一、测试人在未来的核心竞争力

1、传统测试转为 AI 测试的变化

1. 传统测试人员的工作：大量时间花在执行测试上。页面功能操作、执行测试用例、提交缺陷、版本回归验证等。
2. AI 测试人员的工作：

• 设计测试的标准化流程：拆解测试流程、制定测试规则、规范输出标准、设置人工复核节点。
• 沉淀可复用测试资产：将测试经验固化为可复用的资产。搭建 Bug 库、风险库、规则库、模板库、经验库等。
• 训练 AI 测试 Skill 模型：利用测试资产，让 AI 按照测试人员的测试思维持续输出内容。

2、登录功能例子

• 手工执行测试：测试账号密码登录、测试验证码登录、测试登陆失败、测试忘记密码等。
• 设计工作步骤：拆登录方式、识别用户角色、识别异常路径、识别安全风险、生成用例、输出回归范围。
• 沉淀测试资产：账号状态规则、验证码规则、风险规则、多端登录规则、历史 Bug、安全测试清单等。
• 训练测试 Skill：输入登录需求、AI 自动生成用例、AI 自动补充风险点、AI 自动输出回归建议、AI 自动生成测试报告初稿。

3、AI 测试人员应具备的能力

        AI 的优势是根据规则填充内容到模板中、执行重复操作，能提供 80 分的初稿；要达到更全面的覆盖需要测试人员进行完善。

• 设计能力：具备设计测试流程、编写固定测试资产的能力。
• 理解能力和发散思维：理解底层业务逻辑、不限于产品提供的表面需求的能力。
• 决策能力：识别 AI 未覆盖的测试点和风险、缺陷的影响范围和程度、回归的范围等。

4、AI 测试工作流

4.1、核心定义

       它不等于让 AI 全自动干活，而是将测试经验结构化、系统化、流程化，引导 AI 贴合人的测试思维稳定产出高质量测试成果。

• 测试经验 Prompt 化：

1. 定义：把人脑里的测试经验，转化为 AI 可执行的规则。
2. 针对问题：直接简单提问生成的 Prompt 质量差，产出用例存在范围模糊、风险覆盖不全、输出不稳定等问题。
3. 高质量 Prompt：不仅仅是根据需求文档命令 AI 生成测试用例，而是说明角色，任务，核心测试点、核心风险、输出规范作为约束。

• 测试知识 Markdown 化：

1. 定义：把测试知识沉淀为固定的学习资产。Markdown 化本质是将测试经验结构化，AI 善于读取规则化结构。
2. 针对问题：单纯 Prompt 无法让 AI 长期记忆业务测试经验，难以复用。AI 无法提取学习，新人上手成本高。

• 测试流程 Skill 化：

1. 定义：本质是标准化、可复用的整套测试流程，由 Prompt、知识库、约束规则、输出格式、执行步骤、案例库组合而成。
2. 问题：仅用简单 Prompt 时，相同需求 AI 每次输出内容、结构、覆盖范围都不一致；Skill 通过固定角色、规则、输出格式、参考案例，让 AI 产出稳定统一、覆盖完整、方便复核。

• 测试动作工作流化：

1. 定义：将测试里重复、机械的测试动作拆解为标准化固定步骤，交由 AI 按流程自动执行。把个人经验变成团队流程，把临时动作变成标准资产。
2. 案例，Bug 分析 AI 标准工作流：录入 Bug 信息→提取报错现象→定位影响模块→推荐日志关键词→给出 SQL 排查思路→匹配历史同类缺陷→输出回归范围→测试人员人工确认根因与方案，产出结构化完整分析报告。

• 测试资产长期复用化：

1. 定义：收集历史 Bug、风险问题 → 用 Markdown 结构化归档，完善场景、根因、修复方案等要素 → 按模块、风险等级打标签分类管理 → 统一存储资产库 → AI 工作流自动调取使用。
2. 针对问题：多数测试团队经验仅存于老员工脑中，依靠口头传递，查找困难、新人不知情，同类问题反复踩坑，无法复用。

