我是

倒没有特别去挑选对比，只是这个最简单方便，题目也多。

个人经验，一般会逐级分类：

先按责任方分，主责事故（自己系统导致的问题）、非主责事故（其他系统出问题，连带影响到。比如机房网络挂了）
然后主责里面再分，具体的类型，比如代码问题、配置问题、数据问题、人为操作问题
根据具体类型，可以再进一步细分，比如代码问题，再细分为实现遗漏、实现不正确、健壮性不足等

一般统计分析，分到第二层就差不多了，到达这一层就足够去定一些比较通用的改进项，预防高频发生的事故。

我想到的也是截图对比。这块比较容易做自动化

如果不熟悉写对应的代码，可以用 cursor 辅助下

是的。现在外包很多简历，以前都是做正职的，能力都不差（基本都是业务测试 + 自动化测试 + 少量专项）。没有 gap 的非常多，相比之下有 gap 的竞争力会低不少

现在岗位太少，gap 2 年基本 hr 这一关就过不了了

我用的是这个，在 cursor 里项目的根目录下执行，仅供参考：

请使用python pytest、request框架，生成根目录下django后端项目对应的接口自动化用例到 api-test 文件夹中。要求：

1、覆盖所有接口

2、断言覆盖接口返回码、关键返回字段值

3、使用 allure-report 生成测试报告

4、一个接口一个py文件，py文件中1个用例一个函数

5、合理使用setup和teardown减少代码重复

生成出来的内容大概如下：

当然缺点还是有，比如跑起来有些用例会报错，需要人肉看和修正，有些断言写得还是过于简单，需要人肉加。但从提效角度，省了很多手工活。

确实还是会有一些 bug，需要足够熟悉，给到真正有效的指引，才可以快速和有效解决。但相比自己从零撸代码，省了很多力了。

最近试了下 cursor，可以直接给 django 后台项目，生成完整的 python+pytest+request 的接口自动化用例（根据项目代码自动理解有哪些接口 + 生成对应的自动化用例 + 错误码及关键字段的断言）。这堆代码人肉写，至少 1 人天，用 AI 几分钟左右就可以生成出来，提效挺明显的。

现在 cursor、trae 等深度结合 AI 的 IDE，已经可以做到用自然语言从零生成完整项目，且可以正常跑起来，还可以通过自然语言提需求，AI 直接根据需求改代码，给我震撼还挺大的。

个人观点：
接口自动化平台主要的限制，是整体设计是为自动化使用的，功能上会比较复杂无法方便的提供给非测试/研发人员使用（如产品验收），赋能能力会相对有限
而数据工厂则更加纯粹，界面设计可以更简单，更便于推广给非技术人员使用

以金融场景常用的创建一个系统内已完成四要素信息的账号为例：

• 接口自动化：先调用注册接口，传入 n 个参数（注意，这里就是技术细节了，需要了解参数名 + 参数值规范），然后调用认证接口，获得四要素认证，最后返回认证通过

• 数据工厂：一个按钮即可，返回创建完毕的账号名称 + 登录密码

技术实现上，可以数据工厂背后实现就是调用接口自动化平台的用例来完成，只是包一个单独的前端界面，这样可以大幅减少维护成本

很顺的一年呀，羡慕