从手工测试到AI测试开发，我为什么推荐这门课

关注 霍格沃兹测试学院公众号，回复「资料」, 领取人工智能测试开发技术合集

测试圈最近有两个明显的风向。

第一个，招聘网站上“AI测试工程师”的岗位翻了三倍。第二个，身边越来越多的测试朋友开始报班学习，但学完之后发现——会调API了，可回到公司依然不知道怎么把AI接入测试流程。

问题出在哪？

太多课程在教“怎么用ChatGPT写测试用例”，或者“怎么部署一个大模型”。这些不是没用，而是只解决了最表层的“工具使用”。

企业真正缺的是这样的人：能把需求文档自动变成测试点，能把测试点自动生成自动化脚本，能让智能体自己去执行、断言、重试，还能搭建一套智能化测试平台。

这就是人工智能测试开发训练营要解决的核心问题。

01 传统测试和AI测试开发，到底差在哪？
先看一张对比表。

传统测试强调“把测试做完”。AI测试开发强调“把测试能力系统化、自动化、智能化”。

这个差距，不是多学一个工具就能填平的。需要一套完整的能力升级路径。

02 这门课到底解决什么问题
人工智能测试开发训练营，不是教你“怎么调API”。

它解决的是一个更本质的问题：测试人员如何在AI时代，从执行者升级为能设计、开发、落地智能化测试方案的工程师。

围绕真实测试工作中的核心场景：

需求文档来了，能不能自动解析出功能点？
业务知识库接进去，能不能自动生成测试用例？
有了测试用例，能不能自动生成Web/App/接口自动化脚本？
脚本生成后，能不能让智能体自己去执行、断言、分析？
执行失败了，能不能自动重试、自动定位？
大模型、RAG、智能体系统上线前，怎么评测？
企业要建智能化测试平台，你拿得出方案吗？
这门课不跟你讲空洞的AI概念。它直接告诉你：每个场景用什么技术，怎么落地，踩过哪些坑。

03 学习路径：从能力到体系
整个课程按这个路径设计：

先理解AI能力怎么用，再把AI能力接入测试流程，最后形成可落地的智能化测试体系。

不跳跃，不堆砌。每一步都有对应的实战项目。

04 课程体系总览
课程主要由以下几大模块组成。

扫码进群，限时领取大额优惠券

05 直播项目实战安排
课程直播实战围绕“AI 测试全流程”设计，重点不是单点讲工具，而是让学员看到一个智能化测试流程如何从业务文档开始，逐步完成测试点生成、测试用例生成、自动化脚本生成、用例执行、断言判断、结果分析和评测反馈。

06 核心模块一：大模型智能体工作流
这一部分主要解决一个问题：

测试人如何理解并使用大模型、RAG、Agent、MCP 和智能体工作流？

6.1 大模型
学习内容包括：

大模型原理与应用体系；
Ollama 本地部署；
Qwen、DeepSeek、GLM、Gemma 等开源模型体系；
Qwen、DeepSeek、MiniMax 等商业模型 API 调用；
Gemini、ChatGPT、Claude 等模型体系；
LiteLLM 大模型网关；
OpenWebUI 人工智能应用平台；
Dify 人工智能应用平台；
魔搭大模型管理平台；
LM Studio 本地部署。
学习价值：

理解不同大模型的能力边界；
掌握云端调用和本地部署的差异；
了解企业为什么需要模型网关和私有化部署；
能搭建基础 AI 应用平台。
6.2 提示词工程与 RAG
学习内容包括：

提示词工程体系；
结构化输出；
JSON 输出与输出解析；
工具调用提示词；
ReAct 推理；
代码自动生成；
数据自动生成；
检索增强生成 RAG；
PDF、Word、Excel 等多格式文档处理；
图片识别、OCR、语音转文本等多模态数据处理；
嵌入模型与向量检索；
Dify 知识库体系；
LightRAG 系统；
GraphRAG 框架。
学习价值：

