1. AI 视频应用质量保障 这是你的主业务项目，不要只写 “负责功能测试”。 覆盖 AI 视频制作、Agent 工作流、模型与模板、订阅与积分、跨端资产、埋点、多语言、Billing、兼容性、Crash/ANR 和线上问题处理。你在这里的身份是版本质量 Owner，而不是执行测试的人。 需要收集： 独立负责的版本、周期、平台和产品范围。 需求拆分/用例规模，例如 StoryAgent 765 条用例、MV Agent 已输出的用例数据。 重要专项：Billing8.0、Target36 16KB/4KB、资产打通、Agent 异常兜底等。 高价值缺陷案例：风险、定位路径、推动结果、避免的线上影响。 线上质量数据：Crash/ANR、客诉、发布后回归或灰度放量结论。
2. 质量效能机器人平台 鲸火、版本发布助手、Firebase 告警、测试报告、流水线产物、缺陷提醒、数据看板，应合并为一个项目。拆成四个小项目会显得零散。 项目应回答一个问题：你解决了团队从 “版本信息分散、缺陷跟进依赖人工、线上问题发现滞后” 到 “自动汇总、主动提醒、可追溯分析” 的什么问题。 需要收集： 钉钉、蓝鲸 MCP、Firebase/Crashlytics、Firebase Functions、SQLite、Python 的技术架构图。 已覆盖的产品、流水线、Firebase 项目和机器人功能清单。 报告生成、缺陷提醒、告警推送、打包二维码等每项的前后人工耗时。 实际调用量、活跃使用者、成功率与失败降级方式。 你处理过的难点：多经办人推送、链接失效、机器人隔离、异步回调、权限与配置差异。
3. 自动化与专项质量工程 这里放算法脚本、接口巡检、多语言检测、Sonic UI 自动化。它们共同证明你能把重复测试变成可执行的工程能力。 其中算法测试平台很有潜力。重点不是 “搭了 AI 页面”，而是测试集如何管理、多人任务如何隔离、效果如何判定、压测如何输出结论。 需要收集： 算法：模型/分辨率/工作流覆盖数，测试集数量，并发量，平均耗时，效果判定标准。 接口：接口数量、覆盖环境、断言类型、巡检频率、告警机制、线上异常发现数。 多语言：支持语言数、检测规则、流水线生成测试包的机制、历史发现问题。 Sonic：主流程数、设备数、执行耗时、稳定性、每次迭代的节省时间。
4. AI 辅助测试探索 AI 用例平台、Code Review、Charles MCP + Codex、Midscene 应该放在这里。它们很有方向感，但必须从 “会用工具” 升级为 “有稳定工作流和度量”。 尤其要修正两个表述： Midscene 不能写 “脚本不随 UI 漂移影响” 或 “保证核心流程正常”。AI 驱动 UI 自动化能降低部分定位维护成本，但仍受页面语义、加载状态、弹窗、模型准确率、token 成本影响。 Charles MCP + Codex 不等于接口自动化。它适合抓包分析、字段变更比对、问题复现和生成初始用例；稳定回归仍需接口测试代码、断言、测试数据、环境隔离和 CI。

不用单独写一篇 “产品介绍”。社招简历里，产品介绍只需要放在每个项目标题下面，用 1 句话交代业务场景、技术复杂度和你的角色，重点仍然是你解决了什么质量问题、带来了什么结果。

建议把业务经历整理成 “项目卡”，后面直接转成简历内容：

项目名称｜时间｜角色
项目介绍：产品面向什么用户，核心业务链路是什么，为什么测试复杂。
职责范围：你独立负责哪些模块和质量环节。
关键成果：选2-3件最难、最能量化、最体现判断力的事情。
技术与协作：涉及哪些客户端、服务端、算法、第三方平台或质量工具。

以 SelfyzAI 为例，项目介绍不用写成产品宣传，而要突出复杂性：

AI 内容创作移动端产品，覆盖模型/模版制作、Agent 工作流、订阅积分、跨端资产、埋点及线上稳定性等链路；独立负责 Android 版本质量保障和发布风险把控。

然后再写职责与成果，而不是罗列每天测了什么。

迭代数、稳定性、用例数、缺陷数要不要写

要写，但它们只是证据，不能成为成果本身。

指标	是否建议写	正确写法
迭代数	建议	独立负责 X 个版本/连续 X 个月，而不是堆版本号
用例数	选择性写	用于证明复杂需求分析，如 StoryAgent 765 条用例、确认 27 处需求疑点
缺陷数	谨慎写	优先写 P0/P1、线上风险、提前拦截和闭环，而不是 “发现 bug 100 个”
稳定性	强烈建议	Crash-free、ANR、线上客诉、发布后 P0、缺陷逃逸率等，必须有统计口径
自动化覆盖	建议	写主流程数、接口数、执行频率、稳定率和节省时长
AI 工具效果	强烈建议	使用人数、调用量、报告生成耗时、人工节省、有效发现问题数

例如：

• 弱：输出测试用例 765 条，发现缺陷 XX 个。
  

• 强：针对 StoryAgent 多阶段制作链路完成 765 条测试用例设计，评审阶段确认 27 处需求与交互缺口，覆盖任务失败、重试、重画、状态同步等高风险场景。

