首先性能测试还是要支持性能调优的，当然了，只是为了探探系统的底，也未尝不可。

性能测试的背后目的是什么？我的理解无非就是两个，1. 省钱、也就是做资源的投入优化，2.体验，即能给用户带来更好的体验。
说到钱，理解为不扩容的前提下能承载更多的业务访问量，或者保证当前访问量的基础上降低硬件的投入。
说到体验，如果你做得后端压力测试，给用户的直观感受只有响应时间，以及基本的可用性。

so，你应该关注你的性能测试做完能不能支持调优，以省钱和提升用户体验为出发点。在评估是否需要做性能测试时，先看下预估下后续的业务需求量级和当前系统之间的匹配程度。比如之前我负责过某个项目，历史峰值的请求量才只给系统在 CPU、内存以及带宽上带来不到 10% 的开销，预估后续的业务量也没有井喷的可能，我们当时甚至不去做性能测试（资源也不需要精简，因为当时不差钱）。在用户体验上，肯定是有一些用户的预期的。

关于覆盖范围，你要了解版本的发布要支持的目的是什么，常规的发布，上新功能（且有可能是爆款）还是配合做运营。或者说你要测算你要对应的业务流量从哪里来到系统那里去。一方面你一定要观察历史数据，这在判断哪些业务内容是主要的，指标如何做确认有很好的帮助意义。比如我们之前配合某个金融机构上一个金融产品并配合做活动，我们肯定是先分析他的历史流量，即他的流量入口量级是如何的，然后是我们观察类似这个产品对用户的吸引程度（即该产品自己的带量能力），然后是了解此次的运营力度（注册送 5 块钱和送 50 块钱效果可定不一样，线上推广和地推效果也不一样）结合历史上类似运营活动力度做一个模型做估算。确认范围也确认性能指标。

感觉你说的是有宽度，深度不够的赶脚。
不管是测试还是研发，作为 IT 从业者，还是需要一转多能的，然后才是多专全能。某个方向上必须有纵深。
宽度好，但是深度不够的，我觉得比较适合一些初创公司，什么都做，但什么都不需要深挖的时候，万精油顺风顺水。但是随着规模租到，必然会遇到社会化大分工，大家在各自的方向上精耕细作。

慧众 rodman，可以搜到我

就是现在产品线面向质量工作和效率的不足，掣肘的地方。比如之前我们发现一个问题，很多同学安装 app 测试包，要请别人帮忙，了解之后发现是因为公司的设备是加了安全锁的，不允许电脑里的内容轻易导出来。我们算了一下整个团队开发和测试有 400 人，每人平均每天安装 2 次包，就是 800 次，每次浪费 10 分钟就是 8000 分钟，等于 130 人时。然后我们就做了一个无线 APP 构建站做 wifi 下的 app 分发，这个平台工具当前每个月的下载量超过了 5 万次。你也试着分析团队哪里有影响效率和质量的问题吧。

这是一个矛盾又相辅相成的问题 -- 到底是现有能力成就项目，还是先经历项目夯实自己的能力。先尝试回答自己几个问题

1. 自己的工具二次开发以及运用，基本功如何。深入了解一款工具不仅仅是了解这个工具该如何使用，还要明白当前工具适用于什么样的场景，存在那些短板和不足，针对这些短板和不足你自己的思路又是如何的。
2. 如果因为监管的愿意没有能顺利开展，拟尝试做了多少努力，让工具能在符合监管的要求下开展，或者监管要求你是否读懂了。你是听到监管说 xxx 不能做，yyy 不能给权限？还是深入理解 xxx 不能做背后药保护的是什么，yyy 不给权限是放开权限会有什么问题？我们也是做金融项目的，还是银行核心服务以及保险核心服务，监管严格开始也觉得很操蛋，这个不让动，那个不给权限，但是了解一些面向一行三会 IT 安全相关的条款后，还是可以做一些尝试，让自己的东西符合监管的要求，同时能开展工作的。
3. 通用工具不好落地，是否自己挖掘过项目组的痛点，并开展过专项的？如果没有，可以先尝试找一些痛点，测试体系建设也不止是做自动化，做持续集成这些，做产品评测，做研发的可测行改造都是可以尝试的众多领域之一。

哈？请问您是哪家的，加个好友私聊？

恩是的 平安的流程比较长，等待一般很久，时不时还得等某个大佬做个签报确认。

哈哈 那有机会来我们团队转转啊

测试之美 google 测试之道 人月神话 软件测试 测试架构师修炼之道 软件工程导论 这些基础可以先看，然后就得根据你个人的发展规划以及项目中遇到的问题了。

你的问题有点大呢，有点不知怎么讲。

我们做人脸识别首先是定义人脸识别的测试标准，比如对人像质量的定义（不同光线，不同角度，不同清晰度等因素设置的基础数据），然后是人像的范围（比如人种，年龄，肤色，性别），干扰内容（比如不同类型和程度的遮挡，纹身，饰品）反向数据（比如狗脸，猴脸，卡通，画像等），这部分做自动化对测试标准的定义很重要，很多同学做自动化会先忽略本身在业务线的测试要求，而机械的从自动化开始。

本身这部分自动化都是基于接口请求去查看返回阈值的，到底准确不准确有时候过分依赖于人的判断。所以我们首先还是上文所说的基于各种标准准备测试数据，有些从科研机构拿到的，比如耶鲁大学的人脸样本；有些是线上导出的真实数据，有些是写了爬虫工具从网上批量抓取的数据。然后相同的样本做了一个投票设置，分别通过接口驱动查看本品和不同的竞品之前的返回结果，对几个测试结果做投票，对判决不一致的再人工跟进一次。测试的结果主要关注的是本品和竞品之间的比较。