能让模型输出更加稳定、可控；
能把企业文档、需求文档、接口文档接入知识库；
能基于业务知识库生成测试点和测试用例；
能构建企业内部 AI 助手、测试知识库和智能问答系统。
6.3 智能体 Agent
学习内容包括：

智能体 Agent 介绍；
智能体核心要素；
工具体系；
记忆机制；
Agent Skills 智能体技能；
OpenCode 编程智能体；
OpenCode 工具管理；
OpenCode 技能管理；
OpenCode 多智能体管理；
OpenClaw 开源智能助理平台；
OpenClaw 企业微信对接；
OpenClaw 工具管理；
OpenClaw 技能管理；
OpenClaw 多智能体管理；
Codex、Cursor、Claude Code 等编码智能体；
DeepAgents 复杂智能体开发框架。
学习价值：

理解智能体如何完成复杂任务；
掌握工具调用、任务拆解、上下文管理、多智能体协作；
为后续测试智能体开发打基础。
6.4 工具与技能
学习内容包括：

MCP 协议介绍；
mcporter 技能；
Playwright MCP；
Mobile MCP；
Appium MCP；
接口自动化智能体；
文档格式处理工具；
视频处理工具；
图表生成工具；
霍格沃兹 App 智能体；
Superpowers；
OpenSpec。
学习价值：

掌握 AI 调用工具的基本原理；
能把 Web、App、接口自动化能力封装为智能体可调用工具；
理解自然语言如何驱动测试工具执行任务。
6.5 工作流与智能体平台
学习内容包括：

Browser-use 智能体；
腾讯 AppAgent 智能体；
Coze 人工智能应用平台；
N8N 自动化工作流平台；
LangChain；
LangGraph；
DeepAgents；
霍格沃兹爱测智能化测试平台；
Claude Code、Cursor、Codex 等智能编码工具。
学习价值：

理解智能体从单点能力到平台化应用的演进；
能根据不同业务场景选择合适的 AI 工具链；
为企业级智能化测试平台建设打基础。
07 核心模块二：智能化测试
这一部分是课程的核心。

它主要解决：

AI 如何真正进入测试设计、自动化脚本生成、用例执行、断言判断和测试平台建设？

7.1 用例生成智能体
学习内容包括：

基于大模型生成业务测试用例；
基于 RAG 生成业务测试用例；
基于多智能体生成业务测试用例；
需求解析；
场景拆解；
边界条件识别；
覆盖设计；
用例评审；
自动优化。
学习价值：

减少人工编写测试用例的重复劳动；
提升需求分析和测试设计效率；
让测试用例更容易结合业务知识库持续更新。
7.2 自动化用例生成智能体
学习内容包括：

Web 自动化用例生成智能体；
App 自动化用例生成智能体；
接口自动化生成智能体；
页面解析；
元素定位；
操作步骤生成；
断言设计；
Selenium / Playwright 脚本生成；
Appium 脚本生成；
Pytest / Requests 脚本生成。
学习价值：

从“人工写脚本”升级为“AI 辅助生成脚本”；
降低自动化测试用例编写成本；
提升自动化测试框架的智能化程度。
7.3 用例执行智能体
学习内容包括：

Web 用例执行智能体；
App 用例执行智能体；
接口用例执行智能体；
页面操作执行；
设备控制；
接口请求执行；
断言判断；
执行结果分析；
自动重试；
异常处理；
日志分析。
学习价值：

让智能体不只是生成测试用例，还能执行测试任务；
实现从用例设计到自动执行的闭环；
为智能化测试平台建设打基础。
7.4 专项测试智能体
学习内容包括：

性能测试智能体；
安全测试智能体；
用户端性能分析智能体；
代码静态测试智能体；
代码动态测试智能体；
代码评审智能体；
缺陷溯源智能体。
学习价值：

将性能、安全、代码质量、日志分析等专项能力智能体化；
让 AI 不只是做文本生成，而是参与真实质量保障流程；
提升问题定位和缺陷分析效率。
7.5 智能化测试开发
学习内容包括：

数据驱动测试自动化框架；
Web 测试自动化框架；
App 测试自动化框架；
接口测试自动化框架；
智能化测试平台开发；
模型驱动测试体系；
AltWalker；
GraphWalker；
智能探索测试智能体。
学习价值：

