• 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。

  • 商城项目接口自动化 at 2026年10月31日

    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。

  • 如何对 Redis 进行压测 at 2026年10月31日

    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。

    1. 测试基础读写性能 redis-benchmark -h 127.0.0.1 -p 6379 -c 100 -n 100000 -d 1024 -t set,get -q
    2. 测试高吞吐场景(带管道)redis-benchmark -h 127.0.0.1 -p 6379 -t get -n 1000000 -d 1024 -P 50 -c 50 -q
  • 如何对 Redis 进行压测 at 2026年10月31日

    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。