你说的这个东西，就是建立一套动态的知识库体系，让 AI 自己去做这个分类，以及结合流程，在不同阶段接入不同的 prompt 去迭代这个知识库。相当于是执行 agent+ 维护 agent 的组合才能完成这个事情。也是现在有这么多开源的流程节点 AI 但是落地到实际项目的时候，很多人一脸懵逼的原因。这一块必须要有这个思路和结构

说了一大堆，没看到具体价值贡献。其次没 AI 真的没亮点了

第一个问题，明显是行业术语，背景知识库的维护。这 2 块没有进行设计和维护的原因，单纯靠调整 prompt 是没用的。这也是 AI 目前最大的问题，也是需要人的地方。如果 AI 连这一层都突破了，人就真的就要那几个就行了

和我们团队现在的方向很类似，我们也差部分预估 26 年 Q2 就能完成这个方向的建设了。越是深度的参与使用 AI 越发对行业前景感到悲观。好在我一向奉行先吃螃蟹的人能多吃几口螃蟹，而且已经 33 奔 4 了本来就没多少之前发展时间了，后面就留给新一代人操心吧

其实就是把你们的通用能力封装成 skills，给对应的 AI 去调用。如果没有 AI 业务赋能的基座，你的 skills 也没地方可以用。

很精彩呀。同时也宣告了测试得从执行者往行业规范定义这个角色转变。类似工程师向专家的转变，同时 AI 时代以前的工程师阶梯晋升路线也将被缩短，这种缩短是不快速的递进，而是在变相的更快的筛选。有风险意识的也应该更快速的转变和思考后面要去做什么内容了。

明确测试范围，范围内测试主责，范围外测试次要。然后后续各个角色的 action 才能加强团队能力

普通人的工作上限由城市、行业决定，再就是角色职位了。

就拿近期比较火的 skills 做例子吧，就算 llm 已经被大家承认能力很强，也需要各种 skills 进行 token 压缩或者更具体更明确更效率的结果产出。我们用 AI 也只是在现有的流程工具下，增加 agent 角色的引入，它解决了一些显而易见的效率提升质量提升，但是这之后呢？挖掘额外的质量和效率依然是一个大的课题，然后重新回到 agent 角色和流程引入替换。

方案 1 适合已产品状态为基地的测试流。方案二适合以围绕产品配置的测试流。一个是静态数据，一个是动态数据。