软件测试正在经历自团队从手工测试转向自动化测试以来最大的一次变革。这一次的不同之处在于：AI 不仅仅是在帮助测试人员更快地编写脚本------它开始自己决定测什么、什么时候测、出了问题怎么办。
这就是 Agentic QA。对于任何从事软件质量保障工作的人来说，这个概念值得认真了解。
从"照着菜谱做"到"交给厨师"
先来打个比方。
传统的测试自动化，好比给一个人一份菜谱，让他严格照着步骤操作。每一步都写好了------先放什么、再放什么、火候多大、几分钟。只要菜谱没错、操作没失误，出来的菜大致不会跑偏。但问题是，如果食材变了、锅具换了、客人临时改了口味，这套流程就卡住了。
Agentic QA 则不一样。它更像是请了一位专业厨师------厨师知道你想做什么菜，自己挑选食材，根据手头有什么来调整做法，边做边尝、边调整。你只需要告诉厨师"我要一道什么样的菜"，剩下的交给厨师来判断和执行。
用人话来说：Agentic QA 是一种让 AI 代理基于目标（而非预设脚本）来自主规划、执行和调整测试的软件质量保障方法。这些 AI 代理会理解需求、判断需要测什么、生成并运行测试用例、分析失败原因，并且在应用发生变化时持续调整自己的策略。
为什么现在非提不可？
Agentic QA 之所以在 2026 年变得如此紧迫，是三股力量同时作用的结果。
第一，AI 生成的代码正在以远超人类验证能力的速度增长。 根据 Tricentis Transform 2025 分享的数据，2025 年全球已有约 40% 的代码由 AI 生成。开发速度上去了，但测试能力没跟上------代码提交和充分验证之间的差距越来越大。Agentic QA 正是用来弥合这个差距的工具。
第二，传统自动化已经碰到了天花板。 2025 年，Forrester 将其整个测试平台品类从"持续自动化测试平台"更名为"自主测试平台"。背后的原因是行业长期卡在约 25% 的自动化测试覆盖率上。靠人工写脚本的自动化方式，很难突破这个瓶颈。而 Agentic 系统可以动态生成和维护测试，不再依赖人工逐条编写，因此有望打破这层天花板。
第三，质量出问题的代价越来越高。 应用越来越复杂、发布越来越快，Bug 溜到生产环境的后果也越来越严重。Gartner 预测，到 2026 年底，40% 的企业应用将配备任务专用 AI 代理，而 2025 年这一比例还不到 5%。那些把代理能力嵌入 QA 流程的组织，才能在业务要求的速度下自信地发布。
Agentic QA 到底怎么工作的？
要理解 Agentic QA，可以把它看作一个循环，而不是一条直线。传统测试是一条路径：人写脚本、机器运行、有人看结果。Agentic QA 则是一个持续运转的四阶段循环。
第一阶段：分析与规划
代理读取输入------可能是一份用户故事、一份需求文档、一份 API 规范，或者一次代码变更------然后判断需要测什么。它会界定范围，根据风险和最近的变更排定优先级，并生成一份测试计划。人类 QA 工程师可能需要花几个小时来审阅一个冲刺周期的用户故事才能决定测什么，而代理系统几分钟就能完成。
第二阶段：生成与创建
基于分析结果，代理生成测试用例。这些用例可能用 Gherkin 写成 BDD 格式，也可能组织成手工测试步骤供人工审阅，或者直接生成可执行的自动化脚本。与早期"AI 辅助"工具的关键区别在于：代理不需要人类逐条审批建议------它会生成一套完整且贴合需求的测试集。
第三阶段：执行与观察
代理运行测试------可以在云端、本地，或者通过 CI/CD 管道------并监控结果。遇到失败时，它不只是标记"失败"，而是分类失败原因：这是真正的 Bug、测试维护问题、环境问题，还是偶发性不稳定（flaky test）？这个分类步骤传统上占用了 QA 工程师大量时间，现在可以自动完成。
第四阶段：适应与自愈
这是"代理"属性最明显的地方。当被测试的应用发生变化------比如按钮挪了位置、API 返回格式变了、新增了一个字段------代理会自动适应。它会重写或"自修复"测试步骤，以匹配应用的新状态。同时，它会把这次学到的经验反馈回模型，让下一轮循环更聪明。
这个四阶段循环在每次代码提交、每次合并、每次部署时都会运行。日常 80% 的场景不再需要人类去决定"该跑哪些测试？"或"这个失败是真是假？"。QA 团队可以把精力聚焦在策略、探索性测试，以及那些需要领域知识和创造性思维的复杂边界案例上。
