背景与目标

近期，公司启动了AI赋能测试领域的探索计划。作为一线测试工程师，我对此充满兴趣，并希望通过实践验证：当前AI技术能否切实减轻测试工程师的工作负担？

本着务实的态度，我制定了清晰的探索路径：

  探索（Exploration）： 调研市场上可用的AI+测试工具及方案。

  选型（Selection）： 评估并选择适合的工具/方案。

  学习（Learning）： 深入学习选定工具/方案。

  落地（Implementation）： 进行实际项目应用并产出成果。

探索方向与发现

本次探索围绕功能测试、自动化测试两个核心领域展开。结论喜忧参半，具体如下：

  1、AI辅助编写测试用例 ✅ (可行性高)

     * 代表工具/平台： DeepSeek、腾讯元宝、豆包等大语言模型（LLM）。 * 实践方法： * 遵循“分模块、少量、多次”的原则。 * 先让AI生成测试点（Test Points）。 * 基于测试点，分模块引导AI生成具体的测试用例。 * 关键点： AI生成的用例必须经过测试人员的人工核对与调整才能保证可用性。AI在此环节主要作用是提供思路和初稿，提升效率，但无法完全替代人工判断。且需要比较完善的prd文档，不然理解能力较差

  2、完全自主探索的测试工具 ❌ (当前不可行)

     * 现状： 目前市面上不存在能完全自主探索软件系统并发现所有类型Bug的工具。 * 原因： * 通用软件系统的全自主探索（需预设规则或人工初始化场景）仍面临巨大挑战。 * 对复杂业务逻辑和上下文环境的深度理解是当前AI的技术瓶颈。 * 替代方案探索： * 发现 Cursor + Playwright (基于MCP) 的组合方案。 * 原理： 利用Cursor（智能编程助手）的自然语言对话能力，调用Playwright的MCP，识别页面元素并执行用户用自然语言描述的指令。 * 效果： 用户可以通过对话形式“指导”工具探索系统

     * 优势： 探索过程更接近自然交互；可记录发现的Bug；Cursor能直接生成可执行的Playwright代码片段，为后续自动化测试提供基础。本质： 这是一种人机协作、由人引导的半自动化探索，并非真正的全自主探索。

  3、低代码界面 + AI后台引擎 ✅ (成熟可落地收费)

     * 代表工具： Testim, Mabl 等。 * 核心特点： * 前端： 提供可视化编辑器（拖拽步骤、参数化输入），显著降低非技术人员（如业务分析师）创建测试的门槛。 * 后端： 利用机器学习模型处理复杂逻辑（如动态元素定位、测试路径优化、自愈机制）。 * 核心价值： * 高效回归测试： 可录制特定业务流进行快速、稳定的回归测试。 * 自愈（Self-Healing）能力： 当UI元素发生变化（如ID、位置改变）导致定位失败时，AI引擎能尝试自动寻找替代定位策略，使测试用例得以继续执行，大幅提升自动化测试的稳定性和维护性

  4. 自动化测试框架 + AI能力集成

     * 业界实践参考： 阿里在前端自动化测试中集成AI的实践提供了有价值的思路（参考文章：如何让AI帮你做前端自动化测试？我们这样落地了）。 * 本次重点： 本次探索主要聚焦于寻找可直接应用的现成工具或平台方案。

初步选型建议

  具备较高实用价值和落地可行性的方向为

    1、AI辅助编写测试用例：

    作为提升测试人员编写测试点、测试用例的提速工具且可帮助测试人员提升测试覆盖率的！

    2、低代码界面 + AI后台引擎：

    作为构建稳定、易用且具备一定“智能”（自愈）的自动化测试能力的主要方案，降低回测成本！

  不具备较高落地可行性的方向为

    1、完全自主探索的测试工具：

     目前市面上不存在能完全自主探索软件系统并发现所有类型Bug的工具！

    2、自动化测试框架 + AI能力集成：

    学习成本大，实现效果与解决问题的能力与低代码界面 + AI后台引擎的效果差不多！

学习与成本

  1、AI辅助编写测试用例：

  学习成本低，只要认真去做确实可提升文档编写的时效，且后期使用免费！

  2、低代码界面 + AI后台引擎：

  学成成本较低，认真学习大概三天上手，介入项目使用，后期费用成本存在（可寻找国产代替方案）

  Testim.io的订阅价格如下：

• 基本版：每月39美元（年度订阅价格390美元）

• 专业版：每月99美元（年度订阅价格990美元）

落地与实现

测试用例编写已经介入项目中，在项目中使用

使用Testim.io进行了一些项目的使用实验，但现在体验时间已经过期