跟恒捷说的一样， 只有很少一部分人是在这种不碰业务的测试开发部门，我上面也说过大部分测开都是在业务里的， 自己开发工具， 简单的交给外包用， 困难的交给子公司或者自己用。 现在大厂业务部门里也基本没有那种只开发工具不做测试的岗位了。 我自己也是， 别看我现在级别上去了， 但是我还是需要在一线搞测试的。

@ZFW 的意思是： 大厂的标准模式就是一个正式的带一堆子公司和外包的模式。 正式员工很少来执行手工测试用例了， 只有一些难度比较高的，无法让外包和子公司人员来执行的测试会让正式员工来。 其他的工作正式员工主要是制定测试方案，开发测试工具，管控测试进度这样的事情。 所以按你的标准，大厂里正式的测试人员都是不务正业的。 你的观点过于极端了。

然后我的意见是业务里的测试开发挺常见的， 自己业务的测试工具自己来开发，简单的交给外包来执行，困难的交给子公司或者自己来执行。 完全不碰业务的测试开发即便在大厂里也是很少见的。就像我们测试模型是完全没有图形界面的，甚至连个 http 接口都没有，只能调 SDK 或者 gprc 和 trpc 协议来测试。 所以即便其实测试用例挺简单的， 就把数据给模型然后通过结果统计评估指标么。 但没有代码能力的外包人员， 你让他们写 trpc 调用实在太难为人家了。 所以我们正式员工来写工具，外包只需要按场景挖掘数据，审核数据，与算法人员讨论 badcase 等等这些事情。 这是一个在业界里十分有效的工作模式。 尤其是在降本增效的大环境下，已经是主流的方法了。 就算是那种完全不碰业务的测试开发，也是在一个单独的部门里， 他们负责的是大部门级别，或者公司级别的测试基础建设，并不是大家理解的随便开发个跟 pytest 差不多的框架，那是小厂子里的人搞过家家的手段，大厂里的这部分人要负责打通网络，环境，权限等关要（在大厂里，环境不是那么好搞的，不同的云里面， 不同的机房里，IDC 里，公有云，私有化，开发机，这些环境的网络可能都不通，权限可能都是不开放的，做测试的时候就需要有相关的基础设施来搞定这些，因为这不是给业务团队开发权限和网络来做的， 这事关安全）。 当然确实有些不误正业的地方跟过家家似的搞个类似 pytest 的框架，封装个前端就当平台的。 但在大厂里，人家测试开发部门就不是搞这些小家子气的东西的。

所以有一些人不务正业搞花活这种情况是存在的， 但别太极端， 还是有很多的测试开发在认认真真为公司提供价值的。

说的非常对

别闹， 在会议那好好干~~~

我们通常都是几十个群里滴滴个不停。 光一个子系统可能就拉好几个群。 不重要的我都设置成消息不打扰了， 不艾特我就不看的。 大厂里降本增效的太厉害了， 我们现在测试开发比 1:15 了

-1， 天天忙的像狗一样， 需求越来越多。 刚才看了一下手里的事：

1. 原始多模态大模型提测了
2. 知识问答多模态大模型提测了（测试数据还没弄， 很烦）
3. 文档解析引擎提测了
4. 文档拆分引擎提测了
5. AI 平台混沌工程提测了。