从单个脚本能力升级为测试体系能力；
理解智能化测试平台如何设计；
掌握模型驱动测试、知识驱动测试、智能探索测试等更高阶测试方法。
08 核心模块三：人工智能产品测试
这一部分主要解决：

AI 产品、大模型应用、RAG 系统、智能体系统到底怎么测试？

8.1 人工智能概念基础
学习内容包括：

专家系统与机器学习；
特征、模型、参数与超参数；
逻辑回归；
信用卡反欺诈案例；
推荐系统案例。
学习价值：

建立 AI 系统基本认知；
理解模型不是“黑盒魔法”，而是数据、特征、模型和评估共同作用的结果。
8.2 人工智能系统架构
学习内容包括：

人工智能与大数据；
云计算与边缘计算；
自学习与数据闭环；
模型实时训练与迁移学习。
学习价值：

理解 AI 系统在企业中的整体架构；
理解数据闭环、模型更新和持续学习对质量保障的影响。
8.3 数据质量
学习内容包括：

训练集、验证集、测试集；
数据采集注意事项；
数据分布带来的性能差异；
数据质量保障方法。
学习价值：

理解数据质量对 AI 系统效果的影响；
掌握 AI 系统测试不能只看功能，还要关注数据分布和数据质量。
8.4 计算机视觉
学习内容包括：

神经网络与深度学习；
图像处理与卷积神经网络；
目标检测；
OCR；
边缘计算；
大模型原理和测试方法。
学习价值：

理解视觉类 AI 系统如何工作；
掌握目标检测、OCR、视觉识别等典型场景的测试方法。
8.5 大模型测评与测试
学习内容包括：

大语言模型测评体系；
文本生成系统测评；
RAG 相关系统测评；
多模态大模型系统测评；
智能体系统测评；
AI 系统安全测评。
学习价值：

掌握 AI 系统评测指标和评测流程；
能围绕大模型、RAG、智能体构建测试数据集和评测报告；
理解准确性、稳定性、安全性、鲁棒性等 AI 系统质量维度。
09 核心模块四：大模型应用开发
这一部分主要帮助学员具备 AI 应用开发和智能体开发的工程基础。

9.1 LangChain
学习内容包括：

LangChain 生态介绍；
大模型调用；
结构化输出；
工具调用；
智能体；
记忆机制。
学习价值：

掌握大模型应用开发的基本框架；
理解链式调用、工具调用和智能体流程。
9.2 RAG 应用开发框架
学习内容包括：

文档加载器；
文本分割器；
嵌入模型；
向量存储；
语义检索；
网页数据检索智能体；
代码检索智能体。
学习价值：

能构建文档知识库；
能把需求文档、代码、接口文档转化为可检索的知识资产；
为测试用例生成和代码分析智能体打基础。
9.3 AI Agent 开发框架
学习内容包括：

LangGraph；
多智能体工作流；
DeepAgents；
上下文管理；
文件处理；
网络请求；
子智能体。
学习价值：

掌握复杂智能体开发方法；
理解智能体任务规划、状态流转和多 Agent 协作。
9.4 AI 应用平台开发框架
学习内容包括：

Web 自动化智能体框架开发；
App 自动化智能体框架开发；
接口自动化智能体框架开发。
学习价值：

能结合自动化测试场景设计 AI 应用框架；
为测试平台和测试智能体开发打下基础。
9.5 自动化智能体开发
学习内容包括：

FastAPI；
Gradio；
Streamlit；
Flask；
Dash；
霍格沃兹爱测智能体平台。
学习价值：

能把模型能力、智能体能力封装成可访问的服务；
能开发简单 AI 应用、演示工具和内部平台原型。
10 核心模块五：多模态大模型与 AIGC
这一部分覆盖图像、语音、视频、多模态和内容生成相关能力。

