← 查看测试简历

开发借助 AI 快速迭代时，我把测试目标与约束整理成可复用资产，以 Agent 执行接口和数据检查，结合 AI 冒烟、人工复测与证据审查作出质量判断。

场景与我的职责

商汤 AI 研究院的实验性项目需求变化快，开发使用 AI 编写代码。接口实现、数据行为和业务口径需要在迭代中持续核对。固定文档和一次性的测试脚本不足以承接每轮变化，因此我将测试任务组织为 Agent 可读取、可执行、可追溯的资产，同时负责关键路径的人工复测与业务判断。

我的工作方式

1. 明确验证目标。 结合当前需求、接口实现和历史记录，整理输入边界、异常场景、数据关系及验收口径。资料不一致时先标明待确认项，不把推断写成规则。
2. 准备可执行资产。 将方法、约束、脚本入口和证据要求放入数字测试资产库，让 Agent 能找到任务所需的上下文，并区分当前系统认知、历史执行记录和待裁决提案。
3. 执行与留证。 目前接口测试和数据库核对主要由 Agent 执行；我使用 AI 做首轮冒烟，要求保存可定位的请求、响应、数据核对及日志证据。工具运行成功或 HTTP 200 只说明检查走到了相应步骤。
4. 人工复测与裁决。 我复核异常和关键路径，人工复测有疑点的结果，再判断是否满足业务预期。发现新规则或证据冲突时，先记录差异，经过核对后才更新可复用资产。

已沉淀的证据与边界

数字测试资产库已包含系统方法、领域页面和单次执行记录。例如，企业批次筛选方法会比对接口列表与数据库预期集合，概览指标方法会核对接口结果与数据库聚合；历史企业管理和销售链路回归中也保留了 API／DB 联合检查的执行记录及未完成项。这些记录对应当时的环境与范围，不代表当前线上表现。

我的贡献是将测试目标、Agent 执行、证据审查和人工复测连成可追溯的工作链，并把可复用方法沉淀下来。当前执行比例、需求响应耗时和团队效率收益尚无同口径的新测量，本案例暂不展示这些数字。