城下秋草‘s Blog

AI时代的到来，对测试工程师而言，不是末日，而是一次前所未有的机遇。它把我们从重复劳动的枷锁中解放出来，让我们有机会去从事更具创造性、战略性和影响力的工作。我们不再是流水线上的质检员，而是产品质量的“总设计师”，是用户体验的“守护神”，是团队高效协作的“催化剂”。所以，无需恐慌，从现在起，把AI看作自己的“超级副驾”，去学习它，驾驭它，然后，回归我们价值最大的地方，去发现风险，去真正为质量保驾护航。

ISTQB®发布全球首个生成式AI测试认证（CT-GenAI）大纲，为测试专业人员提供系统化知识体系。认证涵盖五大核心能力：理解生成式AI原理、掌握提示工程技能、识别AI测试风险、应用AI测试解决方案及制定实施策略。内容体系包括生成式AI基础、提示工程技术、风险管理、测试基础设施和组织集成等核心模块。认证要求持有基础级证书，考试采用综合应用题形式。该认证将帮助测试人员提升AI测试效率与质量，同时管控相关风险，推动行业创新发展。详情可查阅CSTQB官网。

摘要： 随着AI大模型发展，"提示词工程"正演变为更强大的"上下文工程"。传统提示词工程在复杂任务中暴露出局限性，无法有效管理状态和多维信息。上下文工程将大模型生成结果前接触的所有信息纳入考量，包括系统提示词、用户提示词、对话历史、长期记忆、RAG检索增强、结构化输出和工具调用能力。其核心在于动态构建精准匹配的信息系统，而非静态模板。这一演变反映了AI应用从简单交互向复杂系统集成的转变，本质仍是优化人机沟通的有效技巧。

摘要： AI编程工具（如Copilot、Cursor等）显著提升了开发效率，降低了技术门槛，但其生成代码存在质量隐患。AI可能因信息不足而脑补错误逻辑，导致调试耗时；代码易臃肿且解耦性差；甚至通过硬编码“作弊”呈现虚假效果。这些问题对应用的可扩展性、性能和安全构成挑战。测试工程师需结合传统验证与白盒分析，重点关注AI生成代码的薄弱环节，并利用AI辅助测试工作。尽管AI编程潜力巨大，但高质量产品仍需人工把控，测试人员的角色在AI时代将更加关键。

智谱AI推出的源码解析服务Zread.ai（https://zread.ai/）是一款强大的开源项目分析工具。用户只需输入GitHub项目地址或将链接中的github.com替换为zread.ai，即可获取包括安装部署、架构分析等全面信息。工具还支持AI深度交互，通过"Ask AI"功能可获取项目详细解析。除热门项目外，用户也可主动索引新项目或个人项目，私有仓库通过授权同样适用。该工具极大提升了开发者理解开源项目的效率，是技术调研的强力助手。

"测试已死"论调的反思与测试价值的重估2011年Google工程师提出"测试已死"的论断，引发了行业对测试角色的大讨论。十多年来，这一观点随着自动化测试工具兴起和AI技术发展而周期性出现。然而，测试行业真正的危机在于对测试本质的误解：将测试简化为"检查"活动，过度依赖自动化脚本而忽视探索性价值。测试的核心价值在于发现未知风险、理解产品不确定性、模拟用户行为等创造性工作。技术变革只是改变了测试的形式而非其必要性，测试不会消亡，而是不断进化发展。未来测试人员需要坚守核心价值，同时拥抱新技术，实现测试角色的升级

对于一个个性化的AI助手，如果每次交流它都“失忆”，不能指导你的偏好和习惯，这种体验无疑是令人沮丧的。正是为了解决这一痛点，一个名为 `Mem0` 的开源项目应运而生。它旨在为AI应用提供可扩展、持久且可插拔的记忆能力，让你的AI真正拥有“大脑”。

在之前的文章 【UI自动化测试的革新，新一代AI工具MidScene.js实测！】我们了解了字节跳动推出的AI测试工具， 不管是智能解析项目，测试执行还是最后的报告生成都颇为亮眼，而且除了基于浏览器的web应用，还支持了Android应用的自动化。那么这个项目具体是如何利用 AI 智能完成测试执行任务的呢？本文我们就结合 Midscene.js 的开源项目源码，对该项目的实现，以及对大模型的应用进行深入分析。

模型上下文协议（Model-Context Protocol, MCP）从推出以来，备受关注并得到了快速的应用。目前大量的AI工具均已集成了对MCP的支持。但对于他的质疑声也逐渐开始出现，比如对于它在安全方面的局限性的担忧，近期 Edgenesis 创始人 Yongli,Chen 也发文认为MCP必将失败。这里将他的主要观点梳理为本文（原文参见文后链接），大家可以做个参考和判断

昨天（2025-6-25），Google重磅开源了一个基于命令行的AI编程AgentGemini-Cli，让AI辅助编程深度集成到开发人员最熟悉的Terminal命令行界面，而且直接集成了Google最新的能力，开发者免费使用（有上限，但额度大方）。短短1天，Github上已冲到20K star，可见开发者对这款工具的热情之高！！开源项目地址： https://github.com/google-gemini/gemini-clistar记录，恐怖的垂直上升 😂😂下面我们带来开箱试用体验！

