AI测试工程师，需要具备哪些技能？

ChatGPT引领的AI浪潮出现至今已经是第四个年头。

23年各种大模型层出不穷，大家都在卷算力卷数据，从单体到多模态再到混合专家架构，大模型的能力越来越强，成本越来越低。

24年各种基于大模型的应用开始开枝散叶，从人手一个ChatBot，到AI Native工具(如Cursor)，再到AI标准开放协议(如MCP)，以及各种智能体在不同场景的落地探索。

25年开年DeepSeek爆火，引领了大模型开源的新路径；紧随其后的Manus打响了通用任务智能体第一枪，然后就是字节推出了扣子空间，百度推出了心响APP；AI的能力越来越强，随后就是各种各样的企业端落地浪潮。

如今25年已快过半，回头看你会发现，很多企业内落地AI的案例，目前都很尴尬。问题主要集中在下面两点：

• 落地场景和AI工具怎么结合，技术怎么实现？——这是一线员工角度；
• 知识库、智能体、工作流如何结合，如何创造业务价值？——这是管理者角度；

这两个问题背后的本质，我的结论是：对AI期望过高，又缺乏工程落地能力。如何理解呢？

AI是全新的生产力工具，要落地创造价值，需要解决两个问题：场景+工程。

1、所谓场景，就是找到PMF(Product-Market Fit)，即产品市场契合度。

简单理解，就是找到适合用AI来辅助甚至替换的业务场景。比如AI在数学计算、逻辑推理、信息检索、代码生成等方面具备明显优势，则落地场景选择上可以从这几个方面入手。

从软件测试角度出发，则是找到尽可能贴近标准化场景，或者更易于标准化的场景，然后落地AI，比如：监控巡检、code diff、测试数据生成、测试脚本生成。

2、所谓工程，就是技术落地能力和业务价值创造的结合。

技术落地能力，就是怎么设计技术方案，用技术实现预期目标。以AI生成测试用例为例，基于Midscene.jsAI自动生成UI自动化测试用例的代码和案例，你稍微搜一下就能找到。

看起来很简单，但这个过程中，你要解决两个问题：让AI知道要“测什么”，以及“怎么测”。这就涉及到大模型预训练，你如何投喂对应的数据，让大模型学会这两个能力。

更进一步，选择哪个大模型进行预训练？GPT？Qwen？Claude？

再进一步，投喂哪些数据？过往的需求文档？历史测试用例？还是Midscene.js官方技术文档？

甚至还有更多要解决的问题，比如大模型部署、调用和训练成本，是否有足够的资源支撑？领导是否有足够的耐心等待你产出效率和精度足够的结果？

当你解决上述这些问题之后，才算是具备了落地能力。

那么，该如何具备这些能力，转型为一名AI测试工程师呢？

首先，在日常工作中落地AI，应该对AI相关的基础理论和技术原理有一定的了解。

比如几个常见的专业术语如LLM、RAG、MCP和Agent，比如基本的本地化部署大模型，比如DeepSeek的官方提示词模版，再比如AI编码工具如Cursor。

只有对AI的基础理论、专业术语和技术工具有一定了解，才能为我们在日常测试工作场景中落地AI扫平障碍。

其次，在刚开始落地AI时，我个人更推荐从一些轻量级的项目或者场景开始。

比如：测试用例生成、测试数据对比、代码审查和评审、性能问题识别分析、AI驱动的自动化测试等场景。

先从局部开始，拿到结果和正向反馈，然后进一步扩大覆盖范围，最终达成AI TestOPS的目标。

再次，当我们有了一定的AI+测试实践经验和落地案例之后，可以考虑基于已有的经验和案例，进一步挖掘AI的效能。如果是我的话，我会在这个阶段尝试推动落地基于RAG技术的企业级AI知识库。

为什么这个阶段要做企业级AI知识库呢？原因在于，如果想让AI深入融入我们日常的测试工作，势必要做好基础建设，而AI知识库则是团队基础设施建设的必备组件。

从需求管理、项目管理，到测试用例、故障案例库沉淀，AI知识库都是AI深度融入工作场景的必经之路。

最后，则是基于轻量的技术项目和AI知识库，打造属于我们的AI测试平台。

通过已经落地实践的智能测试用例生成和测试数据对比等能力，结合AI知识库，再叠加工作流驱动的AI智能体能力，可以达成AI驱动的全链路测试覆盖，让测试团队具备AI TestOPS能力。

当然，这种深度的AI TestOPS能力并不是旦夕即可具备，需要我们长期持续的积累和推动落地实践。如果自己摸索实践不说会投入大量试错成本，且容易走弯路。

考虑到很多同学在AI方面的积累比较薄弱，我结合了最近半年以来的企业培训和落地实践案例，开发了AI+测试就业实战训练营，课程大纲如下图：