- 综合排序
- 最热优先
- 最新优先
为什么AI时代，测试工程师必须补齐算法能力？
正是这些问题，推动了单元测试、接口测试、自动化回归、持续集成和质量门禁的发展。AgentSkill现在也走到了相似的阶段。 、接口测试、流程测试、状态机测试和端到端测试的组合。 PR冒烟测试适合每次提交运行：少量核心用例确定性规则为主执行时间短Token消耗低失败后阻止合并定时回归测试适合每天或每周运行：多模型、多引擎对比多次重复执行复杂多轮场景AgentJudge语义评审工具异常与降级测试发布前端到端测试适合版本发布前运行 十、对软件测试从业者意味着什么skill-up值得测试人员关注的原因，并不只是阿里又开源了一个AI工具。 而是完整的Agent行为：有没有选择正确工具有没有在正确时机调用工具是否遵守权限和安全流程多轮上下文是否保持一致工具失败后能否恢复最终产物是否真实可用换模型和引擎后是否退化失败后是否能够定位原因从这个角度看，AI
14510编辑于 2026-08-03- 来自专栏FunTester
MCP：引领 AI 测试新时代
MCP如何重塑质量保证工程 AI代理：自动化测试的智能助手 MCP 赋予 AI 代理如同资深测试工程师般的智慧，能够通过分析代码、日志和用户行为趋势，自动创建、执行并维护测试用例。 对于复杂的分布式系统，AI 代理还能动态调整测试策略，确保测试覆盖率和效率的最大化。 未来，质量保证工程师的角色将从编写测试转变为策划和优化 AI 生成的测试。 未来，QA 工程师将转型为 AI 测试架构师，专注于定义测试目标和策略，而非编写详细的测试步骤。这种转变不仅释放了工程师的创造力，还推动了测试实践的智能化和自动化。 未来，QA 工程师必须掌握 AI 安全测试技能，例如对抗性测试和偏差检测，以确保智能系统的安全部署。这种能力不仅是技术上的要求，也是对测试团队的一次全面升级。 通过掌握 AI 测试技能和智能系统相关技术，测试工程师可以更好地应对复杂的应用场景和快速变化的需求，真正实现测试的智能化和自动化。
65710编辑于 2025-08-12 - 来自专栏不换的随想乐园
思辨看待 AI 时代 - AI 助手和工程师导演
AI 概括 文章以工程师视角回顾自己与 AI 协作的实践历程，从谨慎试用到高频使用，效率显著提升。 核心观点是：AI 能放大能力、完成大量体力工作，但无法替代架构思维、系统设计与边界判断。 面对 AI 时代的职业焦虑，作者建议拥抱工具，同时通过扎实基础、清晰拆解与严格审查保持竞争力。 结论是 AI 会成为必备工具，但真正的决策与责任仍需由人类工程师承担。 结合一些观察与观点，我做个阶段性总结（偏个人判断，不代表定论）： 独立的“超级个体”会变多：一个人指挥多个 Agent 解决不同问题，个人创意型产品会更容易出现； 初级工程师的岗位要求可能会提高：重复性编码工作减少 可能轻松完成项目前 70%，但剩下 30%（边界情况、性能优化、安全性）更依赖经验丰富的工程师。 AI 可能会像 IDE、Git、Docker 一样成为工程师的标配。重要的不是“会不会被 AI 取代”，而是“如何用好 AI 放大自己的价值”。 保持学习，保持思考，保持本真。
36120编辑于 2026-03-10 - 来自专栏漫谈测试
聊聊AI时代下测试工程师的核心竞争力有哪些
测试工程师在这里的核心矛盾是：既要保障海量用户的体验稳定性，又要跟上持续交付的速度。AI的作用不仅是提升效率，更是解决人力无法覆盖的复杂场景。 在互联网行业高速迭代与AI深度渗透的背景下，测试工程师的核心竞争力已进化为 “质量工程+AI协作者+业务守护者”三位一体能力。 一、AI测试工程化能力 互联网价值：将回归测试时间从72小时→15分钟（京东618实践）二、垂直场景深度解析能力 典型互联网业务测试策略 关键：用领域知识将业务规则转化为可量化测试指标（如支付系统要求资金误差 /开发者经验）预判风险模块智能根因分析阿里云鹰眼系统：自动关联日志/链路追踪/Metrics定位故障点 七、进化力：拥抱技术洪流互联网测试工程师学习路线 保持竞争力的关键行动：每年主导1个AI测试提效项目 数据驱动³⚠️ 淘汰预警信号（互联网版）：仅执行基础功能测试，未参与自动化建设无法理解推荐/搜索等核心系统工作原理生产环境故障时只能被动等待告警互联网行业的测试工程师终极价值在于，用技术手段将业务风险转化为可量化的质量护城河
