其实现在如果是数仓里面的数据测试，其实在现在一站式平台发展的比较好的期间，垂直某个领域的业务能力可能更加重要了。比如以前在实时数据还需要手动写 flink 代码的时候，现在阿里云一些优秀的工具都能写 flinksql 来解决百分之 99 的问题。然后如果是离线数据，这一点倒是你现在可以进步的，你需要非常熟悉 ETL 过程，也就是 hivesql 这些 sql。要能在一千甚至几千行里面梳理清楚数据脉络，以及数据源是业务库的哪些表，这个期间有良好的文档梳理能力也是很好的，这给后续做数据治理也有帮助。然后也要思考怎么结合业务，做数据质量监控体系。对业务数据进行质量分级，因为大多数数据都会在应用层 ads 给大老板，或者对接的中台，一些核心数据是有必要做质量体系的。另外你说的验证数据量，数据增量，主键一致这种比较通用的是可以抽象成统一测试模板，在对数据进行测试的时候，先过这一类统一的三板斧，然后在对数据质量中蕴含的业务进行梳理。其实大数据测试是在你有充足的综合前后端知识，优秀的 SQL 能力的前提的，能够更好的接近公司核心业务，向上走的一个很好的发展职位

是的，有兴趣吗

飞哥，你应该不是没想起来，可能确实很久没用，但是飞哥你想一下你可能就记起来了，比如 SELECT sales_person, SUM(amount) as total_sales
FROM sales
WHERE region = 'East' -- 先过滤行
GROUP BY sales_person
HAVING SUM(amount) > 1000; -- 再过滤组
按着思路写出来其实就发现是先 where 做数据行过滤，再用聚合函数对整体过滤出来的组数据再过滤了。不过飞哥你说的也对，很多技术如果自己没有正在做，就算是很粗钱的，也会第一时间卡克，比如 UI 自动化的 webdriver 很基础吧，但是现在让我手写 ui 自动化的用 webdriver 打开百度我都忘记了。所以我也觉得是简历上有什么就考察什么。当然如果简历是瞎写的就其次了。而且 5-10 年的测试，其实真的来讲，约到后面越看重公司的人情世故和站队方向，大多数技术如果不是天天在用，基本都是面试的之前半个月恶补的...

大方向上可能有问题，如果你是面向 kpi 可以捣鼓各种花里胡哨的，如果你是真想测试解决问题，不妨分析一下每次 bi 展示出错，是开发搭建组件 BI 操作失误，还是数据集本身 sql 逻辑问题，不是所有问题都可以自动化测试或者迁移到 UI 自动化测试或者接口自动化上面。database 本身是一个健壮性本身很强的工具了，不存在动了一个数据集或者仪表盘，其他模块出问题的情况。可以分析历史原因的 bug，哪些本身是口径上的问题还是什么。总而言之在 BI 和看板上考虑自动化不是很明智和 ROI 回报率高的选择。最好更注重数据集本身中的业务含义和背景

看来看去健身网教比较靠谱哈哈哈哈

fastapi 既视感

本硕 base 武汉，有个 20+ 的薪资应该也还稳健了吧

首先，如果你正在问结合 AI 的测试落地方案，那么这个问题就算有答案也不是一个人能回答你的，除非他们带领自己的效能团队直接进去你得公司，进行演练，联调，资料适配

你刚起步，那么我的建议是不要选测试这条道路，不管别人说多少天花乱坠的理由，但是你要相信客观

你这确实挺坎坷了，多想想开心的，题外话，如果两个人都有焦虑，来个宝宝会不会...