AI測試12大熱詞曝光：第一個你天天用，最后個90%的人不知道

過去兩年，測試圈聊的東西變了。以前大家聚在一起，聊的是自動化框架選哪個、接口平臺怎么搭、CI/CD 怎么接入、測試覆蓋率怎么算。現在，這些話題依然重要，但越來越多的人開始討論：AI 生成測試用例、Test Agent、RAG、MCP、自愈測試……

這些新詞背后，是整個測試工作的重心正在發生真實遷移——從“人寫腳本”到“AI 輔助設計”，從“執行自動化”到“流程智能化”。

今天，我們就拆解測試領域最值得關注的 12 個AI 熱詞。第一個你很可能天天在用，最后一個，90% 的人還不知道。

01、AI 生成測試用例

這是目前普及度最高的 AI 測試能力。把需求文檔、接口說明、用戶故事扔給大模型，它就能快速產出測試點、測試場景甚至腳本。

應用場景：一個登錄功能，包含手機號登錄、驗證碼校驗、錯誤提示、賬號鎖定。AI 幾秒鐘就能給出正常登錄、驗證碼錯誤、驗證碼過期、手機號為空、連續輸錯后鎖定等場景。

但要注意：AI 會編造不存在的規則，比如需求只要求輸錯 5 次鎖定，它可能按通用經驗寫成 3 次。AI 生成的是初稿，不是終稿，必須經過人工評審、補充和修正。

02、Test Agent

普通 AI 助手是你說一句，它回一句。Test Agent 不一樣——你給它一個目標，它會自己拆解任務、調用工具、執行測試、分析結果。

應用場景：你說“請確認這個 PR 是否影響核心登錄流程”。Agent 會讀取代碼變更 → 分析影響范圍 → 檢索歷史用例 → 生成新測試 → 執行 → 輸出報告。

這意味著測試人員不再需要手寫每一個步驟，但要學會定義清晰的目標和驗收標準。

03、Agentic Testing

這是 Test Agent 的升級版。AI 不僅執行任務，還能圍繞一個測試目標自主規劃、動態調整、持續反饋。傳統自動化是人寫死腳本，Agentic Testing 是 AI 根據當前狀態實時生成測試。

關鍵不是 AI 能不能干活，而是你能不能給它畫好邊界：哪些測試失敗可以自動重試？哪些必須人工確認？AI 能不能修改代碼？這些問題需要測試團隊提前設計好規則。

04、RAG（檢索增強生成）

RAG 的做法是：AI 在生成內容之前，先去你們的知識庫里查資料——PRD、接口文檔、歷史缺陷庫、線上事故記錄。基于真實資料再生成。

應用場景：你們的支付系統有特殊的風控規則（比如單筆超過 5000 元需要二次驗證）。RAG 能讓 AI 讀到這條規則，生成對應的測試用例。這是 AI 測試從“能用”到“好用”的關鍵一步。

05、MCP（模型上下文協議）

AI 只生成文字是不夠的。它需要能操作瀏覽器、查數據庫、讀 Git 代碼、調用 CI/CD、同步測試管理工具。MCP 就是一套標準協議，讓 AI 以統一的方式連接這些外部工具。

未來評估 AI 測試工具時，不能只看它能不能生成用例，更要看它能不能接入你現有的工程體系。

06、多模態測試

需求信息不全在文字里。原型圖、流程圖、UI 截圖、設計稿里藏著大量細節。多模態測試讓 AI 能直接理解這些圖像信息。

應用場景：AI 分析 UI 截圖，自動識別輸入框、按鈕、彈窗、狀態變化，甚至發現可訪問性問題。在需求評審階段，AI 就能根據流程圖找出遺漏的異常分支，真正做到測試左移。