我已经想掀桌子了。 不过侧面说明一件事， 那就是公司不肯加人来解决这些事情了， 即便现有的人已经忙死了。 降本增效最有效的方式就是裁员然后剩下的人使劲加班

1. 上游幂等，下游重试，保证数据强一致性
2. 上游不幂等， 下周也重试（会数据重复）。 但是再下游做去重，保证最终一致性。

一般就上面两种方式。

在大厂都有这个问题，一个产品套一个产品的来实现的。 我给现在负责的某个产品做混沌工程， 测试出一个边缘计算的 bug，产品研发排查说是底层问题，底层研发排查说是 k8s 底座问题，k8s 底座研发排查说是 superedge 的问题。 就这么一层套一层的，一个产品底下 N 多个产品共同支撑。 我去年测试一个版本的时候前后折腾了 2 个月就是因为这个原因。 我觉得对于个人来说是无解的，除非个人魅力强到了可以让其他团队的人都迁就你（你别说我还真遇见过一个，是一个特别漂亮的妹子，这个妹子去找谁解决问题一般都很顺利）。 否则其他团队的人凭什么高优解决你的问题呢， 毕竟大家都那么忙。 所以我们一般就上升， 先上升到项目经理那，不行再上升到总监那， 最严重的一次我上升到了两边团队的 GM 那里。 就是上升这个事可以是很心平气和的， 在大厂大家都这样， 互相理解大家都很忙，手里的事肯定得有个优先级， 所以心平气和的抛给领导解决， 领导决策好优先级以后，自然就有人来解决了。 要是领导也不解决怎么办？ 那就说明这事也没那么重要， 让项目慢慢等呗。 就是你要知道， 咱们是大头兵，项目延期最着急的不是咱们。 咱们把风险抛出来以后会有人比咱们还着急的。

短期不靠谱，长期太艰难， 行业太内卷，环境太浮躁， 躺平不甘心，拼搏怕辛苦，这样也不行， 那样也不行。 所以还是毁灭吧。 还是等着彩票中 500w 比较好，但是中奖 500w 的前提是先从买一张彩票开始，而不是在家里纳闷怎么还不中奖。

毕竟我们总得迈出去一步或者几步才能期盼好运砸在头上吧， 就像谈恋爱， 好姑娘是需要运气去碰的， 但就像明明跟董宇辉说的：你想要因缘你得出门啊，天天憋在家里怎么认识女人，难道靠女劫匪入室抢劫么。

不是， 我去 58 是同学介绍的，就是我们一起来北京实习的同学。 我是从 58 离职去了第四范式以后才开始混社区的。 现在肯定会比之前卷。 所以你看我是这么说的：

看机会徐徐图之

因为我本身在腾讯工作么， 我理解的啊， 我们这里对于校招， 主要还是看学历背景， 如果楼主不是 985/211 的，那是真的挺难的， 可能 HR 那关都过不去。 就算过了简历那关， 来了以后如果你没有比其他 985/211 的人优秀了一大截，可能最后还是会 PASS 掉。 所以如果楼主不是 985/211 的，就降低点预期吧, 别盯着大厂， 找一些名不经转的小厂过度一下，去找其他找到工作的同学内推。 别在几个树上吊死， 还是多找找。 今年对于双非来说就是 Hard 模式。

我和我同学几个当年一起来北京， 是从外包干起来的，没办法，学历这一块实在差的太多。 后面机缘巧合才过度到了互联网，这是没办法的，对比名校出来的人，我们是一丁点儿优势都没有，竞争不过。只能是降低预期，先从比较差的做起，后面再徐徐图之看有没有机会往高处走。

快速上手的话就听开发的，开发让你测啥你测啥。 因为如果要求你有自己的判断和思路， 就需要你把容器这些东西学一遍， 那就不是快速上手了。 所以短期就听开发的，然后慢慢学云原生方向的知识。

挺简单的啊：

apiVersion: v1
kind: Service
metadata:
  namespace: qa-monitor
  labels:
    name: pod-monitor
  name: pod-monitor
spec:
  type: NodePort
  ports:
    - name: port0
      port: 8080
      protocol: TCP
      targetPort: 8080
      nodePort: 31121
  selector:
    name: pod-monitor

