Claude Code 上线不到半年，口碑急转直下。有人跟踪了它的思考深度变化：从 1 月底的约 2200 字符，到 2 月下旬骤降至 720 字符，3 月初进一步跌至 560 字符。降幅 67%。与此同时，一个叫 redact-thinking 的功能上线，把思考过程从界面上隐藏了。你再也看不到它到底想了多少。

你敢相信？我一行代码也没写，只靠和AI聊天，用3天时间就“肝”出一个前后端分离、带数据库的自动化平台，底层基于多模态大模型，采用视觉理解方式驱动自动化。并且安卓、iOS、Web全支持。

场景描绘：大促前夜，UI组件库升级导致40%的自动化脚本“猝死”，团队面临是熬夜修复脚本还是冒着风险缩减测试覆盖度的两难选择。面对新上线的AI客服，测试工程师无法用 assert response == “X” 来验证其回答的适宜性、安全性与合规性。

这篇文章不是讲概念，是讲我们怎么从0到1落地的——踩过什么坑，花了多少钱，哪些真的有用，哪些是智商税。

今天，我们介绍一个全新的AI智能测试平台，它通过这种渐进式、交互式的开发方式，对先进的智能体技术进行了优化升级。

在测试的工作流中，基于需求分析的准确度是AI分析的一个难点。

一个好的 skill，需要具备我上面提供的目录结构：SKILL.md：规定要如何执行这个 skill，它是 skill 的大脑，是规定工作流程的地方。scripts 目录：为了能让 skill 每一次都稳定执行历史的最佳方案，需要让大模型落地成成熟的脚本，保证后续稳定运行。

人工智能正在给软件测试带来革命性的变化。它可以自动化执行重复性任务，发现其中的模式，并加快工作流程。但它并非魔法，需要仔细的监督。如果缺乏监督，软件质量就会受到影响。测试人员必须清楚何时可以信任人工智能，以及何时需要亲自介入。这就是人工智能运用象限模型的用武之地。

首先，软件测试现在已经是开发过程中不可或缺的一部分，但随着技术的进步，肯定会有所变化。比如，自动化测试已经越来越普及，但可能到2025年会更深入，特别是AI和机器学习的应用。

上篇为大家介绍了头部企业测试岗位的招聘要求对比、核心能力模型与全流程图。本文将继续为大家介绍软件测试核心概念+职业规划。