学习内容包括：

Whisper 语音识别模型；
Qwen-VL 多模态大模型；
文生图大模型；
文生视频大模型；
图生视频大模型；
ComfyUI 视频工作流；
多模态大模型提示词；
OpenCV 图像处理；
FFmpeg 视频处理；
MoviePy 视频处理；
办公自动化智能体；
图文文章生成智能体；
流程图生成智能体；
短视频生成智能体；
多模态大模型私有部署；
VideoLingo 多语言视频翻译系统；
Dify 视频处理工作流。
学习价值：

理解多模态 AI 应用的基本形态；
掌握图像、语音、视频与测试场景的结合方式；
为多模态 AI 产品测试和视觉自动化测试打基础。
11 核心模块六：视觉与图像识别自动化测试
这一部分主要解决传统 UI 自动化中的痛点。

传统 UI 自动化经常遇到：

元素定位不稳定；
页面结构变化导致脚本失效；
弹窗、遮挡、布局错乱难以判断；
图片内容无法用传统断言判断；
App 页面缺少稳定控件树；
游戏、复杂客户端、跨端页面自动化困难。
视觉与图像识别自动化测试，就是用 OCR、OpenCV、深度学习、目标检测、页面理解等能力，增强传统自动化测试。

学习内容包括：

OCR 识别模型；
YOLO 视觉识别模型；
Transformers 视觉识别应用；
OpenCV 图像处理；
基于视觉模型的目标检测技术在自动化测试中的应用；
基于图片的可视化测试技术；
基于 OCR 的自动化测试；
Airtest 游戏自动化测试框架；
UI 自动化测试技术瓶颈分析；
传统 CV 处理技术；
机器学习视觉处理技术；
UI 页面理解技术；
UI 页面结构树逆向解析；
UI 页面理解服务化；
UIDiff 检测技术；
无参照模型预测技术；
基于深度学习的遍历动作推荐实践。
学习价值：

让自动化测试具备“看图识别”的能力；
提升 UI 自动化在复杂场景下的稳定性；
支持视觉断言、图片对比、弹窗检测、异常页面识别等高级场景；
为智能探索测试和视觉自动化平台建设打基础。

扫码进群，获取完整版大纲
12 赠课与基础能力补齐
为了帮助不同基础的学员更好学习，课程配套赠送以下能力补齐内容。

赠课的价值在于：

帮助基础薄弱学员补齐工程基础；
帮助转岗学员完善自动化和开发能力；
帮助学员把课程项目更好地转化为简历表达。
13 学完可以沉淀哪些项目？

14 这些项目如何用于简历和面试？
学完课程后，不建议在简历中只写：

熟悉 ChatGPT

会使用 AI 工具

会用 AI 生成测试用例这种表达太弱，不能体现测试开发能力。

更好的表达方式是：

基于 RAG 构建业务知识库，支持需求文档解析和测试用例生成；
设计测试用例生成智能体，实现功能点、测试点、边界条件和用例自动生成；
基于 Playwright MCP 构建 Web 测试执行智能体，实现页面操作、断言判断和结果分析；
基于 Appium MCP 构建 App 测试智能体，实现移动端流程执行、异常处理和智能探索；
构建大模型 / RAG / 智能体评测方案，设计评测指标、测试数据集和评测报告；
参与智能化测试平台能力设计，实现 AI 用例生成、自动化用例生成、执行调度和报告分析闭环。
这种表达更能体现：

你理解 AI 技术；
你理解测试场景；
你有工程化落地思维；
你能把工具变成项目能力。
15 学习方式与服务保障
15.1 授课形式
课程采用远程在线学习方式，录播 + 直播项目实战结合。

学习路径为：
录播基础预习；
周六项目实战直播；
作业提交与点评；
答疑与复盘；
项目能力沉淀。
课程资料包括：
录播视频；
直播回放；
学习计划；
课程教程；
PPT；
源码；
练习；
项目资料。
课程有效期：
课程长期有效；
本班课程视频 2 年有效期；
到期后可联系学社免费延期。
15.2 答疑与督学
课程提供多渠道学习支持：