Agentic QA、传统自动化与 AI 辅助测试，有什么不一样？
不是所有用了 AI 的测试工具都算"代理式"的。搞清楚区别，对选择平台很重要。
| 能力维度 | 手工测试 | 传统自动化 | AI 辅助测试 | Agentic QA |
|---|---|---|---|---|
| 测试创建 | 人写每条用例 | 人写每条脚本 | AI 建议、人审批 | 代理从需求生成测试 |
| 测试执行 | 人执行 | 机器跑脚本 | 机器跑脚本 | 代理运行、监控并分类 |
| 测试维护 | 人更新 | 人重写坏掉的脚本 | AI 建议修复 | 代理自动自修复 |
| 决策制定 | 完全由人 | 完全由人 | 人基于 AI 建议做决定 | 代理驱动，人在上层监督 |
| 适应性 | 高（人的判断） | 低（脚本脆弱） | 中（辅助修复） | 高（自主适应） |
| 扩展性 | 受人数限制 | 受脚本编写速度限制 | 有改善但仍有瓶颈 | 随 AI 扩展，不随人数 |
2026 年的大多数团队介于"AI 辅助测试"和"早期 Agentic QA"之间。这个成熟度不是非黑即白的，而是一个渐变过程------竞争优势属于那些走得更远的团队。
Agentic QA 系统的六大核心能力
判断一个平台是否真正做到了 Agentic QA，要看这六项能力是否作为一个系统协同工作，而不仅仅是零散的功能模块。
1. 需求分析
在编写任何测试用例之前，代理系统会先读取并理解需求------用户故事、验收标准、产品规格、架构图------然后识别出人类在冲刺压力下经常忽略的模糊之处、覆盖缺口和可测试性问题。这个阶段把质量前置到了开发流程中：在需求评审阶段发现的缺陷，修复成本比生产环境发现的低好几个数量级。
2. 测试生成
需求理解之后，代理会创建覆盖这些需求所需的最少测试集，然后进一步扩展到边界用例、负面场景和回归路径。目标不是数量多，而是精准覆盖。代理生成的测试与需求真正要求的一致，而不是人类凭记忆写出来的脚本。
3. 自主测试执行
这是代理式测试与传统自动化区别最明显的地方。代理不是运行预先写好的脚本，而是针对线上应用执行自然语言的测试用例，每一步都截图和录屏，实时监控结果。测试在每次提交、每次合并、每次部署时自动触发，不需要人类决定触发哪些测试，也不用等定时任务。
4. 缺陷报告
出现失败时，代理系统不只是标记一下。它会分类失败类型、捕获完整的复现上下文、生成结构化的 Bug 报告------包含步骤、环境详情和证据------然后直接提交到问题追踪系统。过去每个 Bug 需要 QA 工程师花 20 到 30 分钟来整理文档，现在变成每次失败运行的自动产出。
5. 根因分析
除了报告什么失败了，代理系统还会解释为什么失败。它能区分真正的缺陷、不稳定的测试、测试维护问题和环境问题，把失败追溯到引发它的代码变更或配置变动，并推荐修复方案。这项能力消除了每个冲刺周期中默默消耗 QA 产能的故障分类积压。
6. 发布智能
最具战略价值的能力，是把其他所有代理观察到的东西------测试结果、缺陷模式、覆盖缺口、生产信号------综合成一个连贯的答案，回答每个发布都需要面对的问题：**我们准备好发布了吗？**代理平台会以发布就绪仪表盘、自然语言问答和有数据支撑的 GO/NO-GO 建议的形式呈现这些信息，而不是靠直觉判断。
Agentic QA 在哪些场景最有价值？
Agentic QA 并非在所有地方都同等有用。在传统方法吃力的特定场景中，它的优势格外明显。
高频发布环境。 每天甚至每天多次发布的团队，等不了人工创建测试和分类故障。Agentic 系统生成和维护测试的速度跟得上代码提交的速度。
复杂的多平台应用。 横跨 Web、移动端、API 和桌面的应用会产生海量的组合测试挑战。代理系统通过动态调整各平台的覆盖范围并根据风险排定优先级来管理这种复杂性。
回归测试繁重的套件。 回归测试重复性高、体量大，是测试维护负担的主要来源。这是代理自动化的理想场景------把人类测试人员解放出来，去做真正需要人类判断的工作。
受监管行业。 金融科技、医疗健康和政务应用需要全面的覆盖和完整的审计追踪。代理系统两者都能提供------代理做的每一个决策（测了什么、为什么测、发现了什么）都有日志记录、可追溯。