4.2、购物车功能测试案例

• 测试经验 Prompt 化：把人脑里库存、优惠券、并发等购物车测试经验整理成规范指令，明确 AI 覆盖范围、输出格式，给 AI 清晰的测试导向。
• 测试知识 Markdown 化：将购物车历史 Bug、高频风险、关联模块等经验结构化归档为 MD 知识库，让 AI 能够调取、学习过往业务踩坑经验。
• 测试流程 Skill 化：搭建专属购物车测试 Skill 文件夹，统一存放业务规则、生成指令、输出模板、历史缺陷、用例评分标准，固定 AI 执行逻辑，保证每次输出格式、覆盖范围稳定统一。
• 测试动作工作流化：拆解标准化执行步骤：录入需求→AI 拆解模块→识别风险→生成用例→补充边界场景→输出回归方案，最后人工复核；自动完成重复整理工作，提升测试效率。
• 测试资产长期复用化：沉淀用例、历史 Bug、风险规则、回归策略等全类测试资产；后续新任务执行时，AI 自动调取历史资产，提醒风险、补充测试点，避免重复踩坑，经验持续迭代增值。

二、引导 AI 输出高质量结果

1、如何让 AI 生成高质量的测试结果

        只告诉 AI 功能需求，那么测试结果只停留在表面功能；高级测试更关注异常路径和风险，因此除了需求文档，还需要丰富的测试经验文档：

• 边界值：测试系统最容易出现问题的位置。如登录功能，边界值大小、长度、特殊字符、SQL 注入、前后空格、空白转义字符等。
• 真实用户行为：AI 默认用户会正常使用功能，但真实使用场景用户通常会乱点。如支付功能，连续多次点击支付、多端同时支付、弱网、断网重连、支付过程中刷新等。
• 历史 Bug：反应发生过的事故，有可能重复发生。如支付功能，超卖、重复支付、MQ 重复消费、优惠券重复消费、订单状态不同步等。
• 缺陷规律：存在于历史缺陷、线上事故、老测试经验里。如支付功能，改订单状态影响库存、改支付回调影响退款、改优惠券影响结算。
• 业务风险：支付成功/失败只看了功能，但测试更关注业务风险。

2、测试 Prompt 八大结构要素

• 角色：给 AI 指定专业身份（高级测试工程师、Java 测试工程师等），决定 AI 的思考视角；无角色时 AI 只会做通用文本分析，指定角色后输出更专业、贴合技术场景。
• 业务背景：补充项目、模块、业务链路、关联系统信息，解决 AI 无项目记忆的问题；相同现象（如订单异常）在电商 / 酒店 / 金融业务风险完全不同，完整背景能让 AI 精准识别业务风险。
• 测试目标：明确本次测试侧重点（功能 / 安全 / 性能），划定 AI 的分析方向；同一登录功能，不同测试目标产出的测试点完全不一样，目标清晰才能避免泛泛而谈。
• 风险点：主动告知业务核心高危问题（支付重复扣款、订单超卖、并发锁异常等）；AI 不会自动识别业务致命风险，明确风险才能让 AI 聚焦关键场景，避免漏测核心故障。
• 历史缺陷：提供项目过往线上 Bug、高频踩坑案例；AI 无项目记忆，补充历史问题后，AI 会自动增加对应回归用例，规避重复踩坑。
• 输出格式：规定返回内容结构（用例表格、Bug 分析固定字段等）；无格式约束时 AI 输出杂乱大段文字，结构化格式能让产出可直接落地、便于评审复用。
• 测试策略：指定测试方法论（风险驱动、边界值驱动、场景驱动、性能驱动等）；不同策略会完全改变 AI 的测试思路，决定测试深度。
• 边界规则：明确输入边界、异常场景（空值、超长字符、特殊符号、超时、并发等）；边界是 Bug 高发区，AI 不会主动覆盖，手动定义边界才能完善异常覆盖。

        订单 Prompt 示例：

templates / 专业 Prompt - 订单 - 完整版.md
【1. 角色】你是一名高级电商订单测试工程师。
【2. 业务背景】@elements/02 - 业务背景 - 订单.md
【3. 测试目标】为「订单取消支持部分退款」新逻辑生成测试用例。
【4. 风险点】@elements/04 - 风险点 - 支付.md
并额外关注：订单状态机、退款金额、券返还。
【5. 历史缺陷】@assets / 历史 Bug - 支付.md
【6. 输出格式】@elements/06 - 输出格式 - 用例.md
【7. 测试策略】风险驱动 + 边界值测试。
【8. 边界规则】弱网、超时、重复点击、异常回调、并发取消。
请生成用例，并附 P0 回归清单。

