纯手工敲的字,主要是习惯了分点理清逻辑,感谢老哥关注探讨!
那你继续坐等未来吧!你现在不想学 AI 技术,那是你的事,而不是用来在论坛里证明谁比谁更懂未来的。
但就像造车一样,哪怕未来有了完全自动驾驶,如今依然需要底盘、方向盘,依然需要有人去打磨底层的轮子。
我不知你有没有看到当下企业内部面临的真实痛点,眼下模型的不稳定性、数据的幻觉,总得有人在工程层面去兜底。如果只坐等未来,眼前当前的问题不解决,那确实没什么意义。
如果未来最好的 AI 真能解决现实企业所有的痛点,那自然是所有 QA 的福音,我也非常期待那一天的到来。
咱们就不在这个话题上继续消耗了,此贴就此结帖。祝好!
看了大家的讨论,感谢各位同行的拍砖与探讨。
技术路线不同,看问题的视角自然也不同。AI 时代变数难以预料,与其争论,不如先去解决当下企业的真实痛点,做务实的工程落地。
感谢关注,此贴结帖。祝各位在 AI 时代都能找到自己的核心竞争力!
利用 AI 配图有问题么?AI 时代了,我总得先在文章里把它用起来吧!😄
感谢老哥的探讨。你说的这种 ‘未来不需要提示词、大模型无所不能’ 的宏大愿景,我其实非常期待。
但咱们搞工程的,终究要回归现实,不能拿着 ‘未来的剑’ 去斩 ‘现在的官’。未来的 AI 到底多强,那是顶尖实验室该操心的事;而眼前企业里的测试用例跑不通、大模型乱生成的 JSON 导致平台崩溃,这些是今天就要解决的痛点。
就像目前市场的用人需求,大量企业在急招 AI Agent 开发工程师、AI 应用开发工程师,他们进去就是为了解决 RAG 检索、Agent 编排、工具调用这些实打实的落地痛点。如果大模型真的强大到不需要工程化架构了,那这些企业为什么还要花重金招人?这怎么会是过时呢?
我做的这些架构和 Pydantic 校验,不是为了限制 AI,而是为了在现阶段,让 AI 的能力能够安全、稳定地落进企业生产环境里。就像造车一样,就算未来有了全自动驾驶,现在的汽车依然还需要底盘和方向盘、安全气囊,依然需要有人去造轮子、去打磨。
至于老哥说的 ‘花点钱体验一下好模型,但 ‘震撼’ 不等于 ‘能直接接管企业生产库’,总得有人在模型外面套上一层安全的工程架构。
谁知道未来的变数是怎么样的呢? 也许 AGI 时代真的到来,连架构都不需要了;但在那天到来之前,现在总得有人去把眼下这套 ‘AI 测开’ 的脏活累活干扎实。
感谢老哥的拍砖,受教了。祝好!
老哥的视角非常犀利,确实,在 AI 时代,单纯 ‘会写用例’ 和 ‘手搓平台’ 的价值正在被无限稀释。
但关于 ‘用好 AI’,我有一些不同的落地体会:
AI 能造平台,但它造的往往是 ‘玩具’。 让 AI 写个基础 CRUD 没问题,但如果让它处理 Celery 嵌套事件循环死锁、三层 RBAC 跨层级越权、WebSocket 毫秒级进度推送,它生成的代码根本跑不通。要驾驭这种复杂度,人必须经历过 ‘造底座’ 的毒打。
AI 确实能立标准,但 ‘让 AI 遵守标准’ 才是难点。 就像兄弟上面提到的业务断言问题,如果不用 Pydantic 写死强类型校验,不用 Instructor 库做兜底重试,大模型的幻觉会让你的测试平台瞬间崩溃。
所以我文章里说的 ‘调度 AI’(第 3 级),其实就是你说的 ‘用好 AI’:不是简单地在对话框里要代码,而是用架构思维把 AI 封装成可靠的工程流水线。 这篇受限于篇幅没展开写代码,欢迎老哥探讨指正!
兄弟,你踩到的点太精准了。直接喂 Swagger 让 AI 写断言,最大的问题就是 AI 无法理解业务上下文。它只能断言 200,但业务可能要求状态是 400 且 code 是 1001。
你的思路非常牛(自定义框架 + 让 AI 自己写探针),这其实就是目前在往 Agent 方向演进的核心逻辑。
至于那个滑块验证码,确实很震撼。但这恰恰说明了 AI 擅长解决 ‘非确定性’ 的视觉交互问题,而底层的并发执行和业务链路,依然需要我们自己用强类型(比如 Pydantic)去卡死边界。我目前后续计划 V2.0 版本把这块接入 LangGraph,有机会多交流。
哈哈,兄弟多虑了。这年头搞自研全靠一腔热血,真要图别的,直接套壳开源项目不香吗?
