CeshirenTester的博客

原创 不要再重复写登录/鉴权/初始化了！一站式测试Skills仓库设计与落地

先给一张整体架构图，后面逐层拆。不是所有函数都能叫技能。输入契约：调用这个技能需要什么参数。比如“手机号登录”技能，需要手机号和验证码（或密码）。输出契约：执行完返回什么。登录成功返回token和用户信息，失败返回错误码。执行逻辑：具体的操作步骤。调用哪个接口，参数如何组装，重试策略是什么。环境声明：这个技能依赖什么环境。需要数据库吗？需要Redis吗？需要mock某个外部服务吗？有了这四个要素，一个技能才是可独立使用的。

原创 Google Colab CLI：测试开发的新工具入口

原创 Claude发布开源插件库

这对测试、开发、产品、运营团队都有参考价值：未来企业里的 AI 助手，很可能不是一个通用聊天框，而是一组按岗位、流程、工具定制出来的专业插件。Claude 开源了一套面向知识工作者的插件库，覆盖效率、销售、客服、产品、营销、法务、财务、数据、企业搜索等 11 个方向。它的重点不是“多几个插件”，而是让 AI 从聊天助手，变成更懂岗位流程、能连接真实工具、能复用团队经验的工作助手。如果是你最想要的是什么插件？

原创 Claude Opus 4.8 发布，多智能体工作流来了

这次不只是模型能力增强，更值得关注的是它开始走向“动态多智能体工作流”：一个主模型负责规划任务，再把研究、编码、分析、验证等工作拆给多个子智能体并行完成，最后统一校验结果。简单说，就是它可以先规划任务，再调度多个子智能体并行处理，比如研究、写代码、分析、验证，最后再统一检查结果。第一，模型在复杂任务上的判断力更强，尤其是编码、Agent 任务和专业知识工作，不只是回答问题，而是更适合处理长链路任务。未来写用例、改代码、跑测试、做结果分析，可能都会被这种多智能体工作流重新改一遍。这次更新有三个重点。

原创 华为OD入职全流程5步搞定！

原创 一张图看懂Agent Skills运行流程

原创 WorkBuddy 是什么？桌面 AI Agent 的工作流

原创 Cursor 把内部代码审查工具放出来了，AI 写代码之后，质量风险变了

Cursor Team Kit 这类工具出现，说明一件事：AI 编程进入团队流程以后，研发效率会继续提升，但质量治理也必须跟着升级。以前测试主要面对的是人写代码带来的问题。以后测试还要面对 AI 生成代码带来的问题：代码生成很快；改动范围更大；重复逻辑更隐蔽；复杂度堆积更快；可维护性更容易被忽略；自动化资产更容易被频繁冲击。这不是说 AI 编程不好。恰恰相反，AI 会让研发效率提升很多。但效率提升以后，团队更需要质量门禁。否则代码写得越快，测试后面接得越累。

原创 n8n 接上 MCP 后，自动化工作流开始变“会写代码”了

它不是又做了一个自动化平台，而是把 n8n 的节点、属性、操作、文档和模板能力，通过 MCP 暴露给 Claude、Cursor、Windsurf、Claude Code 这类 AI 工具，让 AI 不再只是“给你建议”，而是可以理解 n8n 的节点结构，辅助你生成、校验和修改工作流。n8n 官方文档也提到，n8n 的 MCP 能力可以让 Claude Desktop、Lovable 等客户端连接到 n8n 实例，并搜索、触发、测试、创建和编辑工作流。(n8n 文档[3])(GitHub[2])

