所以这就是为啥都挣着去有一定规模的公司， offer 里有大厂就选大厂的原因之一吧。 还有就是其实也有很多小厂也用 docker，k8s 这些，比如我就是从一个不到 200 人规模的小厂里学到 docker 和 k8s 的。 现在这俩东西只是技术成本比较高，倒不会要花很多钱才能搞这个。 所以只要开发人员水平到位都可以做。 很多小厂上云后都是面对这些东西。

当然这些是要看运气的， 你进入到一个使用的技术比较前沿的团队就更容易掌握这些有门槛的技术。 没有进入这样的团队必然就会陷入 hard 模式。 但怎么说呢，我在文章里经常会说一个观点， 大概意思就是很多时候是学习了这些知识之后才获得了做这样工作的机会， 而不是先给了你做这个事情的机会才去学习这些知识。 我意思是既然已经进入到 hard 模式了， 为了跳出 hard 模式就只能自己去自学这些东西然后期望跳槽到一个更好的团队去。 这是没有办法的， 要不然就只能躺平了，下一次再出现在种工作的时候还是无能为力。

那个， 这就是为啥我总是劝同学们要好好学技术， 很多工作里就是要求会这些。 比如第一个截图里要求会 docker， k8s，云原生，微服务架构，因为这些就是很多产品的使用环境，看这个 JD 的描述就是要开展混沌工程，稳定性测试这个方向的。 那真的是要高频的跟这些东西打交到的。如果是云计算团队的那基本上天天都是玩这些东西。 第二个 JD 截图是搞 CI 的，那就是有一半时间在玩环境， 所以对 linux 对安卓这些编译部署运行什么的有要求也算是正常的。

有些时候要求会这些技术真不是卷出来的， 是这个岗位就这个要求。 而且我看人家也没说要精通， 估计只要用过， 熟悉一些常用场景就可以的。

额， 你说的这俩真不算会算法，不用懂算法就可以对 AI 模型进行这种测试了。 我们这边外包都可以做这个事情。 确实没什么门槛， 属于培训一下午就可以掌握的理论知识， 做 AI 方向的测试人员其实大部分都是不懂 AI 算法的， 因为就是对着模型测，属于黑盒子，只要对着模型输出的数据统计一些指标就行了。 反倒是下面几个：

如果是我理解的需要测试人员来写工具做数据爬取和采集，清洗，预筛选，那这个门槛倒是有的。 需要有一定的图像处理的经验。 要是做的好拿个 p6，p7 的都是可以的。 做模型的测试其实大部分时间是在跟数据打交道，它这个是在计算机视觉领域，我负责的一个产品也是做计算机视觉的， 要花很多时间在数据上， 各种数据采集，抽帧，解码， 转码，增强什么的，有时候要需要调模型帮我们做预处理，预筛选什么的。 所以很多岗位的 ai 测试其实考验的都是数据处理能力， 不是算法能力。

妥妥的一线， 那这个待遇确实低了。 看他的要求不算低。 如果进大厂，这个要求怎么也是个 p6 吧。 P6 这个薪资确实低啊。

哪里都有职级差距的， 尤其在大厂薪资待遇也是根据职级来定的区间（一般情况下都是这样），就算不是 AI 测试要是能拿个阿里 p8 的 offer，那没准也有年薪百万。 所以不管是干哪个领域的， 只要达到一定的成就，工资都很高。相反的如果造诣不深，工资就低，这个不会因为是干 AI 的就有特例。 只不过 AI 现在比较火， 而行业里懂 AI 的测试人员很少，所以做 AI 只是相对的容易点能拿到 offer（因为竞争对手没有其他领域那么多）， 也相对的容易一些拿到高一点的职级。 不仅仅是 AI 测试， 任何一个领域的都一样， 我们不能指望迈进这个领域了就一步登天了。 而且也要看看这个 JD 是哪个城市的， 要是在北京上海这个薪资待遇确实不高， 但在二线城市这个薪资不算低吧

首先学东西还是不能盲目的， 我们需要判断这个东西对我们未来是否有帮助。 如果判断错了就及时止损。 人的精力有限， 还是要功利一些，放到对自己有价值的知识上。

感觉有点无语啊。。。。

老哥保重，看开点， 日子还是要过下去的，而且裁员的刀子还没落下来。

从我周围的感受来看， 其实就是两个因素：

1. 业务挣不挣钱， 业务挣钱足够多， 一切都不是问题， 迅速的增长可以掩盖所有问题。 所以在业务很挣钱的前提下，起码不会有成规模的裁员行动。
2. 测试开发比例， 现在尤其在大厂里都比较推崇按研发的投入来计算测试的投入量。 比如我们这里严格按 1:10 走。 所以超过了这个指标很多， 就需要调整。

从最近的情况看， 字节还算挺舍得给钱的， 我一个朋友也是算法测试岗， 去年 11 月份在字节拿的 3-1 的 offer， 总包 130W。 给他涨幅了 30%。 去其他公司很少给涨薪这么多的， 甚至还是降薪。 所以我觉得字节算目前少有的非常值得跳槽的公司了。 毕竟钱给的够多。 现在人工智能火， 他们也更愿意给钱了。 老哥搞算法的可以去试试

互联网公司的 HR 过万也正常。 但前提得是正式员工， 外包的 HR 待遇是不如外包的测试人员的（据我所知，当然也可能是我了解的有限）。 实际上互联网公司里的正式职位收入对比其他行业都不低。

现在外包基本很难转正式了

我在帖子里说的那个经济规律其实只说了一半， 我补充一下 -- 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 ，如果购买这个资源的资格也被压到大多数人都可以承担的程度，那么获取这个资源所获得收益就会被压到大多数人无法接受的程度。 总归市场会自动的达到一个平衡的状态。 资源数量就这么多， 市场一定会找到一个方式把多余的人排除再外。 在 10 年前软件测试确实是一个高性价比的职业（门槛低，薪资高， 你想想我在 12 年在北京能拿到 1w4 的收入，当时我才毕业 2 年。而对应的这个岗位对计算机技能几乎没有什么要求，毕竟就是测试一个网站，点点点就好了），而现在已经不是那个躺着挣钱的时代了， 所以刚入行的人觉得难，觉得门槛高。 但想一想， 只要能挤进这个行业里， 即便是一个外包， 也是可以在一线城市拿到薪资过万的收入的， 市场的自动调节行为还没有把薪资压到大白菜价的程度。 这样每天做办公室，不用在外面风吹日晒的就可以拿到这样的收入， 我觉得还是比很多其他行业要好的。 当然按现在的行情， 外面的人想进入这个行业确实不容易。

是测试大模型的岗位吧， 那有大模型经验也不算太过分。 字节现在也是少有的薪资可以给到位的公司了。 薪资匹配要求大模型经验也无可厚非

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