3、Prompt 链路

3.1、定义

• 单一 Prompt 的问题：单一 Prompt 无法完成复杂测试工作，缺少分步拆解、上下文递进，AI 输出宽泛、漏测严重、无法精准定位根因，只能得到浅层通用答案。
• Prompt 链路：把完整测试思维拆分成多步有序 AI 任务，输入任务信息 → AI 分步拆解分析 → 人工校验判断 → 输出完整落地结论；每一步都有专属输入、定向 AI 提问、阶段性产出。让 AI 一步步分析，思路更清晰、结果更准确可控。

3.2、五大常用测试 Prompt 链路

• 用例生成链路：1.明确需求与目标。 2.识别高风险点。 3.分析边界条件。 4.梳理正常 / 异常 / 并发 / 扩展业务场景。5.结合历史 Bug 补充回归场景。 6.AI 批量生成测试用例。7.人工评审优化补全。

优势：规避漏风险、漏边界、漏异常、漏历史问题，用例覆盖全面。

• Bug 分析链路：AI 自动提取日志异常（筛选关键信息）、分析 SQL（快速查数据）、理解问题（归纳问题）、梳理服务调用链（定位异常环节）、基于证据链推导根因、输出影响范围 + 修复 + 回归建议。
• SQL 排查链路：1.输入 SQL 语句。2. AI 分析表结构（表、字段、关联关系）。3. 识别性能风险（全表扫描、无索引、大回表、排序消耗）。4.优化 SQL 建议（给出索引优化、SQL 改写、分库分表建议等）。5. 推荐排查步骤（执行计划、索引检查等）。6.生成结论与修复建议（根因+修复方案+验证方法）。7. 人工结合业务，确认方案并执行。

优势：解决测试人员不擅长复杂 SQL 调优的痛点，快速定位性能瓶颈。

• 接口测试链路（最容易 Skill 化）：1.输入接口文档。2. AI 识别请求参数（提取入参、类型、必填/选填项、示例等）。3. 识别业务规则（业务规则、依赖规则）。4. 生成正常/异常流/边界值/安全测试（生成覆盖核心业务场景正常用例、异常场景用例、边界、注入越权敏感信息相关用例）。5. 自动生成 pytest 等接口测试脚本。6. 人工补充特殊业务风险。
• 日志分析链路：1.上传异常日志片段。2. AI 提取 timeout、duplicate key 等报错关键词。3. 区分错误类型、级别、预估影响范围。4. 梳理服务调用链路，定位异常模块。5. 匹配历史同类故障，给出排查步骤。6. 输出根因推测、修复方案。

4、Skill

4.1、价值

        AI 测试的核心竞争力不在于写单句 Prompt，而在于搭建完整测试 Skill 系统。零散 Prompt 只是短期工具，Skill 才是能长期提升测试质量、沉淀团队能力的解决方案。

4.2、六大组成模块

• Prompt（prompts）：Skill 的启动入口，只负责告知 AI 本次要完成什么任务、任务边界、分析重点。本身不携带项目经验、行业测试规范。
• 知识库（knowledge）：给 AI 提供持久化、结构化的项目业务、技术经验。弥补 Prompt 无记忆的缺陷，让 AI 记住项目历史踩坑，输出有依据、贴合业务。（业务流程、模块背景、历史高频故障、通用排查方案、中间件异常处理文档等。）
• 测试规则（rules）：统一团队测试质量标准，规定 AI 必须覆盖的测试点、校验逻辑，避免 AI 漏测高风险场景。（领域规则：支付需覆盖幂等、重复扣款、事务回滚、优惠券同步；通用接口规则：空参数、Token 失效、SQL 注入、越权、重复请求校验。）
• 输出结构（outputs）：规定 AI 返回内容的固定字段、层级、表格格式。输出清晰可落地，省去人工二次整理，便于评审、沉淀、自动化处理。
• 工作流（workflows）：模拟资深测试完整思考步骤，把复杂测试任务拆分为有序分步 AI 执行流程（即前文 Prompt 链路）。分层递进分析，避免一步提问遗漏关键步骤，推理更深入、结论更精准。
• 经验资产（assets）：长期沉淀的全量项目踩坑知识库，是 Skill 的核心竞争力。（历史 Bug 库、高风险模块库、日志异常库、回归规则库。）赋予 AI “老测试直觉”，自动识别历史同类风险，提前规避重复线上事故，实现团队经验传承。

