测试开发和业务测试的看法可能不太一样，作为业务测试，我觉得：单从 AI 生成测试用例的方向，需要强依赖产品文档和技术方案的完善和准确，抛开这些谈测试用例生成准确率就有点扯。大多数测试设计需要不断和产品、开发沟通细节，很少见到不需要沟通的需求。然而，现在产品和开发也在重度用 AI 写产品文档和技术方案，以前产品和开发写的文档，读起来比较容易理解，现在 AI 写的感觉就在 ‘堆砌’ 文本，我的评价是一坨勾石。补充一点，生成单元测试、接口测试的能力，在没有 AI 的古法编程时期就有很多解决方案，AI 只是降低了门槛，从始至终难搞的都是业务逻辑。

我司现状跟你们差不多，不过焦虑是真的，接口测试比人工写的要完善很多，不论是广度还是健壮性，以前会觉得把接口测试脚本写好就已经算不错了，现在 AI 做得又快又准，毕竟分析了源码，跟人脑去理解的效率还是不一样。。UI 测试比较一般，但是能验证掉 30~50% 的操作，交互易用性、探索性测试还是得靠人。目前是招了 AI 专家顾问帮我们完善脚手架，安全测试、集成测试不分还在探索，特别是跨系统协作和硬件设备的，AI 目前效果还是不太好的，所以能苟几年苟几年吧

他整你，你也整他，怕啥，职场上不要让人觉得你好欺负，不然就会一直被欺负

你直接问啊，“被间接点名说开发反馈测试同学下班找不到人？” 指的是找不到谁？
如果说是你，你就开怼啊，真有事打电话啊，企微象征性 call 一下是真心想找人吗？
他无非就是想隐晦地点明你没在加班而已，但是这个话谁都不敢明面上说，你这么怼他没有领导会站他，怕啥？

替代外包的方式，你去看下孙高飞的文章吧，里面说的很清楚详细了。高飞测沙箱都不是手来操作了，也没有外包来测试，你可以从这个角度来思考下。

你也留个 bug 半夜 call 他

说说为什么字节现在还有 QA/外包吧：

1. 决策层应该是 100% 知道这个事实，但是希望无痛过渡，一刀切不可取。
2. 字节内部的大模型还不够，用国外模型确实能搞定，但是国外大模型成本较高（比招个外包差不了多少），也有数据安全风险。国内大模型比如 deepseek 预计还有不到半年的窗口期，半年以内 deepseek（豆包可能得一年）会成熟到可行。
3. 字节内部的代码权限屏障太硬，代码数量极其庞大，历史业务很多没落盘或者找不全了，boe 环境还有提升空间，历史包袱太重，都换成 AI 需要时间，需要人整理。
4. 纯 AI 后预计还有 10% 的核心用例（操作简单，UI 用例为主）还需要人来点，纯执行留极少部分人无伤大雅。

他给加班费吗？24 小时 on call？

you want,you can, you do,then nothing......

建议别裸奔，除非提前找到下架了

何必跟傻子计较呢，不鸟他就行了

跟开发搞好关系，想想办法干他一炮

AI 怎么替代外包的？展开讲讲

我这里是小公司，只有 2 个测试，每个项目的测试时间都很短，开发测试的时间占比大概是 1/10，但是老板在推 AI 测试，他们的想法很简单，写了测试用例，交给 AI 来执行就可以了，人来核对测试报告就可以了，但个人实现下来不现实。

实践下来发现，AI 是可以根据用例来执行测试的，UI 测试、接口测试都能进行。但是能发现的问题很局限，一些数据核对的用例执行效果比较好。但牵扯到一些业务逻辑或流程场景时就不行了，一个原因就是用例写的就是开放性的结果，不会写的很明确（比如会写有合适的错误提示信息，不会具体什么信息），还有一些就是页面报错或者接口 200 但结果错误的，这些也不能发现。有些甚至用例明确写了错误结果也出现了，AI 愣是识别不到，就很奇怪，不知道你们遇见过没。
而这些都需要人来介入进行调试才行。

个人对目前 AI 测试的理解是：AI 测试其实就是 AI 编写了一套自动化测试的脚本，手工调试测试结果或场景其实就是在使用 AI 来调试自动化测试脚本，底层还是使用自动化测试脚本来进行测试。

但对小公司、项目快速切换的情景下，基本就没什么项目积累，项目上线后很快就进入其他项目了，自动化这一套很难用。

AI 能 100% 替代外包（所以我匿名了），这是真的，不是我不想为外包发声，是真的是事实，外包同学对不起。

展开说说 测试全部替代了吗

1. 字节的外部不是人干的活，曾经的阳光男孩慢慢沉默寡言，亲眼所见。
2. AI 能 100% 替代外包（所以我匿名了），这是真的，不是我不想为外包发声，是真的是事实，外包同学对不起。
3. 外包没有未来，字节的外包还有很重的考核，所以不是人干的，有别的选别干这个。

非常讨厌那些瞎吹牛比的，可能是因为我技术比较菜坐井观天吧。自己也试过给用例让 ai 测试，做做接口测试还可以，做功能测试还有很长的路得走

一个步骤，agent 与模型交互多次，不谈概率模型本身，真的已经应用于常规的新需求迭代中了吗

你们解决了执行慢的问题？每次交互都要截图给大模型做识别，下发指令

目前推进落地的模式：从需求到上线全链路中，需求澄清、研发方案与计划环节保留 AI 和人沟通对齐；测试、BUG 修复、上线等后续环节，都要由 AI 直接落地执行。测试集在探索由产品在输出需求时同步产出，核心思路是尽量减少人介入。

个人体感：

1. 短链路或者单系统 AI 自动化测试效果还行，跨系统/终端就很费劲了，还是要人工操作确认
2. 新功能 AI 自动化验证想想就行，能跑起来的不是特定场景，就是一些简单需求，主要是做自动化回归
3. AI 执行幻觉很头疼，自动化回归需要确定性，我们是让 AI 自动规划执行 > 记录 UI 和接口操作链路 > 生成 UI/接口自动化代码 > AI 运行自动化代码并自行维护，目前来看效果还行，起码写自动化的效率提升很多

还是用于辅助的比较多，比如造数据，验证某些数据落地，一些基本的可复用的功能都可以让 AI 进行测试了

但是核心的功能尤其涉及到钱相关的还是手动验证的，因为不放心，毕竟出问题了，AI 背不了锅，而且测试作为最后一关，流程后已经没有能兜底的了，所以未来因为 AI 冲击测试人员可能会减少，但是功能测试还是永远会有的

发生了什么事？

干过他们短剧的外包 QA，当天我就走了。

我做移动端的 QA，团队内部还有一部分古法测试。但 AI 能覆盖大约 40～70% 的基于需求和 API 文档可想到的验收场景，其他探索性测试、性能感知等也不是不能持续集成推进，但 ROI 不高通常不考虑。