样样都会，样样稀疏是肯定不行的， 但是只会一样其他不懂同样是不行的。 因为行业变了， 在 10 年前的时候只会一个自动化测试就可以吃遍所有公司。因为那个时候测试和开发的比例还是相当乐观的，一个人力可以比较专注在某一个技术上发展和工作，比如在以前有专门只做 UI 自动化的岗位，接口自动化的岗位，性能测试的岗位，有些地方甚至有人力专门安排成规模的白盒测试（现在你看看哪里还有成规模的白盒测试）。 但是现在时代变了， 一个测试对着 10 几个开发是很常见的， 一个测试要兼顾测试几个产品线也是正常的。并且可能功能，性能，效果，高可用等都需要涉猎。 所以像楼主说的这样只会一个 jmeter 其实大概率找不到什么像样的工作，甚至可能找工作都费劲儿。

所以我们要深耕的是一个领域，而非某一个技能， 并且广度是深度的附属品，深度足够的广度从来都不会差的，因为当你越来越深入的解决这个领域中的问题的时候， 就不得不去看很多附属的知识（毕竟单一技术无法撑起整个领域的体量）。 当我们深耕一个领域，比如 AI，大数据，云原生，区块链，移动测试，芯片，音视频等等。那么这个领域里所有的东西我们都要去解决，比如我是 AI 领域的，那么算法评测能力和基本代码能力是基础，但测试数据如何采集，挖掘，脱敏，增强等等，那就完全是数据处理范畴的技能，所以结构化数据要学大数据（分布式计算），计算机视觉要学 ffmpeg 和 opencv 这些视觉处理工具，甚至是学习 blip 和 yolo 这样的视觉模型，而 NLP（自然语言）现在要去玩各种大模型和自然语言处理库。这些只是单纯的模型评测方面要涉及的工作，但 AI 是一个系统，一个系统有方方方面面，比如现在大型 AI 系统大部分都是构建在云原生的基础上的， 所以 docker 和 k8s 得去学，AI 视觉要大范围应用边缘计算，所以边缘计算也得去学。 为了能更好的测试，k8s，边缘计算，大数据这些都要学其中的各种组件和设计原理。这才我们才能设计出合格的功能，性能，高可用，效果等测试方案。 否则我问一句现在有个模型推理场景，它的数据源来自 kafka+flink 的流计算场景，请问怎么设计性能测试方案，如何开发压测工具，要监控哪些指标，如何分析各个性能指标，出现反压要不要处理？怎么判断是不是数据倾斜了？如何判断数据是不是满足精准一次性语义了？那说到这里不懂的同学是不是就已经麻了。 这是正常的， 如果恒温过来跟我说区块链的测试我也麻，因为我不懂，正所谓隔行如隔山， 区分你，我，他之间的差别的，往往就是在这个大的领域里的造诣有多深，而非某个工具和语言之争。

所以现在的行业环境就是需要我们深入一个大的领域，而非一个技能。 只会一个技能可能找工作都费劲儿或者说找不到很好的工作， 你们看大厂动不动 p7 和 p8 的是怎么来的，不在一个大的领域里有所研究的，怎么拿 p7 和 p8，更不用说再往上的级别了。

我换个角度解释下你的问题。
在你眼中深耕一个领域，在领导眼中，你在舒适区毫无进步。
在你眼中懂点 Go、懂点 Python、懂点 Java、懂点性能、懂点自动化的人，在领导眼中，真好，全栈，大家向他学习。

现在一招鲜的版本落伍了，起码得一精多专甚至多精多专，还得是形成体系的多精多专。