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?
- 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。
- 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。
- 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。
- 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。
- 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。
- 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。
- 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。
- 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