智能化测试落地公开课：从大模型到Harness，再到用例生成与自动化实战

关注 霍格沃兹软件测试开发 公众号，回复「资料」, 领取人工智能测试开发技术合集

最近半年，至少有二十个测试团队的朋友问我同一个问题：智能化测试到底怎么落地？

不是问“AI能不能写用例”，而是问“我们买了平台、配了模型，为什么还是跑不起来”。有的团队花了两周搭了个RAG，生成出来的用例没法评审；有的团队让AI写Playwright脚本，结果定位符天天失效；还有的团队把大模型接进CI，Token烧得比服务器还贵，效果却一般。

问题不在模型。问题在工程链路没打通。

所以这次攒了个公开课，不讲概念，不讲趋势，只讲我们和客户团队真实落地过程中踩过的坑、跑通的链路、以及那些“早知道就好了”的经验。挑了6个最能打的主题，每一个都对应一个实际场景。

第一条：大模型与智能体Harness工程——为什么光有模型不够
很多人以为接个DeepSeek API就能让AI干活了。现实是，模型是大脑，但它没有手。

Harness才是那双手。DeepSeek Harness的架构核心是“一切皆插件”，Agent = Model + Harness。模型负责推理，Harness负责读文件、调工具、执行命令、管理上下文。没有Harness，模型只能聊天；有了Harness，它才能在你的项目里真正动手。

这条会讲清楚：DeepSeek Harness的插件体系怎么设计、Web自动化插件和App自动化插件怎么接入、视觉驱动自动化插件怎么工作。还会拆解Agent Harness的Loop循环机制——为什么有的智能体跑着跑着就偏了，有的能稳定收敛。

解决什么问题： 模型很聪明但不会干活，或者干着干着就忘了自己在干什么。

第二条：Skill、Prompt、MCP、CLI——彻底搞懂本质区别
这是被问得最多的一类问题。很多人把Prompt当Skill用，把MCP当工具调，结果Token浪费严重，效果还不稳定。

这条会讲清楚四者的边界：Prompt是单次指令，Skill是可复用的能力封装，MCP是模型与外部工具的通信协议，CLI是本地执行入口。核心是“按需加载”逻辑——什么时候该把什么信息喂给模型，什么时候该让模型自己去取。

还会手把手带大家封装第一个个人专属AI技能。不是Demo，是能直接用在测试场景里的那种：比如一个“自动提取需求文档功能点”的Skill，或者一个“基于接口文档生成异常用例”的Skill。

解决什么问题： 工具太多不知道选哪个，Token烧得快，生成结果不稳定。

第三条：用例生成智能体实战——RAG、GraphRAG与知识图谱
用例生成是智能化测试里最成熟、也最容易看到效果的场景。但“成熟”不代表“随便跑跑就行”。

这条会对比三种技术路线：基于搜索的用例生成、基于向量的用例生成、基于图谱的用例生成。讲清楚传统RAG和GraphRAG在测试场景下的差异——为什么单纯靠向量检索容易漏掉业务规则之间的关联，而知识图谱能把业务概念、业务行为、页面操作、接口请求串起来。

还会讲被测系统领域建模怎么做：从需求文档、原型设计、研发代码、被测系统探索四个来源构建业务知识库，再用知识图谱驱动用例生成。文档阅读理解智能体怎么自动提取需求，测试用例生成智能体怎么基于RAG自动生成可评审的用例。

解决什么问题： 用例写不完、覆盖度靠个人经验、历史用例维护成本大。

第四条：Web自动化测试智能体——Playwright + Opencli + MCP
传统Web自动化的死穴不是写脚本，是维护脚本。前端改个DOM，定位符全挂；换个版本，断言全废。

这条会讲Playwright MCP与智能体结合的实际方案。核心思路是：自然语言驱动，手工用例秒变自动化。测试用例意图识别、路径规划、模拟用户操作、生成智能测试报告，整套链路怎么串。

也会讲Opencli在其中的角色——怎么让智能体通过CLI调起本地浏览器、怎么处理多标签页和iframe、怎么做AI智能断言。不是纯理论，会拿真实业务系统跑一遍。

解决什么问题： 自动化脚本维护成本高、不稳定、断言能力弱。

第五条：App自动化测试智能体——Midscene + Appium + 视觉驱动
App自动化的难度比Web高一个量级。元素定位难、机型碎片化、动效和弹窗时序问题多。

这条会讲Midscene和Appium的融合方案，以及视觉驱动智能体怎么做GUI AI自动化。核心是多模态动效识别——不是靠元素ID找控件，而是靠视觉理解UI状态。Token消耗降低90%的关键也在这里：不是无脑截图上传大模型，而是结合知识图谱RAG做执行上下文管理。

还会讲App智能体框架怎么处理兼容性测试、稳定性测试、回归测试这些高频场景。

解决什么问题： App元素定位难、多机型覆盖成本高、动效和弹窗导致用例不稳定。

第六条：爱测智能化测试平台应用案例与落地路径
前面五条讲的是能力，这条讲的是怎么把这些能力拼成一条能跑的链路。

会拆解四个真实客户案例：电商客户怎么让测试工程师不学自动化就能掌握自动化能力；芯片客户怎么基于需求文档生成用例并自动化执行；车企客户怎么做车身控制、App、Web、接口的全链路测试；运营商客户怎么实现APP、小程序、公众号、支付宝服务号的多端智能化冒烟和回归。

还会讲从0到1的演进路径：先跑通哪条链路、怎么评估投入产出、什么阶段该上知识图谱、什么阶段该接自动化执行。以及四种合作方式怎么选：成品采购、定制开发、测试外包、科研合作。

解决什么问题： 不知道从哪开始、投入产出比算不清、平台买来吃灰。

这堂课适合谁听
测试工程师、测试开发、测试经理、技术负责人。尤其是那些已经尝试过AI测试但没跑通、或者正在选型阶段的团队。

不需要你懂大模型原理，但需要你有真实的测试业务场景。听完之后，你至少能判断：自己团队当前阶段该从哪个方向切入，该用什么工具，该避开哪些坑。

怎么参加
公开课时间定在09-17 20：00，线上直播。

扫码进群，报名公开课。

我们把过去一年在真实项目里跑通的链路、踩过的坑、以及项目经验，整理成一次能听懂的分享。

来听听别人怎么踩坑的，也行。

关于我们
霍格沃兹测试开发学社，隶属于 测吧（北京）科技有限公司，是一个面向软件测试爱好者的技术交流社区。

学社围绕现代软件测试工程体系展开，内容涵盖软件测试入门、自动化测试、性能测试、接口测试、测试开发、全栈测试，以及人工智能测试与 AI 在测试工程中的应用实践。

我们关注测试工程能力的系统化建设，包括 Python 自动化测试、Java 自动化测试、Web 与 App 自动化、持续集成与质量体系建设，同时探索 AI 驱动的测试设计、用例生成、自动化执行与质量分析方法，沉淀可复用、可落地的测试开发工程经验。

在技术社区与工程实践之外，学社还参与测试工程人才培养体系建设，面向高校提供测试实训平台与实践支持，组织开展 “火焰杯” 软件测试相关技术赛事，并探索以能力为导向的人才培养模式，包括高校学员先学习、就业后付款的实践路径。

同时，学社结合真实行业需求，为在职测试工程师与高潜学员提供名企大厂 1v1 私教服务，用于个性化能力提升与工程实践指导。