07、自愈測試

UI 自動化的痛點：頁面改個 class 名，腳本就掛了。自愈測試讓 AI 在腳本失敗時自動分析原因，嘗試修復定位方式。

應用場景：按鈕的 class 變了，AI 會結合按鈕文本、頁面位置、上下文語義，重新找到目標元素。

但風險也很大：AI 可能把“提交”按鈕誤識別成“取消”按鈕，腳本雖然跑通了，但測錯了。所以自愈不能只看“跑通率”，更要看業務意圖是否保持一致。

08、LLM-as-Judge

當 AI 一次生成上百條用例，你一條條看不過來。這時可以用另一個 AI 來做初篩，評估用例質量。

它能檢查：是否覆蓋了主流程和異常流程？斷言是否具體？有沒有重復？有沒有引用不存在的字段？

但最終裁判還得是人。理想模式是：AI 做規模化初篩，人做關鍵性判斷。

09、Vibe Testing

Vibe Testing 借用了“Vibe Coding”的概念——你不需要手寫每一行腳本，只要用自然語言描述測試意圖，AI 幫你生成可執行代碼。

應用場景：你說“驗證用戶用正確手機號和驗證碼能成功登錄，登錄后進入首頁，會話狀態正確”，AI 自動轉成 Playwright 或 Selenium 腳本。

這不代表測試人員不需要技術了，相反，你得更清楚什么叫“正確的會話狀態”，什么叫“風險被覆蓋”。你的判斷力，比你的編碼速度更重要。

10、AI 幻覺

AI 幻覺指的是模型生成的內容看起來很專業，實際上是錯的。在測試場景中，這尤其危險。

常見幻覺：編造不存在的接口字段、假設需求里沒有的業務規則、寫出無法運行的腳本、把行業通用規則當成你們系統的規則。

怎么防？ 三問：需求里有依據嗎？字段真的存在嗎？是不是把通用經驗當成了本地規則？RAG + 人工抽查 + 格式約束，是目前最有效的三道防線。

11、MECE 測試拆解

MECE 是“相互獨立、完全窮盡”的縮寫。很多 AI 生成的用例是“散”的——看起來都對，但整體覆蓋不完整。

更好的做法：要求 AI 按照固定維度拆解，比如：輸入字段維度、業務流程維度、狀態變化維度、異常處理維度、權限與風控維度、數據一致性維度。

這樣生成出來的用例不是一盤散沙，而是一張有結構、可評審、可復用的測試地圖。

12、Mutation Testing變異測試

這是目前最冷門、但最有深度的概念。變異測試的做法是：故意在代碼里制造一個小缺陷（比如把 >=18 改成 >18），然后看現有的測試能不能發現它。

如果測試能發現，說明你的測試是真的在驗證業務邏輯；如果測試仍然通過，說明你的測試只是“跑過了”，并沒有真正校驗關鍵規則。

這對 AI 生成測試尤其重要——AI 很容易生成“斷言很弱”的測試，比如只檢查不報錯、只檢查頁面能打開。變異測試可以幫你揪出這些“假覆蓋”。

覆蓋率只能說明代碼被執行了，變異測試才能說明測試是否真的有效。

AI測試不是“換賽道”，而是“加能力”——給新手的3條轉行路線

看到這里，如果你是一名剛入行或準備轉行測試的新手，可能會有點慌：這么多新詞，我得學到什么時候？是不是不會AI就沒法做測試了？

別急，我想告訴你三句大實話：

• 第一，AI測試不是取代你，而是給你裝上一套“外掛”。你不需要成為算法工程師，也不需要會訓練模型。你只需要學會用好AI工具，就像當年從手工測試轉向自動化測試一樣。
• 第二，轉行AI測試，不是從零開始，而是能力升級。你已有的測試思維、業務理解、邊界分析能力，全部作數。AI幫你省掉的是重復勞動，放大的是你的判斷力。
• 第三，現在就是最好的入局時間。AI測試工具還在早期階段，沒有所謂的“資深專家”。你只要比周圍人早動手半年，就能建立明顯的先發優勢。

??想了解更多漲薪技能提升方法

??可以到公主號【Atstudy技術社區】,即可加入領取 ??????

??轉行、入門、提升、需要的各種干貨資料

??內含AI測試、 車載測試、AI大模型開發、BI數據分析、銀行測試、游戲測試、AIGC