不少人有这种能力， 不过大多数都是忙的没时间仔细看开发的代码

上学好早啊~~ 我 23 的时候刚毕业。你就已经工作两年了。 我对刚入门的同学永远都说一句话： 找个好平台，找个好平台，找个好平台。重要的事情说三遍。 好平台可以带你成长。 在一个好平台下成长是 easy mode， 自学都不是 hard mode 了， 是 doom mode。 先学一下基础，可以培训可以自学，然后尽快跳到大平台上去。

其实就是验证数据在倾斜的时候，算法的性能是什么样的。 观察的就是计算时间，内存占用和 CPU 使用率

就数据驱动就行了。 关键字驱动大部分是给不会写代码，或代码写的差的人用的。可维护性太差了。case 一多就是坑。 有很多人喜欢搞这种不用写代码就能写用例的框架的目的只有两个。 一个是组里面真找不到几个会写代码的了，被逼的 (我再 58 的时候就是)， 第二个就是为了 kpi，为了晋升，为了装逼。。。。

专业测开是从来不用关键字驱动的。

好久没搞测试框架的事了，现在用的还是前年的老本呢。封装的还是以前的东西，就是里面的工具更新了。 比如接口的现在用 rest-assured， UI 的用 selenied

其实要淡定，找工作就跟找对象一样。 要慢慢碰

分方向了， 每个领域用到的东西不一样。 但基本是测试工具，前后端开发，运维相关的都是核心技能

小公司就是这样的，楼主如果想摆脱这样的困境，只能跳槽去大公司了。 大公司有更明确的职责分工和更多的人力， 情况会好很多。 这也体现了一个事情，就是招人的时候降低标准是有坑的。 为了业务测试而快速的招聘不会代码的人来顶缸就会出现这种问题。

我应该不算专业管理岗吧， 我们有专门的测试总监做人员管理。 我只是个管技术的，属于带着大家攻坚的。我比较同意克制自己的表现欲，即便自己搞的定，也要让自己的战友来搞的观点，要发挥团队的作用，就算个人能力再强也只有一个人。 但是如果是属于基层管理者，比如 leader，测试经理或者测试架构师 (好吧这里有好多个叫法), 还是要尽量避免【搞不定】这种事。 因为这时候 level 不够高，还是属于带着大家奋斗在一线的，那么这时候身为管理者的指导作用还是很重要的。 尤其是在测试行业这种大部分人技术水平不高的环境下，在大家还不是很强的时候，指导战友做事情还是比较重要的。 在相信战友能力的同时，也要给予一定的指导。

除了缺少项目经验感觉没啥槽点的，使用的技术写的比较细，并注明了自己的水平。给人的感觉积极自信但又不骄傲，我比较喜欢这样的简历， 因为我一下子就能大概判断出你的能力。 感觉的出来你没有过度包装自己。这样其实是比较有效率的，能给你自己节省时间，因为企业不会对你的能力有误判而白白让你白走一趟。 有些候选人过度包装了自己的简历后但 hold 不住，也就是吹的不好，圆不了场，导致面试对他的印象有很大落差，这样本来能过面试的也过不去了。 如果面试的是实打实的技术岗位，我是比较推荐简历里的技术栈里这样写的。 后面写上自己的工作经历和项目经验就可以了。

加油~

还没有群~~

你想复杂了， 每个用例用独立的产品就行了。 或者给这种会造成冲突的 case 设置执行顺序。

你理解的其实都对，关于 1,2， 在英文文献中，召回为 recall，精准为 precision。精准率，召回率都是直接翻译的英文，这些是官方标准化的称谓。用来跟同行交流时候的标准术语。 如果你跟人说正类预测准确率的话，可能对方还反应不过来。
关于 3， 你最后的理解是对的。

我 87 的，工作 7 年半了都

我还嫉妒你年轻呢

深度学习平台开始研发了， 我也是在做一点知识储备。 到时候要在 UI 上写 TensorFlow 的代码进行测试

对，在第四范式~ 哈哈，没准真加过。

孙高飞， 在 58 到家的时候。你跟他说他肯定知道，我就坐在他旁边~ 我俩一个 team 的

这个吧， 其实不用把 AI 的测试看的太神秘。 听你的描述的你朋友要去的地方已经将 AI 产品化了。 那既然是一个产品，那么一个产品该有的东西它也有，比如 UI，接口，服务。 所以该有的测试类型也有，UI 自动化，接口自动化，如果是 TO B 业务的话也会有兼容性 (后端兼容性非客户端)，部署测试等等。从这一点来看 AI 产品和互联网产品的测试在很多地方个是相似的。 但毕竟由于业务相差的天差地比别，所以还是有不同的地方。

但要说具体的测试类型，主要分为两个大方向。 一个是模型测试，不涉及机器学习的具体业务，只针对机器学习产生的模型进行测试。具体的测试可以参考我这篇文章：https://testerhome.com/topics/11785 。 这类测试不需要多懂机器学习，知道怎么评估模型，统计模型评估指标就行了，主要就玩数据。 接触的都是大数据相关的技术。

第二个方向就是测试机器学习本身。 这个就是真的需要去学习机器学习这个东西了。 因为日常操作的都是一些机器学习算法和大数据处理算法。 业务流程也是怎么把原始数据进行建模，上线，自学习等。 有些机器学习平台是支持兼容 spark 脚本和 tensorflow 的。 所以有些时候要像开发一样，写一些脚本去建模。 我一直在写的深度学习文章也是在说这些。

其实 AI 产品的测试并没有很多人想的那么美好，不是所有人都在做很高大上的东西。 任何一个产品化的东西都会有边边角角的东西， 会有跟 AI 没什么太大关系的模块测试，有时候也会跟其他人一样点点点。 当然也有很多跟算法相关的，跟开发相关的，跟运维相关的工作。 看个人境遇了