64920编辑于 2025-08-04 AI时代，CRUD工程师还有未来吗？
有一个问题，在技术圈正在被越来越多的人私下讨论：当AI能写出90%的业务代码时，那些每天做数据库增删改查的工程师，到底还值不值钱？ AI正在快速替代的，是前者；而真正决定工程师长期价值的，是后者有没有被突破。 四、从“个人产出”到“团队放大” AI时代，一个人的代码产出能力正在被快速拉平。一个使用AI辅助的普通工程师，代码产出速度可能是三年前的三到五倍。 这意味着什么？ 能否帮助团队成员建立对AI辅助开发的正确使用姿势，而不是盲目信任输出 一个只关注个人产出的工程师，在AI时代会被加速边缘化。 而一个能够放大团队整体能力的工程师，其价值反而会随着AI能力的提升而水涨船高——因为他所管理和传递的，是AI无法自动生成的系统性判断力与工程文化。 结尾 CRUD工程师还有未来吗？
25710编辑于 2026-05-15- 来自专栏测试开发技术
AI测试时代：用Skills落地自动化测试！
当AI大模型席卷测试圈，真正能拉开差距的，不再是会不会用AI，而是能不能用对Skills——这个能让AI从“只会建议”升级为“动手干活”的核心能力，正在重构自动化测试的新范式。 如果说普通Prompt是一本“种菜说明书”，只能告诉AI“怎么做”，那么Skills就是“说明书+农具+机械臂”的组合包，是一套封装了场景逻辑、脚本工具和执行能力的标准化单元，也是连接大模型与测试实战的关键桥梁 它让AI不再只停留在“顾问”层面，而是能真正上手执行测试任务，这也是它能颠覆传统自动化测试的核心原因。 AI时代，测试行业的核心竞争力已从“手动执行”转向“效率赋能”。 对于测试人而言，现在上手Skills，就是抢占行业先机。从今天开始，用Skills解锁自动化测试新玩法，告别繁琐劳动，实现效率跃迁，在AI浪潮中站稳脚跟。
1.2K10编辑于 2026-04-29 AI 时代，如何成为十倍工程师
首先提到了 AI 工具在提高工程师效率方面的潜力，并以作者的亲身经历为例，说明了 AI 如何帮助他在开发 Chaterm 项目时提高了两到三倍的效率。 软件工程课的大作业要求小组完成一个项目（通常是 xxx 管理系统），最后不仅需要提交一份代码，还需要提交 4 个文档，分别是：需求分析、概要设计、详细设计和测试文档。 反直觉的建议很多人以为在 AI 时代，工程师应该把精力放在“如何更好地使用 AI 工具”上，比如 Prompt Engineering。PE 很重要，但不是根本。 关键在于，你要先成为一个优秀的工程师，才能借助 AI 成为"十倍工程师"。在此基础上通过刻意练习，来无限地接近这一目标。 拥抱时代的人，永远不会被时代抛弃官网：Chaterm - Open Source AI Terminal and SSH ClientGitHub：https://github.com/chaterm/
28200编辑于 2026-06-10AI+全能测试工程师：大模型时代，软件质量的守门人正在进化
AI+全能测试工程师：大模型时代，软件质量的守门人正在进化从“点点点的手工侠”到“质量策略的总设计师”“我不是在执行测试用例，而是在教会AI如何思考软件的脆弱之处。” —— 这是AI+全能测试工程师的新信条。在过去，软件测试工程师的角色常被低估——写繁琐的测试用例、手工执行回归测试、在Bug跟踪系统里堆砌描述。 欢迎来到AI+全能测试工程师的时代。什么是AI+全能测试工程师？这并非一个头衔，而是一种能力重组：将测试工程师的领域知识、测试策略思维，与大模型的代码生成、逻辑推理、异常发现能力深度融合。 AI如何武装全能测试工程师？1. 工具已到，思维就位，去成为那个AI时代的质量总设计师。
