课程简介

AI Coding 让编码效率提升近十倍，质量却不升反降。人工回归测试与覆盖率门禁难以承载十倍产出，缺陷返工抵消了提效节省的时间——质量保障已成为研发链路的瓶颈。

 多数方案止于用大模型生成用例再抱怨无效。真正要守住的是确定性执行：Agent 可探索与生成候选，但不能自己判定是否通过，信任必须从「人读过」迁到可执行、可重复、可追溯的工程证据。

 本次分享深刻思考关于AI测试的设计，围绕 AI 自动化测试全景图，展开统一规范、知识图谱、执行层、测试工厂与 AI 探索测试五个关键资产的协同构建，同时，闭环数据回流。最后总结人与 AI 的分工与展望。为行业引发的价值不在于谈如何让 AI 多写用例，而在让测试所有工作产出从”一次性“变为可沉淀、可自愈、可迭代的持续更新的工程资产。

 课程收益

目标：

1、基于Harness工程思想的围绕测试Harness工作完成的自动化测试实践

2、提供把测试从"一次性成本"转为"资产"的方法：自愈、沉淀、增量三件事同时做，破解自动化"写完即腐、越建越重"的困局，为行业相关工作提供参考。

 成功要点：

1、先立规范，再谈智能：统一规范与分层（Harness）是地基；没有它，AI 生成的只是一堆一次性脚本，无法修复也无法沉淀。

2、先能修，才敢规模化：失败用例走"失败 → 定位 → 最小修复 → 复跑"闭环，把维护成本从人扛转为系统扛，这是能扩大覆盖面的前提。

3、双向回流：逆向工程把存量系统知识固化成图谱（记忆），新需求再正向回写补覆盖（增量）；只逆向不回写，图谱会退化成旧系统的说明书。

4、红灯先分类，再分流：用例失败不直接提单也不直接改脚本——资产问题回修复闭环，产品缺陷才出单，且提交仍由人确认一次。

 启示：

1、从人工自动化走向全 AI 自动化，关键不是让 AI 多写用例，而是重新划定人与机器的边界：AI 负责探索、生成与修复候选，Harness 负责确定性地执行与判定，人只保留规则与价值的最终裁决。这一步的真正意义，是把信任的锚点从"人读过"迁移到"可复现的工程证据"，让质量保障从一次性投入变成可沉淀、可自愈、可持续复利的资产。所谓"全 AI"，终点不是没有人，而是人不再做重复劳动，只做判断与担责。

2、自动化测试的规模化，瓶颈从来不是"写了多少用例"，而是"谁来判定通过"。Harness 工程把执行、判定、复现、修复固化为一套可重复、可追溯、可自愈的工程装置，让自动化从"会跑的脚本"升级为"能作证的系统"。它是 AI 时代质量提速的地基，也是唯一无法靠生成更多代码绕过的一层——没有它，AI 只会更快地产出无法复现的噪声。

 受众人群

测试负责人，软件研发负责人，研发管理负责人，运维负责人，DevOps负责人，工程效能负责人，软件架构师，资深研发工程师以及其他对测试感兴趣的从业者。

课程周期

    0.5天（3H） 

课程大纲