没有歪啊， 竞争功能测试这个工作的人也非常多啊。 企业就会设立过滤门槛， 这是很正常的规律。 不在技术上设立门槛， 就会在学历，性别，年龄，履历，是否稳定等等等设立门槛。 你总得准许企业设点门槛吧， 要不然就真的没办法招人了。

过奖了

其实这个问题已经讨论的非常多非常多了， 尤其前几年测试技术无用论的时候这个问题已经被吵吵的烂了。 我以为这个话题应该已经终结了，因为市场已经给了答案了 -- 不懂技术的测试人员生存空间越来越小了。 没想到今天又被提了出来。

我想了想，就不从职业发展，行业趋势以及工作内容上来解释这件事吧。 今天就从一个经济规律的角度来解释这个问题。 当一个紧缺型资源的价格被压到大多数人都能承担的起的时候，那么购买这个资源的资格就会被提高到大多数人都无法承担的程度 。比如超一线城市核心核心地段的房产一样， 如果这些核心地段的房价被压到了一个大多数普通人都能买的起的程度了（比如 2000 块一平）。 那么请放心，最后买下这个房子的人绝对不是大多数普通人，因为它一定会在其他地方设定高的离谱的门槛。又或者考进清华北大的分数线降低到了大多数学生都能进入的程度（比如 300,400 分），那么最后能进入清华北大的也肯定不是那些草根学生。因为当分数线没有办法过滤掉大部分人后， 就一定会在其他地方设置门槛，到时候户口，家世，资产，父母文化水平等等都会变成把更多的寒门子弟拦在外面，到时候会变成一种更加不公平的状态。

所以在当前的大环境下， 职位少，应聘者多是现状，不管互联网行业怎么衰落， 这个行业里的人，包括测试人员，拿到的薪资水平也是远远高于其他行业的（其他有几个行业能一毕业就薪资过万的，大量的人都想用很低的门槛进入这个行业拿高薪）。 所以现在岗位就是那个紧缺资源，一个岗位有上百人在竞争。 所以市场一定要设置一个门槛来过滤掉大部分人。 大家觉得如果不用技术能力来设置这个门槛， 那用什么？ 届时学历，年龄， 性别 这些容易产生歧视的因素会变的更加歧视。 本来 35 岁危机可能就变成了 27,8 岁就遇到了危机，女性一律不考虑，研究生以下学历一律不考虑，但凡 5 年内跳槽超过一次的一律不考虑，但凡背着仲裁的一律不考虑，但凡有超过 1 个月空窗期的不考虑。 这样大家就觉得合理了么？起码技术能力是能考自己努力去弥补的，这样起码还是相对最公平的一种过滤方式了。

很多场景是比较难自动化的。 起码做不到精准的自动化对比。 因为模型的回答很多时候是主观的，而且变化的。 首先你没办法通过字符串匹配的形式去验证模型回答是不是正确的。 让 GPT4 当裁判也不太行，因为不太准。。。。我们试验过。

我们现在能做的一些自动化手段：

1. 利用文本相似度模型/算法， 准备多份参考答案，然后依次去计算模型的答案和参考答案的相似度。
2. 分类模型，专门用于安全/内容审核这种不需要判断具体内容，而是判断模型回答的情感倾向的。比如问一些黄色，暴力，恐怖之类的问题。
3. 大模型打分

建议按以下步骤学习：

1. 先去找一本 spark 的书入门， 或者网络上的资料也行，想省事在极客时间上买个 spark 的课程也可以。 然后自己找教程搭建 HDFS, Hadoop。 然后写 demo 把 spark 程序提交到 hadoop 集群上， 计算结果和数据保存在 hdfs 上。 走通这些步骤就算入门了。
2. 开始编写一些测试工具， 包括但不限于：造数工具， 数据质量监控脚本， 功能测试脚本等等。
3. 深入学习 spark， 尤其压了解 shuffle 是个什么东西， 因为这个东西是分布式计算的精髓。 知道 spark 的 task， stage 和 job 的原理，知道 partiton 和 task 的关系。 知道数据集是如何分布的。 这个阶段要弄明白分布式计算的原理， 这个很重要，到了后面你会发现其他的分布式计算系统也都是这么设计的，只是各自的侧重点不一样。 大数据领域对新手很不友好， 尤其对测试领域的新手更不友好。 其中一个原因就是你在一个产品里会发现 N 多种大数据组件， 比如 HBASE（负责点查）， CK（负责批查），Hadoop（负责批处理），Flink（负责流计算），Kafka（负责消息引擎）等等。 所以你需要先弄明白分布式计算的核心原理， 这样触类旁通你在学其他大数据组件的时候， 就会发现比较容易了。 这也为后面你在大数据的场景中设计性能，高可用，兼容性等测试场景做准备。
4. 开始学习流计算： 主要学习 Flink 和 Kafka 就可以。 这是行业内最流行的技术选型。 不用要求写的代码有多 6， 需要能够写不同类型的生产者消费者，Flink 的简单程序。 知道 kafka 和 flink 的精准一次性语义是什么含义， 不同的语义用在不同的场景。 知道 checkpoint，反压等原理。 知道如何设计数据一致性测试和性能测试。
5. 开始触类旁通的学习其他大数据组件， 比如 hudi，ck，hbase，kudu，impala 这些，因为一个产品里大概率是有 N 多个大数据组件的。 大数据恶心的地方就在于没有一个组件能应付所有场景的。 为了追求极致的查询性能它可能是需要用 CK， 但是用了 CK 你就发现他除了批量查询其他的能力跟屎一样，所以为了弥补其他能力你就又得引入其他的大数据组件， 然后一份数据双写，三写甚至 N 写到多个存储组件里。 所以每一种组件你都要有所了解。 然后根据它的特点和生态去设计测试场景， 开发测试工具。