原创 2026春招薪资陆续开奖：大厂应届生待遇，到底拉开了多大差距？

应届生的待遇，已经越来越取决于岗位价值和能力结构。不是所有大厂岗位都一样， 也不是进了大厂就一定高薪。算法岗依然是高薪高门槛方向后端开发依然是主流竞争最激烈的方向测试开发正在被重新定价，越来越值得认真准备产品、运营依然有机会，但差异更依赖业务和个人能力第一，明确目标岗位；第二，补齐核心能力；第三，做出能写进简历、也能讲清楚的项目。薪资开奖，看的不是热闹。真正有意义的，是看完之后，你更清楚自己接下来该怎么准备。你现在更关注哪类岗位？算法岗后端开发测试开发产品/运营暑期实习机会欢迎留言区聊聊。

原创 ​​从0到1学自动化测试该怎么规划？

从0到1学自动化测试，不是为了把手工测试全部替掉。它真正的价值在于：让核心回归更稳定；让质量反馈更及时；让研发交付更可控；让测试从后置验证走向过程保障；让测试工程师具备更强的工程能力。结合这张“测试工程师质量体系能力全景图”来看，自动化测试只是起点，不是终点。它向下连接基础测试能力，向上连接测试工程化、线上质量运营、质量治理和 AI 辅助测试。所以学习路径可以简单概括为一句话：先会测，再会写脚本；先能跑，再能稳定跑；先做自动化，再做质量体系。

原创 AI Agent下半场：比模型更卷的是Skill生态

2026年第一季度的态势是：五种完全不同的Agent产品在同一个窗口期涌现——OpenClaw走个人助理路径，Cowork走办公协作，Codex App走长程工程，Perplexity Computer走统一工作站，腾讯云ADP走企业平台。更关键的是，薄架构带来了一个工程上极其重要的改变——能力不再是黑盒的成品，而是可组合的模块，Skill生态就长在这一层上。Skill把原来写在人脑子里的经验——比如一个有经验的测试工程师看到接口文档自然想到的参数校验场景——拆成可调用、可组合、可复用的能力模块。

原创 Skill技术正在吃掉传统自动化框架的最后一块领地

一个数据能说明问题。今年3月，字节2026年春招中，“测试开发工程师-开发者AI”岗位直接硬性要求：对AIGC技术有一定理解和实践经验的优先，如AI Agent、机器学习、自然语言处理等。不是“会写Selenium脚本优先”，不是“熟悉持续集成/持续部署优先”——是“对AI Agent有深入理解和实践经验”、“熟悉MCP协议模型上下文协议者优先”、“有Skill封装和工程化落地能力”。不是写死了“参数A=1，B=2”的测试用例，而是定义了“当遇到参数边界问题时，应测试最小值、最大值、空值、非法值”的规则。

原创 有能力的应届生，先去投人工智能公司

别只盯着几个最热门的大厂入口。大厂当然可以投，但不要把所有机会都押在同一个窗口里。人工智能公司、机器人公司、智能制造公司、游戏科技公司、量子计算公司，都值得放进你的投递清单。尤其是有项目基础、有学习能力、有一定编程能力、愿意接受快节奏的同学，可以优先看看这类公司。因为现在很多 AI 公司缺的不是“只会背概念的人”，而是能把事情往前推的人。能写代码，能测系统，能做产品，能理解业务，能跟项目跑，能解决真实问题。这样的同学，在人工智能公司里，机会不会少。

原创 AI + Playwright 自动化测试，为什么很多人卡在第一条可运行脚本？

最近很多测试、前端、全栈同学都在尝试一件事：把需求丢给 AI，让它直接生成 Playwright 自动化测试脚本。听起来很顺。尤其是后台系统、管理端、ERP、HR SaaS、内部 OA、审批系统这类项目，页面结构相对稳定，业务路径也比较清晰，理论上很适合用 AI 批量补 UI 自动化。但真正动手后，问题很快就来了。不是 Playwright 不好用。也不是 AI 完全不会写代码。真正卡住大多数人的，是不知道怎么把测试场景讲清楚。

