但如果你具备业务理解能力、测试设计能力、缺陷分析能力，AI反而会成为你的武器，让你更高效地工作。
未来不属于会写代码的测试工程师，也不属于会用AI的测试工程师，而是属于"懂业务、会设计、善用AI"的测试工程师。
所以，别慌，学起来。