最近在整理 AI 赋能测试中的一些实践问题,想听听大家的真实感受。

这里所说的 “AI 辅助测试”,包括使用 AI 参与测试设计、用例生成、测试执行和结果分析等环节。这个讨论不预设 AI 一定有效或无效,也不限定具体工具。

下面这些情况,你认为哪些确实是当前测试实践中的问题或挑战?

  1. 引入 AI 后,部分测试任务的端到端投入(包括准备、复核和维护)并没有稳定减少,效率收益不容易判断。
  2. 对中小团队来说,搭建或持续运营 AI 测试所需的基础设施、工具和能力投入,可能难以承担或证明回报。
  3. 大型组织或成熟团队形成的 AI 测试方案,迁移到资源和流程不同的小团队时,可能不容易直接复用。
  4. AI 测试讨论较多聚焦技术能力,对流程调整、团队技能、信任和责任分工等落地因素关注不足。
  5. 在汽车、医疗、嵌入式等质量或安全要求较高的场景,追溯、复现、验证和责任要求会提高 AI 测试的采用门槛。
  6. AI 参与生成或执行测试后,人工复核的范围、质量标准和最终责任边界还不够清晰。
  7. 模型或 Agent 更新后,行为可能发生变化,导致已有测试资产、评估结果或流程需要重新验证和维护。
  8. 团队不容易把 Token、算力等 AI 使用成本,与测试覆盖、缺陷发现或产品质量改善建立清晰的对应关系。

回复格式示例:“是:1、4、6;不是:2;不确定/未遇到:3、5、7、8”。只需回复对应编号即可。

如果方便,也欢迎补充你所在的大致场景(如 Web、移动端、汽车、嵌入式、金融、智能体、具身智能等)。如果你认为还有遗漏,也欢迎补充其他问题或分享实践经验。谢谢!


↙↙↙阅读原文可查看相关链接,并与作者交流