原创 AI 时代，测试工程师的学习路线该怎么规划？

本文部分内容参考了霍格沃兹测试开发学社整理的相关技术资料，主要涉及软件测试、自动化测试、测试开发及 AI 测试等内容，侧重测试实践、工具应用与工程经验整理。今天学一个 AI 工具，明天学一个 Agent 框架，后天又去看大模型评测，但基础测试、接口、自动化、工程化都没有打牢。还停留在功能测试、用例执行、缺陷提交，不愿意接触代码、平台、CI/CD、AI 测试。自动化和专项测试解决的是“能不能高效、稳定、深入地测”。刚入门、工作 1-3 年、想冲测试开发、想做质量平台、想转 AI 测试，路线都不一样。

原创 别只盯着 Boss 直聘了：在校生找实习和校招，还得会用这 11 个渠道

如果你现在还不知道自己适合投哪些岗位，可以先从一个简单动作开始：打开 3 个招聘平台，搜索同一个关键词，比如“测试开发实习生”。连续看 30 个岗位 JD，把反复出现的技能写下来。你会发现，求职方向一下子就清楚了。找工作不是盲目投递，而是先看清市场，再补齐能力，最后精准出手。本文部分内容参考了霍格沃兹测试开发学社整理的相关技术资料，主要涉及软件测试、自动化测试、测试开发及 AI 测试等内容，侧重测试实践、工具应用与工程经验整理。

原创 从0到1搭建测试专用Skills库：自动断言+数据构造+多模态识别

一、生成式测试来了，没人再手写“等于预期”二、测试的底层资产从“用例”变成“Skill”三、三类核心Skill的技术拆解四、三个真实场景：手工作坊 vs Skills流水线五、行业参照：OpenClaw/Claude Code的测试Skill思路六、三步落地：从第一个私有Skill到团队Skill库七、你的测试用例，还能被复用几次？最近半年，我观察到一个有意思的现象。很多测试团队开始不招“会写Selenium脚本”的人了。

原创 26届注意：这些被低估的测试岗，比卷大厂更容易上岸

其实是三种不同方向：岗位核心筛选能力音频测试工程师专项测试能力 + 分析能力 + 技术兴趣测试工程师标准测试工程能力 + 协作推动建信融通测试数据能力 + 自动化基础 + 业务理解因为面试，本质就在围绕这些展开。对测试同学很现实的一句话未来容易脱颖而出的，不只是会点点点的人。而是同时具备：测试基本功工程能力某个专项方向潜力而这三个岗位，刚好对应三种不同成长路线。不是只有大厂测试才叫好机会。有些被低估的岗位：竞争更友好，成长不差，甚至更适合校招生。尤其：智能硬件测试。

原创 Agent+MCP+Skills 重构自动化测试：从脚本生成到测试闭环

过去测试团队聊 AI，更多是在聊“能不能帮我写测试用例”“能不能生成一段自动化脚本”。但现在，问题已经变了。不少团队开始关心的是： 能不能把接口文档、测试规划、脚本生成、执行校验、失败修复、测试报告串成一个完整流程？这背后不是简单的“AI 写代码更快了”，而是软件测试的工作方式正在发生变化。以前自动化测试的核心是写脚本。现在更像是在搭一个能理解任务、能调用工具、能沉淀经验的测试智能体系统。未来测试工程师的分水岭，不是会不会用 AI，而是能不能把测试经验封装成可复用的工程能力。

原创 为什么字节/阿里的AI测试团队都在招“Skill工程师”？

一、招聘JD已经变了，但很多人还没看懂变化二、Skill工程师到底在解决什么问题三、Skill工程师的核心能力拆解四、三种模式对比：传统测试、AI测试工程师、Skill工程师五、行业对比：Claude Code / Cursor / OpenClaw的Skill实践六、Skill工程师如何落地：给你的三条实战建议七、Skill工程师就是AI测试的架构师你发现了吗，最近半年字节和阿里的AI测试团队招聘，JD里悄悄多了一个词。