到第五点这里就结束了， 因为我现在就在第五点这里折腾。 再往后怎么发展我也不知道了， 触及我的盲区了就。

当行业好的时候， 不带本只带专都有面试机会。 当行业不好的时候， 招聘市场遍历研究生 ，就没人愿意看大专的简历了。

可能只是这个甲方推不进去， 也许换一个甲方就不要求了， 还是别放弃希望。 我当初去面试华为，也是卡在简历这关， 虽然我是本科， 但是人家看不上我这个破本科院校。。。。。。。 这时候就别吊死在一棵树上了。。。 换个公司就好

比较难， AI 在测试领域内有没有用？ 肯定有用， 但就局限在那么有限的几个场景里。而且还无法成为主要的测试手段，大多都是辅助类的。 所以如果这是硬性指标， 楼主只能考虑一下做面子工程了。 把一些 AI 能力硬套进去，然后通过一些话术，流程来夸大它的作用。

感谢支持~ 我会尽力输出更多的好的内容

你说我学习的那些课程么？ APP 叫极客时间，里面的课程都是付费的

嗯 是的

嗯， 一起加油~

我没说没有啊 你看我啥时候说没有硬件测试了。

可以看看其他领域的，医疗里面有挺多工作要对接医疗设备，所以可能是需要做做硬件的东西。 你可以看看其他软件领域的。

搭建个虚拟机也算做硬件了啊 难道是我对硬件有很大的误解。。。。

不会啊， 在国内做硬件的没那么多的， 互联网里大多是软件。 不用非得会硬件。

还是有的吧， 只是非常少了。 当然我是把会写点基本的函数脚本的也算做会写代码的

现在不是有审核么， 发帖都要审核过后别人才能看。 而且我看那个裁员的贴子没啥敏感的也

嗯， 极客挺好的。 我一直在极客上学东西。 花点钱省了很多自己去找资料的时间。

我说说我的看法，一个比较重要的原因就是因为教授的太浅吧，很多都是可以在网络上随便找找就能找到的资料。有的甚至就直接复制过来，所以给人一种割韭菜的印象。 这一点可以看看极客时间，其实很少有人喷极客时间里的人割韭菜（当然也有个别的被喷）。 因为极客时间里的大部分内容还是可以经受考验的， 起码不是在网络上随随便便就可以找到的成体系的知识。里面有不少内容是作者自己的总结和感悟，售价也不贵， 大部分就几十块钱或者 100 多块钱。可以节省很多自己去找资料学习总结的时间。 我在极客时间上买了不少课，我看了一下， 买了 16 门了：

这 16 门我基本没有觉得被割了韭菜的感觉。所以我个人觉得反感的不是知识付费， 而是自己的本事没练好就出来用低端和复制来的内容圈钱的行为。

然后我觉得鄙视培训机构和鄙视知识付费是两回事。 鄙视培训机构的原因主要是简历造假和虚假宣传。 尤其是简历造假被人诟病。抛开这两点培训机构本身是没什么问题的， 我觉得行业里也需要培训机构来让一些基础很差的人入行。 其实我本身也是在大 2 结束的那年暑假去培训机构学习的 java。然后才有入行的机会， 毕竟让纯小白去自学， 真的不行的。 所以培训机构的一个很大的意义就是带小白入行，不能要求他太多。

最后就是要正确看待搞知识付费这件事， 有些时候内容确实不能太过于艰深，有些时候我看一些内容也觉得讲的浅显， 但毕竟受众不一样， 需要讲的非常深入的行内人士不需要来参加培训， 不懂该领域的小白看不懂也用不上这些高深内容。所以很多内容输出作者它也不能写的太深， 要不然就没人买课了。 我记得之前和朋友聊天，说他们写过爬虫去爬 CSDN 的数据， 发现在测试这个领域里，搜索量和阅读量最高的不是那些高质量的文章， 而是接口自动化，UI 自动化这些。 所以但凡是要指着知识付费糊口的人，肯定要迎合客户的喜好。

录好音， 留好证据， 一告一个准

我的印象里， 不给交社保的一仲裁一个准， 单休的话， 收集加班记录，都要求给赔偿。 签合同了么？ 没签合同一告一个准， 签了合同给降薪了应该也是可以要求补偿回来。 想要跟公司刚的话就仲裁要求 2N。 如果你入职没多久， 陪不了多少钱你不想折腾。 那就谈判多要点赔偿。

https://testerhome.com/topics/17092
https://testerhome.com/articles/31471

可以看看这两个哈

大多数都是自己造的， 楼主可以翻一下我之前写的帖子， 里面有专门讲造数的。 前些日子我们也是对接银行做性能测试，造了 10 亿行结构化数据， 也就三个半小时就造完了，用 spark 造的很快， 还有一个是给一个车企造 2 亿张图片去测试存储系统，用异步 IO 造的也很快。