现在 AI 这么厉害，我们测试工程师，把产品需求扔到 AI 中，让 AI 自己分析，AI 自己生成测试用例，我们直接拿到这些测试用例，直接执行就行了。
如果对后续自动化或者其他测试流程没有要求，也不需要搭建什么工作流，那是不是对于功能测试，我们用到 AI 的地方，就是上面提到的这些内容呢？
我们目前没有自研大模型，所以也没有 AI 测试这方面的需求。
所以问题仅限于，古法测试的话， 是不是借 AI 之势就是上面说的那些。
还请大佬们畅所欲言~
使用 AI 生成用例是最常见的，没有自动化，后面也会逐渐使用 AI 执行功能测试的
你这是比较低端的工作方式，甚至是没有岗位空间的，如果工作这么简单，那一个脚本就能做了，还要人干嘛。
会用 不等于 用好。
那岂不是在失业的路上了？只做功能
AI 生成测试用例，我目前就在用，只能说可以用，但达不到高标准，还是需要人工来修正很多；至于直接让 AI 执行功能测试，那纯纯构思，漏测率很高；AI 做白盒的代码检查和单测倒是挺不错的。
功能测试以后就是软硬件开发里面的力工，研发用 ai 1 分钟实现 10 个需求，力工哼哧哼哧验证，拿最低的工资干最重的活背最黑的锅，早点接受自己的角色挺好的，不接受就别把自己局限成个功能测试
AI 生成测试用例，人工审核。
AI 生成脚本，人工调教，用于跑自动化，或者自己开发一些测试工具
AI 分析开发代码，做白盒，查配置之类的
天天向上
回复
我明白这个道理，目前因为工作比较简单，我个人的视野很狭窄。 论坛中有很多更 “厉害” 的大佬，所以想听听大佬们的声音，大佬们都在借助 AI 在测试领域，做了哪些事情。
学习者本人 我可以问贴主问题吗
AI 生成用例确实效果不太好，可以去了解 BDD 和 gherkin 语言，生成的 feature 可以直接当测试用例，且整个团队共同审查使用，大大减少产品/测试/开发的理解不一致的情况。后续就是自动化测试流程，接口测试是必须的，UI 自动化性价比低，不过有了 AI 之后，引入 playwright 是很常见的手段。至于提测前的单元测试和白盒，前面也有人说了，AI 做这块是很不错的，不过单测属于提测前开发人员的工作，测试一般也不需要管。
没有什么厉害不厉害，高级不高级的，你看到的厉害的人，那就那回事，对技术祛魅吧，测试圈没那么多高大上的搞头。本质都是一些会表演的专家获得高薪，有时候所谓的专家说的一些 ai 测试的一些流程啊花里胡哨的，说实话，一个有见识的小学生，问他几个本质问题，小学生都知道这个东西是几把毛用都没有的。
目前用 AI 辅助生成测试用例，编写自动化脚本，帮我整理文档。做 AI 评测，需要学习的就多一点
AI 测新
小黑子-IKUN
回复
我以为一直培训在现在这个 ai 知识平权的时代是没啥收益的，事实证明，我们远远低估了人民的知识和认知下限。被自己独有的认知限制了，反而看不到下面的人永远打不破那层墙
AI 写用例，AI 做 web 功能测试，APP 人工测试，AI 写 API 回归测试和性能脚本
可自研测试平台，AI 生成用例加入草稿进行评审，评审通过后纳入正式用例。
smtots
回复
核心是将 AI 的非确定性输出，通过工程化手段转化为确定性数据。简单说分四步：
意图解析：通过 LangGraph 编排 Agent，结合系统内已有的 API 元数据，生成结构化 JSON。
强类型校验（关键坑点）：大模型极易产生幻觉。必须在后端用 Pydantic 做严格 Schema 校验，校验失败直接打回让 AI 重试。
草稿态隔离：校验通过的用例不直接进正式表。在 test_cases 表加 status 字段，默认置为 draft。必须人工 Review 确认断言无误，才能流转为 active 状态。
底层执行：执行时交给基于 Celery 的自研异步执行引擎，完全隔离大模型直接操作 DB 的风险。
这块在落地时其实坑很多，尤其是大模型结构化输出的稳定性。我目前在独立开发 AITest 全栈平台，V1.0 的 FastAPI + 异步底座已经跑通了。目前的进度是，V1.0 刚完成交付，正计划 V2.0 的需求规划与架构设计，重点就在死磕这套 AI 智能体的落地机制。一直想找测试圈的同仁探讨下方案。感兴趣的话可以看我的个人主页基本信息，大家一起交流探讨。
我也有同感