原创 我用一个自定义Skill，把UI自动化维护时间从4小时压到15分钟

自愈成功后，不要立即更新代码仓库。而是生成一条日志“建议将定位器从A更新为B”，由人工在PR阶段确认后合并。这可以防止误匹配。

原创 别错过这类公司：联众优车26届校招启动，测试岗比你想象更值得冲

说实话，联众优车不一定适合所有人。别只盯互联网大厂。测试岗位机会， 正在往金融科技、产业数字化迁移。懂信息差的人， 不会只守着一条路。会多路径并行。这往往才更容易上岸。本文部分内容参考了霍格沃兹测试开发学社整理的相关技术资料，主要涉及软件测试、自动化测试、测试开发及 AI 测试等内容，侧重测试实践、工具应用与工程经验整理。

原创 AI大模型开始“接管测试”：文本、语音、视觉，谁才是效率杀手锏？

用户问题自动还原 用户上传录屏 → 自动转文字 → 自动生成问题描述。同一个需求，有人半天写完用例，有人十分钟交付一套完整测试方案。很多人觉得语音模型和测试关系不大，其实已经开始落地了。文本、语音、视觉三类大模型，怎么真正接进测试流程里。这些能力，已经开始直接参与测试流程，而不是辅助工具。已经用上AI的人，工作方式已经完全不一样了。你现在做的，是测试工作，还是在和工具对抗？四、视觉模型：自动化测试的关键突破口。语音模型解决的是“输入和输出自动化”。这一块，是很多团队开始拉开差距的地方。

原创 面试官亲述：一道“发红包”用例设计题，我凭什么给他通过？

请设计测试用例”这题，从来不是考你会不会写Excel里的Case。是在看：有没有需求拆解能力有没有风险意识有没有测试思维有没有结构化表达能力会点测试理论的人很多，但有测试思维的人很少。本文部分内容参考了霍格沃兹测试开发学社整理的相关技术资料，主要涉及软件测试、自动化测试、测试开发及 AI 测试等内容，侧重测试实践、工具应用与工程经验整理。

原创 “月薪1.4万，测试干了四年，我该往哪走？”

如果你跟我说，你主导了一个精准测试的项目，在哪些业务里落地了，覆盖了多少个版本，找回了多少个线上问题——我一听就知道，这是个带过项目、能解决问题的人。“假如你真升到管理岗，年薪20万跳槽，HR也是按涨幅给的——最多20%-30%，给你开到26万。这是现在行业的玩法。“下次面试，你要能说‘我是某某方向的专家，我在某业务里落地了什么，解决了什么问题’。他想了想说：“上一家公司，我自己做了一个性能测试，出了一份报告，让甲方换了设备。他说自己今年29岁，在成都做测试，培训入行，实际干了四年，简历上包装了六年。

原创 DeepSeek V4 全解析：百万上下文背后的技术牌，国产算力正式迈过临界点

V4 从注意力、连接、优化器三个环节同时动手，让1M 上下文不再是炫耀配置，而是 DeepSeek 所有官方服务的标配。

原创 测试工程师真的比开发低一等吗？

如果你正在准备实习、秋招、春招，或者还不知道自己适不适合走软件测试 / 测试开发方向，可以先别急着盲目投简历。你可以先把这几件事搞清楚：测试岗位到底有哪些方向？手工测试、自动化测试、测试开发有什么区别？在校生简历应该怎么写项目？没有真实工作经验，怎么做可展示的测试项目？AI 测试现在到底应该学什么？企业招聘测试开发时，真正看哪些能力？本文部分内容参考了霍格沃兹测试开发学社整理的相关技术资料，主要涉及软件测试、自动化测试、测试开发及 AI 测试等内容，侧重测试实践、工具应用与工程经验整理。