QA 资源有限的团队。 当招人速度跟不上开发速度时，Agentic QA 把质量和人数解耦了。覆盖范围随 AI 扩展，而不是随 QA 团队规模扩展。
怎么开始用 Agentic QA？
转向 Agentic QA 不需要一夜之间推倒现有的测试基础设施。可以分阶段推进。
第一阶段：评估现状
在采用任何代理工具之前，先搞清楚当前的位置：自动化测试覆盖率是多少？测试维护负担有多重？哪些瓶颈拖慢了发布？答案会告诉你代理能力在哪些地方能产生最直接的影响。
第二阶段：从一个工作流开始
选一个回报最高的工作流。回归测试是个不错的起点------重复性高、体量大、维护负担重。在这个工作流上应用代理测试生成和自修复能力，衡量结果，让团队建立起对这种方法的信心。
第三阶段：向全生命周期扩展
团队在一个领域看到成果之后，把代理能力向上游扩展（需求分析和测试规划）和向下游扩展（故障分析和生产监控）。Agentic QA 的完整价值来自于把这些阶段连接成一个持续循环，而不是孤立地优化任何一个环节。
第四阶段：转变团队角色
随着代理系统承担更多机械性工作，需要投资于 QA 团队的技能升级。在 Agentic QA 环境中，最有价值的技能是测试策略、风险分析、探索性测试、领域专业知识，以及定义指导 AI 的质量目标的能力。这些从根本上说是人类的技能，而且比以往任何时候都更重要。
Katalon True Platform 如何实现 Agentic QA
Katalon True Platform 围绕一个原则构建：代理式测试只有与治理、可追溯性和人工监督相结合时才有价值。把自主代理当作黑箱来运作，无法赢得 QA 负责人、工程经理或受监管行业合规团队的信任。在 True Platform 中，代理的每一个动作都有日志记录、可审计、可解释------即使代理处理执行工作，人类仍然掌控结果。
该平台部署了六个专门构建的 AI 代理，它们在整个测试生命周期中共享上下文。它们不是孤立的特性------每个代理都会把完整的上下文传递给下一个，确保阶段之间不会丢失任何信息。
- 需求分析代理在测试开始前读取需求------用户故事、验收标准、规格说明------并找出模糊之处、缺口和可测试性问题。
- 测试生成代理生成覆盖所需的最少测试集，然后扩展边界用例、负面场景和自动化脚本。
- 自主测试执行代理运行自然语言的测试用例，每一步截图和录屏，覆盖 Web、移动、API 和桌面端，在每次提交时通过 CI/CD 管道运行。
- 缺陷报告代理为每次失败的运行生成结构化的 Bug 报告，包含完整的复现上下文，直接提交到 Jira 或 Azure DevOps。
- 根因分析代理解释失败原因，区分真正的缺陷和不稳定的测试，把失败追溯到具体的代码变更或配置变动，并推荐修复方案。
- 报告与洞察生成代理综合其他五个代理观察到的一切，通过自然语言问答回答"我们准备好发布了吗？"和"我们最大的覆盖缺口在哪里？"等问题。
这些代理运行在一个覆盖自动化、手工测试、执行、分析、测试管理和生产监控的统一平台中。它们原生集成 CI/CD 管道、Jira 和现代 DevOps 工具链。最关键的是，每个代理动作都有日志记录和可追溯，为组织提供了自信发布所需的问责层。
Katalon True Platform 支持 Web、移动、API 和桌面端测试，覆盖无代码、低代码和全代码三种方式。
记住这几点
Agentic QA 是自软件测试从手工转向自动化以来最重大的一次变革。总结一下：
- Agentic QA 是目标导向的，不是脚本导向的。 AI 代理基于目标（而非预设步骤）来规划、执行和调整测试。
- 它弥合了开发速度和测试能力之间的差距。 随着 AI 生成代码加速开发，代理式测试是让质量跟得上速度的机制。
- 行业在约 25% 的自动化测试覆盖率上停滞已久。 代理系统有望通过消除测试创建和维护中的人力瓶颈来突破这层天花板。
- QA 工程师不会被取代，而是被提升。 角色从测试执行者转变为质量策略师和 AI 编排者。
- 从小处着手，逐步扩展。 选一个高影响的工作流（比如回归测试），证明价值，然后从那里扩展。
- 治理和自动化同样重要。 最好的 Agentic QA 平台会把自主代理与可追溯性、审计追踪和人工监督结合起来。
软件测试的下一站已经来了。它不是关于更快地写脚本------而是关于让 AI 来思考"测什么"和"为什么测"，把人类解放出来去做真正需要人类智慧的事。