找到 yaml 文件， 修改， 然后 kubectl apply -f yaml 文件地址就行了。 或者就 kubectl edit 命令直接在线编辑

建议你看一下录屏，看了之后感觉还能接受， 就可以学。

修改了一下权限， 现在所有人不用申请就可以看录屏了。

录屏已经发到新帖子里了

嗯 ，我到时候会录个屏

可以，谁都能来，我也没设置会议密码

我也不知道啊。。。我觉得有前景的东西想 0 基础入门都是很难的。

建议你先去看看我之前的帖子， 尤其是《我们是如何测试人工智能的》这个系列。 这里面讲了一些比较简单的场景。 然后可以去百川，通义千问， 文心一言这样的大模型网站去感受一下，他们的优点是模型是在线的， 而且给你体验功能让你去使用一下大模型的问答和知识引擎的功能。 然后想一下如果是你在测试这些大模型（也包括多模态的大模型），你也要怎么做（可以结合我的帖子来想）。 再然后可以去腾讯的 TI 平台或者阿里的数加（好像是这个名字吧我忘了），这两个是公有云的人工智能平台，你可以在这上面去用他们的产品建模， 你想想测试这样的产品需要学什么东西。 再然后如果想感受计算机视觉的东西， 可以下载一个 yolo 模型（目标检测模型）， 用它提供的库跑通目标检测的功能。 然后再结合我的帖子， 看看如何评价这个模型的效果指标。

上面这一套如果你能坚持下来， 起码你就大概知道在 AI 领域里做测试，大概都要做些什么事了。 然后到那个时候如果你还坚定的走这条路。 可以来找我，加入我的星球。 或者你不想知识付费也没关系。 就按我在社区里留的帖子去自学也是可以的。

所以我才问楼主确定要学么， 硬学确实很吃力的。 想要要搭建个模型环境来模拟测试场景还是挺费劲儿的。 只建议强烈希望转到 AI 测试领域里的人， 或者已经在 AI 领域内的人来学习。

我是因为实在太忙了。

怎么说呢， 我开了个知识星球专门教别人如何测试 AI 产品， 也有开过课程。 但是我还是得先澄清一下， 没有任何 AI 底子和工作环境的人， 学这个东西还是很吃力的。 而且学了以后还是尽快要跳槽到相关的岗位上去的，要不然学完了不复习也容易忘。 所以楼主你下定决心要学这个了么。

上面几位同学争论的比较激烈， 我也想发表一下我的看法。 首先当前的就业环境和经济环境确实如 @ 糯米团 所说的比我们当初入行的时候差了很多。 这个我在以往的帖子和回答中都表明了这个观点，时代不一样了，不能把我们这种老一辈的经验硬往新一代上 copy。 我自己总结的时候也说过，我 09 年入行的时候，那时候这个行业的人还比较少，很多现在的顶级公司也都是在起步或者冲刺节点，所以就业环境相对来说好不少。 这个是需要承认的。 我觉得我本人也是吃了红利的人之一吧， 跟我同龄的人里，有比我努力的，有比我学历高的，但可能我运气更好，压对了方向（K8S 小火，AI 大火），让我拿到了更高的报酬，当然也有比我小的但比我混的更好的。 现在反过来跟新人说你们不成功完全是因为你们不努力，这我是说不出口的。

但是，我总是说这个世界不是二极管，不是非黑即白的，就业环境是差没错，但这个行业里仍然有数以百万甚至千万的就业人员（我也不知道有多少，我大概猜的），每年都有大批的应届生进入这个行业，起码在这一批人里大家面对的就业环境是一样的。 这些人里仍然有人可以一步一步的从 0 爬到了 leader，总监，甚至更高的位置上，或者没有爬到那么高的位置， 但是作为一个高级大头兵一年拿个几十万的还是有的，只是不像以前那么多了。