• 弱：完成多个版本测试，保证产品稳定。

• 强：独立负责 AI 视频制作、订阅积分、跨端资产等核心链路的版本测试与上线回归，结合 Crash/ANR、埋点和线上客诉持续跟踪发布后风险。

“产品稳定性” 不要写 “保证稳定”“无线上问题” 这类绝对表述。除非你有 Firebase 或线上数据，否则写 “完成上线后监控与风险闭环” 更稳妥。

业务侧还要补哪些材料

你现在除了资产，还需要补四类 “业务证据”。

1. 产品业务地图
   
   每个产品只整理一页：核心用户路径、核心模块、依赖系统、主要风险。
   
   SelfyzAI 可按 “制作链路、任务状态、模型/模版、订阅积分、作品资产、埋点与稳定性” 划分。

2. 高价值案例库
   
   至少准备 4 个能讲清楚的问题：一个复杂需求拆分、一个跨端或服务端问题定位、一个线上稳定性/Crash 问题、一个算法效果或异常制作问题。
   
   每个案例按 “现象 - 分析 - 验证 - 推动 - 结果” 记录，后面既能写简历，也能直接应对面试。

3. 版本质量数据
   
   按季度或半年汇总，不必精确到每天：负责版本数、需求/用例规模、缺陷严重度分布、验收关闭率、线上客诉、Crash/ANR、自动化执行次数。数据要有来源，例如蓝鲸、Firebase、测试平台、机器人埋点。

4. 你的个人边界
   
   这是社招最容易被问住的地方。每个项目都要分清：

5. 你主导设计和开发的部分。

6. 你使用/维护/优化的部分。

7. 团队已有、你未参与搭建的部分，例如 AI 用例平台。

你还应补的，不只是继续做工具

下一阶段最值得补的是 “业务质量方法论”，让你从会做工具的测试，变成懂 AI 产品质量的测试开发工程师：

• 建立 AI 制作结果的评价标准：素材、提示词、模型、分辨率、耗时、成功率、效果维度、人工复核结论。
• 建立版本风险模型：需求变更、服务端依赖、模型配置、支付订阅、灰度配置、第三方 SDK、兼容性风险。
• 建立线上问题闭环：Crash/ANR、埋点、接口日志、用户客诉、蓝鲸缺陷之间能关联到同一条问题链路。
• 建立自动化 ROI 账本：每个自动化项目记录覆盖、执行、维护、发现问题、节省时间，避免只留下 “脚本跑通”。

下一步应先整理 SelfyzAI 的业务项目卡和 4 个高价值案例。这会把你的 “测试工作日志” 转成真正能用于社招面试的业务成果。

负责 AI 图片/视频创作产品线的移动端质量保障及测试效能建设，独立承担 SelfyzAI / SelfyzAI+ 核心版本测试工作，并参与算法测试平台、质量机器人及智能客服工具的开发落地。
独立负责 SelfyzAI 移动端版本质量，覆盖需求拆分、测试方案设计、用例评审、功能/接口/兼容性测试、缺陷管理、发布风险评估及上线后 Crash/ANR、埋点、客诉监控；核心业务涵盖 AI 制作工作流、Agent、模型与模版、订阅积分、跨端资产、任务状态及多语言等。
面向 StoryAgent 等复杂需求完成端到端测试设计，输出测试用例 765 条、开发自测用例 216 条，评审并推动确认 27 处需求及交互缺口；重点覆盖任务失败、重试、重画、状态同步和异常兜底等高风险场景。
完成 Billing8.0、Target36 等移动端专项测试，覆盖 Android 7/10/16、32 位/64 位、16KB/4KB 页面大小设备，以及订阅、单包购买、Restore、订单恢复和 16 类模版等关键兼容性场景。
主导搭建算法测试任务平台，采用 Vue + Django REST Framework + Redis/RQ + Docker/Nginx 架构，实现测试素材分组、按 STTid 批量发起图生图/图生视频任务、异步队列调度、配置化并发、进度追踪、失败重试、结果预览下载及测试报告输出，将算法效果验证流程平台化。
编写算法制作与 Locust 压测脚本，支持批量测试集执行、接口性能观察及算法效果结果沉淀；完善错误码映射、网络重试、任务日志和图片压缩等异常处理能力。
独立开发鲸火机器人与版本发布助手，集成钉钉 Stream、蓝鲸 MCP、Firebase Crashlytics、SQLite 等能力，实现迭代状态与缺陷查询、经办人待办推送、测试报告自动生成、流水线打包记录、二维码生成及风险提醒。
搭建 Firebase Crashlytics 阈值告警能力，完成 8 个产品、15 个项目的配置与机器人推送验证；同步建设机器人埋点与分析看板，跟踪工具调用和消息处理效果。
基于 Dify 知识库与 Workflow API 搭建客服智能问答工具，完成 Web 交互页、文件上传、埋点统计和 Docker 化部署，支持常见问题自助检索与回答。
沉淀接口测试、多语言和 UI 自动化专项能力：维护接口轮询自动化用例，使用 APIfox、抓包及 AI 辅助工具完成接口变更比对和问题定位；通过脚本及蓝鲸流水线生成多语言专项测试包；基于 Sonic 跑通 12 个核心功能主流程回归用例，并完成 Midscene.js AI 驱动 UI 自动化主流程验证。