自研执行引擎、Celery 事件循环调度和 WebSocket 长连接,纯粹是因为在做真实高并发业务时,外面现成的框架填不平那些底层的坑。把代码和架构复盘开发出来,权当是给社区做点技术共享了。欢迎多交流技术细节。
过奖了,其实算不上什么王炸,就是对自己这 100 天独立开发的一次深度复盘。
真正写到底层才发现,要处理的高并发和异步调度问题比想象中多得多。比如为了让前端能实时看到进度,还要自己去处理 Redis 的 Pub/Sub 和 WebSocket 的长连接保活。
有机会多交流探讨,看看你们平时在落地自动化时,踩过哪些更痛的坑。
哈哈,完全理解大家的脚抠地,现在听到 ‘自研平台’ 这几个字确实容易让人疲劳。
但我做这个,真的是被现实业务毒打出来的。以前带团队,用零散的 Pytest 脚本根本扛不住高频回归,几百条用例一并发,数据库连接池直接崩溃,排查 Bug 像大海捞针。
所以我做这套底座,核心是为了解决三个具体问题:
1、用例数据全存在数据库里,动态解析 JSONB,彻底抛弃静态 .py 文件。
2、自研异步调度引擎,解决 Celery 嵌套事件循环导致的连接池死锁。
3、实时进度推送,让测试人员能清楚看到每一步执行的状态。
纯粹是想解决实际测试过程中的痛点,欢迎多提宝贵意见。
这块在落地时其实坑很多,尤其是大模型结构化输出的稳定性。我目前在独立开发 AITest 全栈平台,V1.0 的 FastAPI + 异步底座已经跑通了。目前的进度是,V1.0 刚完成交付,正计划 V2.0 的需求规划与架构设计,重点就在死磕这套 AI 智能体的落地机制。一直想找测试圈的同仁探讨下方案。感兴趣的话可以看我的个人主页基本信息,大家一起交流探讨。
核心是将 AI 的非确定性输出,通过工程化手段转化为确定性数据。简单说分四步:
意图解析:通过 LangGraph 编排 Agent,结合系统内已有的 API 元数据,生成结构化 JSON。
强类型校验(关键坑点):大模型极易产生幻觉。必须在后端用 Pydantic 做严格 Schema 校验,校验失败直接打回让 AI 重试。
草稿态隔离:校验通过的用例不直接进正式表。在 test_cases 表加 status 字段,默认置为 draft。必须人工 Review 确认断言无误,才能流转为 active 状态。
底层执行:执行时交给基于 Celery 的自研异步执行引擎,完全隔离大模型直接操作 DB 的风险。
拥抱 AI 时代。
我目前在做 AITest 的接口测试平台系统,目前 V1.0 已上线。准备 11 月计划开启 V2.0 AI 智能体研发。感兴趣的同学可以关注我,一起交流学习。
我目前在做 AITest 的接口测试平台系统,目前 V1.0 已上线。准备 11 月计划开启 V2.0 AI 智能体研发。可以关注我,一起交流学习。
同学在做接口测试工具么?
我目前在做 AITest 的接口测试平台系统,目前 V1.0 已上线。准备 11 月计划开启 V2.0 AI 智能体研发。可以关注我,一起交流学习。
我目前在做 AITest 的接口测试平台系统,目前 V1.0 已上线。准备 11 月计划开启 V2.0 AI 智能体研发。可以关注我,一起交流学习。
redis-benchmark -h <主机> -p <端口> -a <密码> -c <并发数> -n <总请求数> -d <数据大小> -t <命令>
关键参数说明:
-c:并发连接数(默认 50)。
-n:总请求数(默认 100000)。
-d:SET/GET 值的数据大小(字节,默认 2)。
-t:指定测试命令,如 set、get、ping,用逗号分隔可测多个。
-P:管道(Pipeline)请求数。适当增加管道数(如 50)能显著提升吞吐量,更接近实际高并发应用的表现。
-r:使用随机 key。避免因 key 固定导致命中率失真,测试结果更真实。
-q:安静模式,仅输出 QPS 核心数据。
对 Redis 进行压测,最直接、最常用的方式是使用 Redis 自带的 redis-benchmark 工具。它随 Redis 安装包一同提供,无需额外部署,能够快速模拟并发请求并获取吞吐量(QPS)与延迟数据。
先学好 python 语言编码功底,做一些小项目实践练手,然后再根据兴趣方向选择技术进阶学习。比如想做全栈开发的,学习前端技术 。
以前我做的项目用过了 windows 跨平台测试 android 和 ios 的 APP。
拥抱 AI 时代,把握好时机。
可以考虑充电 AI 技术转型。
可自研测试平台,AI 生成用例加入草稿进行评审,评审通过后纳入正式用例。