原创 微软GitHub上星标5万的Agent课，测试人该怎么吃透？

测试人可以把每个 Agent 当作一个微服务，重点验证：输入输出的 schema 是否稳定、超时和重试机制、一个 Agent 的错误是否会级联扩散。课程第4课给出了完整的工具调用代码示例。而是测试人打开第一课就卡住了——“AI Agent 是什么”“框架有哪些”“设计模式怎么选”——这些内容对开发者来说是刚需，对测试人来说却像在看另一个世界的东西。Agent 调用工具（API、数据库、代码）时，可能出错的点非常多：选错工具、传错参数、漏传必填项、工具返回异常后 Agent 的反应、工具超时处理……

原创 不会写代码也能做Skill？低代码+AI实测

Skill本质上是一个Markdown格式的、版本控制的知识模块，编码了自动化所需的方法论、命名规范、Page Object规则、定位器策略、断言方法和验收标准。但这里有一个容易被忽略的分界线：市面上很多“零代码”方案，本质是把底层的代码生成封装掉了，用户依然需要理解Skill的结构逻辑。一个发的是“今天用Cursor写了个脚本，解决了接口测试的数据准备问题”，底下跟了一堆技术讨论。另一个发的是“我用自然语言描述了一个流程，AI帮我打包成了Skill，同事直接复用”，底下清一色的“这是啥玩意”。

原创 应届生求职，别再只盯着大厂了：真正更容易拿到结果的，是这几类机会

不要把自我价值绑定在某一家公司的结果上。更不要因为没有拿到大厂 offer，就怀疑自己不够好。很多时候， 你缺的不是能力，而是一个更合理的求职视角。大厂当然可以继续投， 但真的没必要把所有希望都压在大厂上。市场上的机会，远比大家想象中要多。那些岗位真实、竞争适度、成长明确的公司，很多反而更值得应届生认真看一看。大厂可以冲，但别 all in。把投递池做宽，才更容易真正拿到结果。也希望这个春天， 你找到的不是“别人眼里的标准答案”， 而是一份真正适合自己的起点。

原创 航旅纵横APP故障18h后，各项功能才恢复正常

航旅纵横这次故障，表面上看，是一个 App 长时间异常。但对软件测试从业者来说，它更像一次被所有人看见的公开课。它提醒我们：一个系统最危险的地方，往往不是那句“服务暂时不可用”的提示本身，而是这句提示背后，为什么没有更早发现、没有更快止血、没有更稳兜底、没有更强恢复。AI 可以帮团队把开发速度推得更快，但它不会自动带来高可用，不会自动补齐容灾，不会自动写出成熟的故障响应机制，也不会在用户真正受影响的时候替团队承担责任。真正决定系统靠不靠谱的，最后还是工程体系本身。

原创 AI Skills插件开发避坑指南：从环境搭建到上线

本质上，Skills是“通用Agent的扩展包”——通过加载不同Skill包，Agent可以具备特定领域的专业能力。腾讯云在2026年的技术分享中，将企业AI Coding实践分为三个阶段：AI辅助开发（AI解决单点问题，人控制流程）、AI驱动开发（AI接管单点环节并闭环完成任务，人转为监督者）、AI原生开发（AI Agent Teams端到端闭环，人只验收结果）。Skill定义“如何做API测试”的SOP，输入具体的API定义，AI按SOP自动完成整套流程。过去测试关注的是“功能对不对”。

原创 手写一个自动断言Skill：30行代码，省你每天2小时

比如数值字段，不是简单断言相等，而是断言“在历史数据的正负20%范围内”。上个月我和几个大厂的技术总监聊，大家普遍提到一个现象：AI写代码的速度已经超过人工Review的速度，但测试左移、持续交付、质量内建这些喊了多年的口号，反而在执行层面越来越吃力。这不是测试，这是体力活。AI可以帮你生成断言代码，但AI不知道“这个金额字段允许的误差范围是多少”“这个状态枚举在什么条件下会变化”。为什么这么做：大部分接口响应的验证，不需要知道具体值，只需要知道“这个字段存在”“类型正确”“非空”“在合理范围内”。