56410编辑于 2026-05-17- 来自专栏FDE工程师-从AI技术实现到业务落地
FDE：AI时代工程师的长期职业路径
FDE：AI时代工程师的长期职业路径AI拉呱：洞察AI技术前沿ForwardDeployedEngineering提供了一条稳健且多元的长期职业路径，尤其在充满活力的AI系统时代被进一步放大。 与传统软件工程相比，这条路径提供了更广泛的高级岗位选择，使其成为有抱负的工程师的compelling选择。 AI时代的需求。 它专为在先进技术（尤其是AI）和真实商业环境的动态交叉点上茁壮成长的工程师而设计。 AI拉呱：洞察AI技术前沿
14510编辑于 2026-09-02 - 来自专栏PPV课数据科学社区
AI时代就业指南：数据挖掘工程师成长之路
今年3月份时，谷歌开发的人工智能AlphaGo打败了全球最顶尖的围棋高手，轰动全世界，AI时代正式拉开序幕。 一个人工智能的诞生需要无数个工程师挥洒汗水。其中，负责开发学习算法、使机器能像人类一样思考问题的数据挖掘工程师更是无比重要。什么人能完成人工智能的开发任务呢？ 而自学习模型(或者说机器学习能力开发)正是数据挖掘工程师的强项，人工智能的诞生和普及需要一大批数据挖掘工程师。 那么在AI时代，如何才能掌握相关的技能，成为企业需要的数据挖掘人才呢？
1.1K70发布于 2018-04-24 - 来自专栏让技术飞起来
AI时代软件工程师职业还将存在多久？
但是，很多很多年前，时代已经来到一个阶段 - 大部分的码农其实甚至不具备Mechanical Sympathy（“机械同理心”），不知道基础的计算机原理与算法，他们日复一日的，只是在做代码翻译工作、数据格式转换工作 这里又有一笔账 - 每个工程师每天完成并提交的源代码有多少行？“完成”的意思是：测试过、评审过、确认有效的代码。Welsh的估计，中位值是0！ 7、8个人的团队规模，开发小组先坐下来开几次会，产品经理搞个交互概念、UI整个“高保真”设计原型、前后端人员分个工、测试工程师搞个TDD/BDD。 号称AI赋能码农、增强其能力提升其效率的神器 - 各种Copilot，来了。随之而来的是各种“神预测”。“未来的工程师只有两种人，能利用AI的和不能利用AI的”。 “AI是平庸工程师的复仇”。有些技术视频博主如是说。
97711编辑于 2023-12-27 - 来自专栏PPV课数据科学社区
AI时代就业指南：机器学习工程师求职须知
机器学习工程师做什么？ 可以把机器学习工程师的工作分为以下几点： 机器学习的实现和搭建各个公司的机器学习架构。 搭建架构之后，维护该架构，包括在新的数据局进来时，该架构的速度、可靠性和性能。 这些框架不仅被机器学习工程师使用，也会被数据科学家使用。 实际上，机器学习工程师的工作也取决于具体的公司，不同的公司对机器学习的理解和应用不一样，因此他们的机器学习工程师的工作职责也会不一样。 机器学习工程师所需的技能 首先，Machine Learning Engineer仍然是engineer，所以计算机基础知识和编程能力是必须有一定水准的，所以第一和第五点是基础。 在百度，如果要求应聘者拥有 C++ 的技能，那么在面试的时候就一定会出现C++的内容；而有的公司或许要求SQL，R等语言，都是一样；最后一点，线性回归，概率论、统计、中枢网络等，是对于ML工程师的特殊要求
97270发布于 2018-04-23 数据爆炸时代，为什么 ETL 工程师比 AI 工程师还值钱？
