2026年第 1 期《AI 自动化测试 》课程，开学啦!

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）

web 端功能测试执行结果

一个表单提交页面，自动生成的测试用例

执行完成后，只需看结论

APP 端功能测试执行

自然语言描述测试用例

执行结果

有完的测试记录，并且每个步骤都有截图验证

最后看结论 （本来我只需简单测下发布功能+列表页显示，结果它在退出账号，登录新账号的过程中意外发现其它的BUG）

## 补充观察（非用例内结论）

1. 「我的」页底部的「退出账号」入口在 900×1600 分辨率下被底部导航遮挡一部分，需点击卡片露出的上半部分才能触发，视觉上不够完整，建议排查底部导航栏与页面内容的 padding/insets 适配。
2. 「我的」页内容不可上下滚动，底部退出入口与导航栏重叠，属于同一布局问题。

最后发现: 「我的」页底部的「退出账号」入口在 900×1600 分辨率下被底部导航遮挡一部分 确实存在BUG！

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：

1. 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
2. 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
3. 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
4. 环境搭建：准备测试环境、构造测试数据、配置依赖服务与 Mock
5. 测试执行：执行手工测试、回归测试、冒烟测试，记录结果
6. 缺陷管理：提交、跟踪、验证缺陷，输出缺陷分析报告
7. 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
8. 专项测试：性能压测、安全渗透、兼容性、稳定性等专项测试
9. 质量报告：输出测试报告、质量度量（覆盖率、缺陷密度、逃逸率）
10. 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）

2. 自动化脚本层面

• 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）

3. 测试数据与环境

• 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

4. 缺陷分析层面

• 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

5. 专项测试层面

• 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

6. 报告与度量层面

• 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

7. 学习与效率层面

• 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。