原创 维护2000条UI自动化用例的她，问了一个问题，让我看到了APP测试的天花板

技术选型：STF难搞，可以试试Sonic这个开源替代品，支持安卓和iOS，社区活跃。职业方向：聚焦APP客户端测试，从功能到自动化到专项，搭建完整的客户端测试体系。不要分散精力，先把“一专”做深，再谈“多能”。很多时候，技术人的焦虑不是因为能力不够，而是因为方向太多。当你明确了自己的“专”在哪里，每一步该往哪走就会清晰很多。与其焦虑学不完的新技术，不如把一件事做到别人难以替代的程度。如果你也在技术选型或职业方向上遇到困惑，欢迎来霍格沃兹测试开发学社聊聊。

原创 从 OpenAI Agents 到 Claude Design、Qwen3.6，AI 应用测试该盯哪些问题？

AI 应用很容易把大家的注意力吸引到模型能力本身。但真正进业务后，很多问题最后并不出在模型，而是出在底层工程能力。比如存储、缓存、回收、长稳运行、吞吐、资源利用率、异常恢复，这些听起来更像传统工程问题，但在 AI 应用里同样关键。尤其是知识库、智能体平台、多步骤任务系统、模型服务平台，一旦数据量、调用频率和业务复杂度上来，底层问题会被放大得非常快。有些系统离线演示时看起来没问题，但一上线上量就开始出现：响应抖动状态丢失存储压力上升长时间运行后性能衰减失败任务堆积恢复机制不稳定。

原创 用 Playwright + Claude Code 做自动化测试：一套从0到1跑通的实战流程

不是因为它们“最先进”，而是更适合当前阶段的实践。Playwright的特点是接口设计比较语义化，比如点击、输入、等待这些操作本身就比较直观，这对 AI 生成代码是有帮助的。而的优势在于，它不仅依赖 prompt，还可以读取项目中的代码结构。这一点很关键—— 相比只基于描述生成代码，有上下文的生成更接近真实项目。不过需要注意： 它并不能“完全理解你的业务”，关键约束仍然需要你补充。1. 选择器过于脆弱使用 class 或 id 容易受页面改动影响，建议统一规范。2. 测试之间有依赖。

原创 为什么你投了几十份简历，还是约不到一次面试？

找工作最让人难受的一点，不是被拒绝。而是你明明认真准备了很久，却连一次被看见的机会都没有。但很多时候，问题不是你不够好。而是你的简历，没有把你的价值准确地交到对方面前。所以别再把简历当成“我做过什么的汇总”了。我为什么适合这个岗位的证明。一旦这个逻辑变了，你写简历的方式会完全不一样。你投出去的结果，也往往会完全不一样。愿每一个正在找工作的同学，都能少一点石沉大海，多一点被看见、被约面、被认真对待的机会。

原创 50个 Claude Code 日常使用技巧与最佳实践

这类小定制表面看起来不重要，实际上很影响长期体验。一个你愿意每天打开、愿意一直用下去的工具，往往不是靠一个大功能赢下来的，而是靠大量小细节慢慢积累出来的。很多人以为，Claude Code 拼到最后，比的是谁提示词更会写。真正拉开差距的，往往不是这个。而是你有没有把它放进一套稳定的工程习惯里：复杂任务先计划改完必须验证上下文脏了就清规则能沉淀就沉淀机械动作尽量自动化高风险操作一定设边界能并行的任务就别全串行堆着做。

原创 字节开源 DeerFlow 2.0：智能体开始“自己干活”了

这类框架的出现，其实说明一件事：AI 已经从“辅助工具”，进入“执行系统”阶段接下来会发生的变化很明确：不再只是 Copilot而是可以“接活干活”的 Agent对测试开发来说：会写脚本，不再是优势会设计“智能体流程”，才是新的分水岭如果你最近在做：AI 测试Agent 自动化或者想把测试体系往智能化升级DeerFlow 这类框架，已经值得你花时间认真研究一轮了。