前几年，几乎所有人都在谈 AI：自动驾驶、智能客服、ChatGPT、智能投顾……仿佛谁不招 AI 工程师就要落伍。 在这个数据爆炸的时代，AI 工程师负责的是“模型”，而 ETL 工程师负责的是“数据血管”。没有干净、标准、及时的数据流，模型就是一堆漂亮但没用的 PPT。一、先说清楚，ETL 是啥？ 三、ETL 工程师 VS AI 工程师：不是对立，而是配合不是说 AI 工程师不重要，而是企业发现：如果数据层不打牢，AI 工程师再多也白搭。 AI就是喝水的人，要是水本身就是脏的，AI又如何发挥价值？企业对 ETL 工程师的需求不是降低了，而是比以往更急迫、更高端。 所以，别再小看 ETL 工程师——在很多场景里，他们是比 AI 工程师更稀缺、更核心的岗位。
57810编辑于 2025-08-22- 来自专栏宜达数字
测试工程师测试工程师
测试工作 常有功能测试、接口测试、UI自动化测试、性能测试、安全测试等。 功能测试是其他测试工作的基础，是培养测试用例设计能力和建立测试思维的关键阶段。 自动化测试主要包括接口自动化测试和UI自动化测试 性能测试主要指：用户访问量越大、数据量越多，软件产品的响应速度性能测试常用的工具有JMeter和Loadrunner。 安全测试是测试中的一个专项测试，一般都是有专门的安全测试人员进行测试,暴力破解、越权漏洞、命令注入、SQL注入、XSS、CSRF. 测试工程师路线 基础 作为一名测试人员肯定要了解计算机相关概念，基础的测试理论，以及前端的HTML、CSS、JS的语法规范用法等。 ；测试计划，测试方案，测试报告。
73020编辑于 2021-12-07 - 来自专栏云云众生s
在AI时代软件工程师仍然不可或缺
随着我们不断探索不断发展的技术领域，人工智能（AI）对各个行业产生的深远影响是不容否认的。AI 已彻底改变了运营，实现了任务自动化并提高了效率。然而，尽管有这些进步，AI 仍无法取代软件工程师。 软件工程师的独特性 虽然 AI 擅长自动化重复性任务、处理海量数据，甚至生成高质量的代码片段，但软件工程师的角色远远超出了这些功能。 同样，软件工程师使用 AI 来增强他们的能力，但由于他们独特的创造性思维和解决复杂问题的能力，他们仍然不可替代。 当今的公司正在寻找能够应对复杂挑战并做出重大贡献的工程师。AI/ML 工程师、数据工程师和计算机视觉工程师等专业角色比以往任何时候都更受欢迎。 软件工程师对于技术的持续增长和发展至关重要。虽然 AI 可以增强他们的工作，但它无法取代软件工程师带来的创造力、批判性思维和协作。
62610编辑于 2024-06-17 - 来自专栏大前端修炼手册
AI时代，工程师的学习方式已经过时了
传统学习路径，是为"信息稀缺"时代设计的 工程师这个职业，过去二十年的主流学习路径大概是这样的：看官方文档 → 跟着教程敲代码 → 做一个小项目 → 遇到 Bug 去 Stack Overflow 找答案 信息稀缺的时代结束了。但很多工程师还在用信息稀缺时代的工具和逻辑来学习，这就是问题所在。 这类心智模型，AI 不会帮你自动建立。它可以帮你验证、举例、纠偏——但构建过程需要你自己完成。 AI 时代，工程师应该怎么学？ 给出几个具体的、可操作的改变。 ③ 用"教学测试"代替写博客 写博客的本质价值是"费曼技巧"——把东西教给别人，才知道自己到底懂没懂。但写博客成本高、反馈慢。 替代方案：写可以独立运行的"教学测试"。 两天学会了 XXX"的感觉，在 AI 时代要打个大问号——你是真的学会了，还是 AI 帮你完成了？ 下一步值得想的问题 最后留一个问题：你上一次真正"卡住"是什么时候？
26610编辑于 2026-04-15 - 来自专栏windealli
AI 时代工程师的新核心竞争力
