22026年第 1 期《AI 自动化测试 》课程，开学啦!
主讲老师：上海-悠悠
上课方式：微信群视频在线教学，方便交流
本期上课时间：2026月11月14号开始，每周六晚上20:00-22:00
报名费：报名费800一人
联系微信/QQ：283340479
课表如下
直播课程主要涉及的内容：
9个章节内容
1.环境准备与快速开始
2.AI IDE 工具使用教程
3.MCP 配置
4.AI 接口测试与自动化
5.AI web测试与自动化
6.AI app测试与自动化
7.持续开发和使用skill
8.数据库操作
9.AI 性能测试
课程使用AI IDE用的模型（auto模式可以满足基本需求）
常见问题解答
从未接触过 AI 能不能快速学会？
答：当然能学会，本课程从环境搭建开始，零基础教学，跟着课程学习操作必然能掌握
课程学完能掌握哪些内容，是不是仅仅让 AI 写 Python 脚本做回归自动化测试？
答：AI 能做的不仅仅是写代码，一个全新的需求下来，从需求分析，到写用例，到执行用例，都能自动完成。
比如一个 Web 端的网页，可以用让它去执行你平常自然语言写的用例，接口可以根据接口文档快速全功能覆盖，
APP也能通过自然语言完成自动化测试（不再使用蹩脚的Appium）通过自然语言驱使AI去做APP端的自动化，完美解决 "付出100的努力，产出为1"传统自动化脚本的痛点。
能不能一句话让 AI 测某个 WEB 或者 APP?
答：能是能，但是没有用例和预期结果，它无法区分是BUG还是设计如此，所以执行完后会让你确认是不是BUG，最终还是需要你去检查每个用例和功能点。 最好的做法是给出完整的测试用例，有明确的测试目标，验证哪个功能点，测试的步骤和预期结果。给的用例越详细，它的效率越高。
需求变了后，AI 自动化还能不能跑？
传统的自动化测试是写死的脚本，比如 UI 自动化是根据页面元素定位，页面改动了，写的脚本跑不通了，维护困难。
AI 跑自动化测试是根据 WEB 端展现通过视觉模型去自动识别操作，有推理能力，不是傻傻的点某个固定位置，需求变了，只需把需求文档重新喂给它。
就可以按新的需求去自动化测试了。
有了 AI 后，是不是可以取代测试工程师，我们是不是要失业了？
测试工程师的工作内容
测试工程师的日常工作贯穿软件交付全流程，主要包括：
- 需求分析：参与需求评审，理解业务逻辑，识别需求中的歧义、遗漏和风险点
- 测试计划：制定测试策略、范围、排期、资源分配和准入准出标准
- 用例设计：编写功能、接口、UI、性能、安全等各类测试用例，维护用例库
- 环境搭建：准备测试环境、构造测试数据、配置依赖服务与 Mock
- 测试执行：执行手工测试、回归测试、冒烟测试，记录结果
- 缺陷管理：提交、跟踪、验证缺陷，输出缺陷分析报告
- 自动化建设：编写和维护 UI 自动化、接口自动化、单元测试脚本
- 专项测试：性能压测、安全渗透、兼容性、稳定性等专项测试
- 质量报告：输出测试报告、质量度量（覆盖率、缺陷密度、逃逸率）
- 流程协作：参与 CI/CD 流水线建设，推动质量左移和持续测试
AI 在各环节能做什么
1. 需求/用例层面- 需求分析：解析 PRD/需求文档，自动提取功能点、业务规则、边界条件，识别需求歧义与矛盾
- 用例生成：根据需求文档自动生成测试用例（等价类、边界值、场景法），输出标准 CSV/XMind 格式
- 用例评审：检查用例覆盖率，指出遗漏场景（异常流、并发、权限、兼容性）
- 用例优化：去重、合并冗余用例，按优先级分层（P0 冒烟 / P1 回归 / P2 全量）
- 脚本生成：从用例描述直接生成 pytest、Selenium、Playwright、JMeter 等自动化脚本
- 脚本修复：定位失败的自动化脚本原因（元素变更、时序问题），自动修复定位器
- 框架搭建：协助搭建 pytest + yaml 数据驱动框架、PO 模式 UI 框架
- 代码审查：审查测试代码的可维护性、稳定性问题（硬编码、隐式等待滥用）
- 数据构造：生成符合业务规则的测试数据（脱敏数据、边界数据、大批量造数脚本）
- Mock 服务：根据接口文档生成 Mock 数据和桩代码
- SQL 辅助：编写复杂查询 SQL，辅助数据验证与准备
- 日志分析：解析报错日志、堆栈信息，定位根因（前端/后端/数据/环境）
- 缺陷描述：根据截图和现象自动生成规范的缺陷报告（重现步骤、预期/实际结果）
- 缺陷聚类：对批量缺陷按模块、根因分类，发现共性问题
- 性能测试：生成压测脚本、分析性能报告（TPS、RT、瓶颈定位）
- 安全测试：辅助生成常见漏洞测试点（SQL 注入、XSS、越权）
- 兼容性：列出需要覆盖的浏览器/设备/系统矩阵
- 测试报告：汇总执行结果，自动生成测试报告和发布建议
- 质量分析：分析缺陷趋势、模块质量分布，输出改进建议
- 周报/汇报：自动生成测试周报、阶段总结
- 技术学习：解答测试技术问题（框架原理、协议知识），生成学习路径
- 文档翻译：翻译英文技术文档、API 文档
- 会议整理：整理需求评审、测试评审会议纪要
总结
| 维度 | AI 擅长 | AI 不擅长（仍需人工） |
|---|---|---|
| 重复性工作 | 用例初稿、脚本生成、报告整理 | — |
| 分析推理 | 日志定位、需求歧义识别 | 复杂业务风险的最终判断 |
| 创造性 | 造数方案、Mock 设计 | 测试策略的整体权衡 |
| 经验依赖 | 提供常见模式建议 | 探索性测试、用户体验评估 |
定位建议：AI 是测试工程师的"副驾驶"——负责加速重复劳动和提供初稿，工程师负责把关质量、做决策、处理业务复杂性。