我有些时候也会经常想，我和那些比我混的好的人差在哪里了。 除了他们比我运气好， 比我更早的进入到行业里之外。 是不是还有别的差距，比如他们的学历比我好（说明他们在初高中时期就比我努力，或者天赋比我好）， 他们是不是数年如一日的钻研业务和技术（现在仍然比我努力），他们是不是在公司中人缘更好，更得领导赏识（他们比我情商更高，更会处理和领导之间的关系）。 入行早的人确实有优势，但这些人也是在跟自己同龄人之间的竞争杀出今天这个结果的，不能把人家的成功都总结为运气和吃到了行业红利， 就像那档节目里有人质疑张信哲是不是过气了， 撒贝宁回怼到：虽然让乔丹跟现在的小伙子们同台竞争是竞争不过的，但这依然不影响乔丹是 NBA 的神。因为人家在人家的那个年代里做到了最好。 也许现在的年轻人觉得老一辈人会的技术也不过如此，但这是站在现在这个时代来看的结果，在当年那个蛮荒时代，那是彻底的没人教没人带，行业里也没有成功案例。 企业在招聘测试岗位的时候能找到几个会写代码的都难。在这个背景下，人家通过自学，可能还是看纯的英文文档的方式，把各种自动化搭建起来了，在行业中落地了， 并分享出来，难道人家不优秀么，是完全靠运气和行业红利么。现在觉得这些技术没什么亮点是因为这些技术已经普及了，已经早就被行业研究透了，但在当年，能熟练使用 jmeter 就可以是行业专家了。 用现在这个时代的眼光跟过去的人比是不公平的。 我们说现在他们的技能已经过时了，这可能没错，很多老人都在行业的变迁中掉队了， 没有掌握更加符合现代行业的技能，但这不影响人家当年是大牛。

现在 AI 很火，很多地方都开始组建 AI 团队了，或者开始 AI 方向的创业了。 而 AI 领域里很多测试方案，工具和平台都不成熟。 虽然我们已经钻研了好几年了，但成体系成规模的测试案例基本都集中在那几个大厂，大部分团队在测试 AI 的时候还是不成熟的， 我现在偶尔会接一些 AI 行业的咨询，所以我了解到很多测试人员是突然就接到了测试一个 AI 产品的需求。 属于完全的两眼一抹黑，没有任何知识的储备赶鸭子上架，硬着头皮上，大模型是最近这两年才火的，很多测试人员是不会像我一样在 16 年就开始接触这方面的工作。可能这两年折腾的测试方案，工具，平台放到 5 年 10 年后都是摆不上台面的（随着行业的进步后面可能会研究出来更好的方法）。 但有一点可以肯定的是后面如果出现了更好的工具平台方案，它也是在现在这帮人摸着石头过河的基础之上建立起来的。现在这帮痛苦的两眼一蒙瞎折腾的人 10 年后可能就是别人眼中吃了入行早的红利的人。 所以红利是有的，我也是吃了红利的人，毕竟 16 年就开始搞 AI 了，我可能比大多数人都更早的进入了这个领域里， 积累了更多的知识和行业经验，这造成了我现在更容易在这个行业里生存下去，比新人要容易的多，这个我是承认的。 但我同样也记得，曾经无数个夜晚和周末， 在别人打游戏追剧追星出门旅游的时候，我在对着吴恩达的课程学习，我在对着 docker，K8S，spark，hadoop 的英文文档学习，我在追着研发和算法请教问题。

所以现在仍然有一些方向是以后可能大火的， 我当年下注在了容器，AI 和大数据上。 现在看起码 AI 赌赢了。 大家愿意下注么？成功了 10 年后你就是别人口中吃了行业红利的人， 失败了那就失败了吧，平常心（起码当年押注在元宇宙的算是失败了）。 别跟我们这些老家伙比，我们都是倚老卖老的，而且面试的时候你们的竞争对手也不是我们这些老家伙， 要跟同龄的人比。 想想怎么才能在同龄人中脱颖而出。 怎么才能在 5 年 10 年后拉开与大多数人的差距。

还是那句话，尽人事，听天命，平常心。 成功是概率，有赢有输，不想卷也挺好的， 图个轻松。

其实我也是的。。。我们总监也是的。。。。。