本文介绍了如何通过本地部署的Deepseek文本模型实现免费AI图像生成的方法。作者推荐使用德国AI初创公司pollinations.ai的开源API，该接口支持文生图功能，无需注册和密钥。文章详细说明了API参数配置、支持的模型类型（如动漫、写实等风格），并提供了在Deepseek中设置图像生成助手的提示词模板。通过将用户输入转换为详细描述并调用pollinations接口，本地Deepseek模型可生成指定风格的图像。附带的配置模板包含了HTML渲染规则，用户只需输入简单描述即可获得专业级AI生成图像。

在之前关于 AI 测试相关的几篇文章中，我们分别介绍了通过，以及等几个不同的 AI 浏览器工具，实现 AI 驱动自动化测试的方法介绍。而其实在这些不断涌现的新工具出现之前，还有一个更早推出（2024.11），也同样还在不断完善的AI浏览器驱动工具，其工具实现思路，为后来的相关工具提供了很多借鉴。而经过半年多40多个版本的迭代，目前最新版本0.2.5，工具功能也日臻完善。本文，我们就再来对这个 AI 浏览器做一个系统的介绍。

本文介绍了AI测试自动化的实施路线图，指出AI已从可选技术转变为必备战略优势。文章提出了6个阶段的90天实施计划：从制定策略、角色转型、工具评估到团队培训、试点实施和持续优化。重点包括将测试时间缩短80%、降低维护成本40-60%，以及如何通过AI增强而非取代测试人员角色。企业应选择支持开源代码生成和自愈能力的AI测试平台，并通过明确指标衡量成效。最终，AI测试自动化不仅能提升质量和效率，更将重塑QA团队成为创新驱动力。

随着AI大模型在软件测试领域的广泛应用，提示词工程（Prompt Engineering）已成为测试工程师提升效率的关键技能。通过精准的提示词设计，我们可快速生成测试用例、优化测试场景、生成自动化脚本、以至实现智能化的测试覆盖。那么如何更有效地在利用大模型时，让大模型更高效地协助我们得到期望的结果，好的提示词能让我们事半功倍。下文就总结下，对测试工程师而言，怎么编写出好的提示词框架。

微软发布开源AI助手Magentic UI，支持人机协同任务执行 微软近日发布了开源AI助手Magentic UI，这是一个基于AutoGen框架构建的交互式智能体系统，旨在实现高效人机协作。该系统由多个模块化智能体组成，包括总控代理、网页浏览代理、代码执行代理和文件处理代理，能够协同完成网页操作、代码生成、文件处理等任务。 Magentic UI的主要特点包括： 透明可控的交互界面，支持用户实时介入任务执行 协同规划功能，允许用户与AI共同创建和修改任务计划 操作防护机制，敏感操作需用户明确批准 计划学习

摘要： 国产AI测试工具Midscene.js由字节跳动推出，基于多模态大模型实现自然语言驱动的自动化测试。它通过截图和页面结构分析理解用户指令，自动完成点击、输入等操作，降低测试脚本编写难度。支持Chrome插件零代码操作和Playwright等框架集成，兼容GPT-4o、Qwen-VL等多种大模型。典型应用包括待办清单操作，通过.ai、.aiTap等方法实现智能测试，显著提升脚本稳定性。 （字数：149）

近日人社部发布发布公示，新增了17个新职业和42个新工种，其中在“生成式人工智能系统应用员”职业下新增了“生成式人工智能系统测试员”工种，那么这个测试行业的新增岗位，具体是做什么？和传统测试有什么区别呢？

本文就记录下在WSL中通过Ollama和CherryStudio搭建本地大模型，并将本地模型集成到VsCode的AI助手的过程分享。

WAI-ARIA(Web Accessibility Initiative – Accessible Rich Internet Applications)，即web无障碍倡议-无障碍富互联网应用标准， 是一个让Web应用可以更好支持残障人士使用的规范。而ARIA Roles是W3CWAI-ARIA规范中定义的一组属性，用于描述Web元素的功能和目的，帮助辅助技术（如屏幕阅读器）更准确地理解和传达页面内容。

上一篇文章中，我们介绍了通过vscode insiders 集成微软官方的playwright mcp并执行测试的一个基本效果。有小伙伴提问是否能在Cursor中使用？这里我也进行了尝试，答案是可以成功集成，但有点小坑。这里就跟大家分享下配置过程，以及Cursor中集成mcp以后的强大能力。让 AI 帮助我们完成大部分基本的功能测试已经不再遥远。

MCP协议是由AI公司 Anthropic（claude的母公司）于2024年11月推出的一个针对AI能力的开放协议，旨在标准化大语言模型（LLM）与外部数据源、工具之间的交互接口。而MCP Server通过这些能力，MCP Server可以为AI应用提供更加丰富的上下文操作私有数据或特定应用的能力，从而增强 LLM 的实用性。