周一至周五 09:00-22:00：助教与学委在线答疑；
每日 22:00-次日 08:59：AI 小助手响应学习问题；
周六 20:00-22:00：直播实战教学；
周一至周日：班主任督学，帮助学员跟进学习节奏；
微信群、论坛、学习平台多渠道答疑；
常见问题沉淀为答疑帖，方便后续反复查看。
15.3 工具与平台支持
课程会提供多类学习与实践工具支持。

学习工具
AI 答疑小助手；
课程学习助手；
测试容器镜像服务。
模型资源
赠 ChatGPT、DeepSeek、千问等大模型 Token 资源。
专业测试工具
测试用例生成工具；
测试智能体工具；
自动遍历工具；
安全测试工具。
就业工具
简历修改；
面试题库；
模拟面试；
职位查询；
公司信息查询；
人脉查询。
平台权益
赠送 AI 测试平台 SaaS 版免费使用权益；
帮助学员理解智能化测试平台的真实产品形态；
通过平台体验用例生成、自动化用例生成、用例执行、智能探索、知识图谱等能力。
15.4 私教与就业支持
课程提供职业发展与就业相关支持：

赠送职业发展规划私教服务；
帮助学员明确岗位方向、学习重点与简历表达；
人工智能高薪私教班专属服务：1 年内在线 12 次 1v1 大咖私教服务；
围绕项目、面试、职业发展做纠偏；
结课后提供简历指导与就业帮扶；
帮助学员将课程项目转化为面试表达。
16 授课团队与学社背景
霍格沃兹测试开发学社长期专注于软件测试、测试开发、自动化测试、性能测试、AI 测试与质量工程能力建设。

学社持续通过真实项目、企业咨询、技术培训和测试平台建设沉淀课程内容，并将项目中验证过的前沿技术与实战经验持续迭代到课程体系中。

授课团队

17 学员成长方向
学习 AI 测试开发的价值，不只是多掌握几个 AI 工具，而是让学员在岗位能力上形成新的竞争点。

未来更有竞争力的测试人，往往不只是会执行测试，而是同时具备：

测试分析能力；
自动化测试能力；
测试开发能力；
大模型应用能力；
RAG 知识库能力；
Agent 智能体能力；
MCP 工具封装能力；
AI 系统评测能力；
测试平台建设能力。
能力沉淀与职业方向

18 报名前建议重点确认三件事
18.1 确认你的学习目标
你是想转测试开发、做 AI 测试、提升自动化能力，还是希望在当前岗位用 AI 提效？

目标不同，学习重点会不同。

18.2 确认你的学习时间
课程强调项目实战，建议每周预留固定学习和练习时间。

如果只听课、不动手做项目，学习效果会明显打折。

18.3 确认你的学习预期
这门课更适合希望系统提升能力、愿意做项目练习的同学。

如果只是想听几个概念，或者希望几天内快速速成，可能并不适合。

AI 测试开发不是一个单点工具，而是一套综合能力体系：

大模型；
RAG；
Agent；
MCP；
自动化测试；
测试平台；
AI 系统评测；
视觉自动化；
多模态测试；
企业落地经验。
19 写在最后
软件测试岗位正在进入新的阶段。

过去，测试人员的核心价值主要体现在发现问题、推动修复和保障版本交付。

现在，随着大模型、智能体、RAG、MCP、AI 应用平台和智能化测试平台的发展，测试人员的价值正在进一步延伸：

从执行测试，到设计测试体系；
从编写用例，到构建用例生成智能体；
从维护脚本，到构建自动化执行智能体；
从测试传统系统，到评测大模型、RAG 和智能体系统；
从使用工具，到参与智能化测试平台建设。
人工智能测试开发班希望帮助学员完成这次能力升级。

如果你希望在 AI 时代继续提升测试开发竞争力，系统掌握大模型、RAG、Agent、MCP、智能化测试平台和 AI 系统评测能力，欢迎加入霍格沃兹测试开发学社人工智能测试开发班。

本文部分内容参考了霍格沃兹测试开发学社整理的相关技术资料，主要涉及软件测试、自动化测试、测试开发及 AI 测试等内容，侧重测试实践、工具应用与工程经验整理。