4.3、目录结构

• system/ 全局规则定义层：定义AI 角色设定、通用测试规则、全局配置、统一评审标准。
• prompts/ 任务执行入口层：标准化调用入口，可复用、可迭代；统一调度底层知识库与规则，保证每次任务执行标准一致。
• cases/ 真实故障案例库：沉淀线上真实事故、历史缺陷完整复盘案例，AI 可自动匹配同类场景，提前规避重复踩坑。
• workflows/ 分步工作流：把复杂测试任务拆解为有序分步执行流程，模拟资深测试完整思考链路。
• outputs/ 标准化输出模板：统一 AI 所有交付物的固定字段、层级结构，规范输出格式。
• scoring/ 质量评分体系：统一质量衡量标尺，AI 可自主对照规则优化输出；团队评审标准统一，减少主观分歧。
• templates/ 业务场景复用模板：沉淀各业务模块标准化测试思路、覆盖要点，属于通用场景复用工具。
• assets/ 长期核心经验资产库：沉淀团队核心知识壁垒，人员流动不会丢失经验，越沉淀 AI 越专业。

5、测试经验拆解为标准markdown文件

• 拆解 1，触发条件：绝大多数线上故障不会随时复现，仅在特定条件下触发。如库存超卖触发条件：高并发下单、锁机制缺失、缓存延迟。
• 拆解 2，业务场景：故障只会在真实业务流量场景下暴露。典型场景：秒杀支付、优惠券抢购、大流量直播下单、早晚业务高峰期。
• 拆解 3，日志特征：日志是系统最真实现场记录，关键词、报错堆栈、报错模块构成问题指纹，是快速定位根因的核心线索。如统一收录报错关键词（timeout）、异常服务模块（payment_service）、高频根因（数据库慢查询 slow query），结构化存入日志特征库。AI 自动扫描代码，提前预警隐患，形成数据库风险识别能力。
• 拆解 4，SQL 特征：慢查询、锁等待、全表扫描、事务超时等数据库类故障。结构化沉淀字段：表现（接口响应 10 秒）、高频原因（未命中索引）、SQL 特征（select *；where 条件字段未建索引）、风险等级、优化建议（建立索引；覆盖索引）。
• 拆解 5，风险等级：统一团队优先级标准，AI 自动区分故障轻重，优先覆盖高危场景，合理分配测试人力。
• 拆解 6，回归范围：故障并非孤立，会沿业务、数据、MQ 链路扩散；高级测试可预判全链路影响模块。如支付超时会连锁影响：订单状态、库存事务、优惠券状态、退款链路、MQ 消费。
• 拆解 7，历史缺陷：作为回归测试核心依据，AI 自动匹配同类模块历史缺陷，避免重复踩相同线上故障。

三、实战练习

1、安装 AI 命令行终端（CLI）

• 安装 Copilot CLI：

# 通过 npm 全局安装
npm install -g @github/copilot

# 安装完成后验证版本
copilot --version

• GitHub 身份认证：

# 启动交互式会话，会自动引导认证
copilot

# 按照提示在浏览器中完成 GitHub OAuth 授权
# 认证成功后即可开始使用

2、创建 Skill 目录

        打开终端：

        在当前项目创建：

        在系统用户创建（对所有项目生效）：

        skill 配置成功：

        创建目录：

3、编写 Skill

• SKILL.md：定义这个 Skill 完整业务执行流程、约束、输出规范，是 AI 干活的操作说明书。
• references：存放辅助参考文档，给 AI 提供额外判断依据，不直接执行，但 SKILL.md 里会引用这里的规则。
• openai.yaml：

4、使用 Skill