AI 时代工程师的新核心竞争力 摘要：当 AI agent 可以自主写出 100 万行代码，工程师的价值究竟在哪里？ 这不只是 AI 时代的问题，这本来就是工程债。 Prometheus、OpenTelemetry、gRPC——这些「老派」选择，在 AI 工程时代反而成了优势。 知识管理不是软技能，是硬基础设施 很多工程师把「写文档」看成可有可无的事情。在 AI agent 工程时代，这是在挖坑。 仓库里没有的知识，对 agent 不存在；对新入职的工程师，也几乎不存在。 它需要工程师去设计、去维护、去进化。 那些能设计出好 Harness 的工程师，才是 AI 时代最稀缺的人才。
35310编辑于 2026-05-19 - 来自专栏老张的求知思考世界
AI测试工程师，需要具备哪些技能？
从软件测试角度出发，则是找到尽可能贴近标准化场景，或者更易于标准化的场景，然后落地AI，比如：监控巡检、code diff、测试数据生成、测试脚本生成。 那么，该如何具备这些能力，转型为一名AI测试工程师呢？ 首先，在日常工作中落地AI，应该对AI相关的基础理论和技术原理有一定的了解。 比如：测试用例生成、测试数据对比、代码审查和评审、性能问题识别分析、AI驱动的自动化测试等场景。 先从局部开始，拿到结果和正向反馈，然后进一步扩大覆盖范围，最终达成AI TestOPS的目标。 从需求管理、项目管理，到测试用例、故障案例库沉淀，AI知识库都是AI深度融入工作场景的必经之路。 最后，则是基于轻量的技术项目和AI知识库，打造属于我们的AI测试平台。 通过已经落地实践的智能测试用例生成和测试数据对比等能力，结合AI知识库，再叠加工作流驱动的AI智能体能力，可以达成AI驱动的全链路测试覆盖，让测试团队具备AI TestOPS能力。
1K10编辑于 2025-10-10 临床AI时代的模型记忆风险与隐私测试
MIT科学家研究临床AI时代的记忆风险一项新研究展示了如何测试人工智能模型，以确保它们不会通过泄露匿名化的患者健康数据而造成伤害。患者隐私的初衷是什么？ 在数据渴求的算法和网络攻击日益增多的时代，隐私变得越来越稀缺，而医学是少数几个保密性仍处于实践核心的领域之一，这使得患者能够信任他们的医生，分享敏感信息。 为了评估这一点，研究团队开发了一系列测试，他们希望这些测试能为未来的隐私评估奠定基础。这些测试旨在衡量各种类型的不确定性，并通过评估不同层级的攻击可能性来衡量其对患者的实际风险。 “我们在这里真正试图强调实用性；如果一个攻击者需要知道你记录中一打实验室测试的日期和数值才能提取信息，那么造成伤害的风险就非常小。 这项工作得到了某中心的支持，以及来自某基金会、某国家科学基金会、某基金会奖、某研究学者奖和某科学中心AI2050计划的支持。
24510编辑于 2026-01-24- 来自专栏腾讯大讲堂的专栏
大数据AI时代的产品修炼之路：AB测试
2、具有预测性：这个很好理解，先用小流量测试，如果数据达到预期，预测覆盖到全量用户也能达到效果 3、具有并行性：并行性是A/B测试的条件和前提，缺乏并行性，A/B测试的结果就完全不可信，这个也很好理解， 2 A/B测试的试验类型 在实际的产品A/B测试中，考虑到机会成本的因素，一次如果只做一个层面的A/B测试有点太奢侈了，所以多半是几个优化方案同时开展，一起投放去测试达到效率最大化，所以我们需要先分清楚各个页面试验之间的关系 ，A/B测试的试验类型分为正交试验和互斥实验两种。 3 A/B测试的“坑” 做A/B测试试验，最常见的是在测试的时候，发现试验组比对照组的数据好，然后就盲目发了试验版本，结果一上线完全是两回事，这里我们不得不谈到“辛普森悖论”。 但是在实际的过程中，有团队会在不同应用市场、不同渠道进行测试，比如测试2个投放策略，一个在快手测试，一个在抖音策略，这两个渠道的用户群里天然的就有差异，得出的数据是不可信的。
1.7K30发布于 2021-02-23
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号