ai测试

AI测试Agent的两种架构路径：谁做主控？搭AI测试Agent，第一个要做的架构决策不是选什么模型、用什么框架，而是——谁来做决策者？是你的测试代码控制流程、按需调用Agent能力，还是让Agent自己跑、自己决定调什么工具？这个问题看起来简单，但直接决定了你后续所有的技术选型、调试方式、甚至团队分工。我在这条路上走了两年，smart-testgen走的是API Server模式，Hermes Agent走的是Agent自主模式，踩过的坑比选错模型多得多。今天把这两条路彻底拆开讲，讲清楚各自适合什么场景、各自的代价是什么、以及我是怎么从"二选

一个完美的AI测试Agent应该是什么样的APP UI自动化测试发展了十余年，从早期的脚本录制回放，到后来的控件树定位，再到如今的AI赋能，工具在进化，但核心痛点始终没有根本改变：手工用例到自动化脚本的转化率长期维持在低位，大量边缘场景和复杂交互仍依赖人工执行；跨设备适配需要投入大量人力维护；UI变化后脚本脆弱得像纸糊的；断言能力只能做文本和元素级别的简单比对，无法理解语义。

AI驱动的纯视觉自动化测试：知识库里应该积累什么知识内容很多团队做纯视觉知识库，一开始的定位就是"帮AI更好地识别元素"。但我们的经验是，知识库更大的价值在于：让AI能够自主生成真正可执行的测试用例，而不只是执行人写的用例。这是两个完全不同的层次。前者是提高执行效率，后者是从0到1实现用例生成自动化。

基于Skills的接口自动化测试方案｜新增 MySQL 断言，实现接口 + 数据库双校验哈喽，我是 Raina。上篇我们讲了基于Skills的接口自动化测试方案，新增多接口串联和自然语言场景用例的实现思路，实现了从 “单接口测试” 到 “完整业务流程自动化” 的升级。感兴趣的可以看下这篇文章：

AI功能能回答，不代表能上线：写给测试工程师的AI测试入门随着大模型、AI Agent、智能知识库、自动化生成工具逐渐进入业务系统，测试工作正在发生明显变化。过去，我们测试一个功能，通常关注的是：

一篇理清Prompt，Skill，MCP之间的区别大家好，我是洋子事情是这样的。前两天我们团队在做AI自动化测试的时候，有个同事突然在群里问了一句，「Prompt和Skill到底有啥区别？MCP又是啥？我感觉每个都能让AI干活啊，搞不懂这三个东西到底谁是谁。」

测试工程师如何用AI生成测试用例？我的提示词模板分享作为测试工程师，我们每天都在和测试用例打交道。一份好的测试用例，是保障软件质量的第一道防线。但你有没有想过，当AI能够帮我们快速生成测试用例时，我们的工作会发生怎样的变化？

基于playwright-cli +Skills实现UI自动化测试实战案例2️⃣（附常见问题处理）上篇文章介绍了Playwright CLI的核心基础，以及相关 Skill 的核心作用。并以「登录功能」为案进行了基础实战（案例1），感兴趣的小伙伴可以看这篇文章：基于playwright-cli +Skills实现UI自动化测试实战案例1️⃣

基于playwright-cli +Skills实现UI自动化测试实战案例之前分享过关于midscene.js实现UI自动化的实现方案，但是实践下来发现，效果并不是很好，主要是因为midscene.js需要通过截图、视觉识别元素，再去执行操作，可能一个用例跑下来，几分钟过去了。因此，我这边研究了另外一套更高效的方案：基于Playwright CLI + 无障碍树，构建配套skill系列实现UI自动化，今天通过一个实战案例带大家学习下～

放弃OpenClaw ？Hermes Agent从0到1部署+接入飞书教程大家好，我是洋子Hermes Agent 是近期继 OpenClaw 之后热度极高的 AI Agent 项目，由 Nous Research 在 2026 年 4 月正式开源，主打自我成长、主动总结、自动创建技能，上线没多久就在 GitHub 斩获 95K+ Star，势头非常猛。

小赖同学啊

本地部署 GraphRAG本地部署 GraphRAG 主要有两种主流方案：使用微软官方 GraphRAG 命令行工具，或使用集成 UI 的生态项目。下面按步骤说明最实用的本地部署方案。

QA的AI突围之路选择拥抱变化还是躲在角落里瑟瑟发抖。大模型与测试的结合，主要有两条路径。第一条：是测试"嵌入 AI 的系统"——当被测对象本身就是智能应用时，测试需要验证模型的鲁棒性、边缘案例覆盖，以及幻觉输出的把控。第二条：是让大模型反过来帮测试工程师干活：自动生成测试用例、预测高风险路径、模拟用户行为，把脑力密集的测试设计变成一键触发的动作。

Cherry的跨界思维

【AI测试全栈：质量】47、Vue+Prometheus+Grafana实战：打造全方位AI监控面板开发指南在现代AI系统中，复杂的模型推理、大规模数据处理和分布式架构使得传统监控方法不再适用。一次模型性能下降、一个特征数据漂移、一次GPU内存泄漏，都可能在不经意间导致严重的业务影响。据统计，超过60%的AI系统故障是由于缺乏有效的监控和预警机制造成的。

Cherry的跨界思维

【AI测试全栈：质量】45、Kubernetes云原生AI服务测试全实战：从容器化到多租户隔离（附Kind集群实操+踩坑指南）关键词：Kubernetes AI服务测试、云原生AI测试、K8s GPU测试、Istio服务网格测试、Kind集群实操、AI服务弹性伸缩测试、多租户隔离测试适用人群：云原生测试工程师、AI平台开发工程师、K8s运维工程师、架构师

测试开发技术

别再只做 “点点点”！AI测试的六种不同玩法，附带Midscene详细教程！零基础新手，最大的学习障碍是"恐惧感"！上一篇，我们以AI编程切入，手把手带大家如何在10分钟内做出第一个应用，并且如何将它部署到互联网上。

Cherry的跨界思维

【AI测试全栈：质量】40、数据平权之路：Python+Java+Vue全栈实战偏见检测与公平性测试点击投票为我的2025博客之星评选助力！某银行AI信贷系统因为对特定地域人群的“歧视性”利率决策，陷入舆论风波与监管调查；而仅仅半年前，其公平性指标在内部测试中全部“达标”。这揭示了现代AI系统公平性测试的复杂性与严峻挑战。

Python测试开发工具库：日志脱敏工具（敏感信息自动屏蔽）目录一、先搞懂：日志脱敏的核心需求与实现原理1.1 核心需求拆解1.2 实现原理二、工具设计思路：从易用性和扩展性出发

Python测试开发工具库：测试环境变量统一配置与加载工具目录一、为什么需要环境变量统一配置工具？二、核心原理：配置加载的底层逻辑三、设计思路：如何打造一个好用的配置加载工具？

使用OCR加持的APP自动化测试在APP自动化测试实践中，测试人员普遍会遇到一类典型问题：部分页面元素缺乏固定的id、xpath等可定位属性，例如自定义弹窗内的文本按钮、动态生成的验证码文本，或是部分原生控件的属性被开发屏蔽，导致常规元素定位方法失效。仅依赖Airtest的图像识别能力，在文字内容变化但样式一致的场景下，识别精准度往往难以满足测试需求。

Cherry的跨界思维

28、AI测试环境搭建与全栈工具实战：从本地到云平台的完整指南在AI技术快速迭代的今天，一个稳定、高效且可扩展的测试环境是保障AI模型质量的基石。无论是数据验证、模型评估还是性能测试，全栈工具链的协同工作都至关重要。