学习AI测试我的开篇经验分享做测试这行有年头了从功能测试、接口测试一路做到自动化测试原本以为测试生涯差不多就这么“定型”了。直到这两年AI这个方向彻底火遍整个技术圈身边不少同行都开始聊“AI测试”这个话题我也跟着踩了不少坑才慢慢摸到一点门道。这篇文章就从“开篇”这个角度把我学习AI测试的思路、方法、踩过的雷还有真正觉得有用的资源一次性整理出来分享给大家。不管你是刚入行的测试新人还是想从传统测试转向AI测试只要对这个方向感兴趣这篇文章应该能帮你少走不少弯路。先说清楚一个事儿AI测试目前还没有一个统一公认的定义站在不同公司的招聘要求上AI测试大体可以理解成两个方向——一个是“怎么测AI系统”另一个是“怎么用AI做测试”。前者关注AI算法模型的准确性、稳定性、安全性后者则是把AI当作工具来辅助测试提效。这两个方向我都有接触也都会在下面展开聊。1. AI测试到底在测什么学AI测试的第一步得先把“测什么”这个问题想明白。很多人一听到“AI测试”第一反应就是“让AI来帮我写测试用例帮我找Bug”这其实只对了一小半。AI测试的范畴比这个宽得多理解错了方向后面学起来就会很别扭。1.1 AI系统测试与传统软件测试最大的差别在哪我们以前做普通软件测试被测对象是明明白白的代码逻辑。你输入什么参数代码跑哪条分支输出什么结果理论上都是可预期的。测试重点放在功能逻辑、边界值、异常处理这些维度上问题大多出在“实现没按需求来”。但AI系统不太一样。AI的核心是模型模型不是按人来写的规则跑逻辑而是通过大量数据训练出来的“参数集合”。这就带来了两个传统测试很难处理的问题第一测试结果的不确定性。同一个模型同样的输入输出的可能是一个概率分布而非固定结果。比如图像识别的模型给一张图片它可能输出“猫95%狗4%其他1%”。那这次测试到底是算过还是不算过95%的置信度够不够这类问题在传统测试里根本不会出现。第二缺陷定位的困难。传统软件出Bug你翻代码、查日志总能把问题定位到某一行。AI模型出问题你连它是怎么“想”的都不知道——深度学习模型本质上是一个复杂的数学函数中间层的特征提取过程对人来简直就是个黑盒。模型准确率为什么是89%而不是95%很难从代码层面解释清楚。我一直强调一个观点AI测试的核心难点不在测试技术本身而在于被测对象的行为逻辑和传统软件完全不同。你没法用“照着需求文档一条条验证”的思路来测AI因为AI的能力边界本身就是模糊的。1.2 AI测试的两大核心方向理解了这个底层差异之后再看AI测试的两大方向就清晰多了。第一个方向测AI系统。这个方向关注的是怎么验证AI模型和AI应用的正确性、稳定性、安全性。具体包括模型的功能表现分类准不准、识别对不对、模型的鲁棒性输入有一点扰动会不会崩溃、模型的偏见与公平性模型会不会对某些群体有系统性歧视、以及模型的安全问题对抗样本能不能骗过模型。第二个方向用AI辅助测试。这个方向是把AI当成测试工具来用。比如用AI自动生成测试用例、用AI自动diff和识别UI界面变化、用AI做智能缺陷预测和定位。这几年比较火的AI自动化测试框架、智能测试平台基本都属于这个范畴。从我个人的学习体验来说建议新人先学第一个方向把AI系统的测试方法论搞明白再回头玩第二个方向会顺手很多。因为要用AI辅助测试你必须先理解AI的能力边界不然你连工具生成的结果是对是错都判断不了。2. 学习AI测试前必须补齐的五个基础能力AI测试不是说你测试功底好就能直接上手的它要求你懂一点算法、懂一点数据、懂一点统计。这些底子如果没打好后面看任何一篇AI测试的文章都会像看天书。2.1 算法原理不必会训练模型但得能看懂模型在干什么听到“算法”两个字很多测试朋友第一反应就是“这是算法工程师的活我不用学”。这个心态我太理解了因为我自己一开始也是这么想的。但后来发现不懂算法原理的AI测试工程师做的工作只能停留在表面——比如只会跑跑现成的测试工具根本不知道怎么设计有效的测试场景。那我建议学的算法知识有哪些呢优先学三类传统机器学习算法线性回归、逻辑回归、决策树、随机森林、朴素贝叶斯。这些是基础中的基础理解起来也不难。深度学习核心概念神经网络的基本结构、前向传播和反向传播的直觉理解、卷积神经网络CNN处理图像的大致流程、循环神经网络RNN和Transformer在处理文本时的大致思路。模型评估相关概念训练集/验证集/测试集的划分逻辑、过拟合和欠拟合、偏差和方差。不需要你会手推公式也不需要你会从零训练一个大模型但你必须能在别人提到“Epoch”“Batch Size”“损失函数”“梯度下降”这些概念的时候知道它们在干什么。2.2 数据质量AI模型的地基也是测试的切入口大家常说一句话数据和特征决定了机器学习的上限而模型和算法只是逼近这个上限。AI测试要关注的恰恰就是这个“上限”。一个AI模型表现不好很多时候不是算法的锅是数据出了问题。比如训练数据的标注有大量错误、数据类别分布严重不均衡、训练集和真实场景的数据分布差异很大……这些问题在模型上线前如果没被发现到了生产环境就会爆发。所以做AI测试的人必须具备基础的“数据质量评估”能力。具体来说要能看懂数据的标注格式知道如何统计分析类别分布能识别明显的标注错误还要理解数据增强Data Augmentation对模型的影响。近一年来很多大厂和标准化组织开始关注“具身智能数据集质量要求及评价方法”这类方向虽然听起来很前沿但核心逻辑其实很简单——都是围绕数据的准确性、完整性、一致性、时效性来做文章。这些思路和我们做传统软件测试时关注的需求覆盖率、用例有效性本质上是一回事。2.3 数学和统计基础不用怕只需要掌握测试用得上的那部分我发现很多测试同行一听到“数学基础”就直接劝退了。其实AI测试用到的数学知识没有想象中那么多你不需要成为数学专家但下面这几个知识点建议花时间弄明白概率论基础条件概率、贝叶斯定理、概率分布。理解模型的置信度输出、理解查准率和查全率的权衡都需要概率直觉。线性代数基础向量、矩阵、矩阵乘法。理解Embedding、理解特征空间、理解Transformer里的注意力机制线性代数是底层语言。统计学基础均值、方差、标准差、假设检验。做模型A/B测试的时候你得能判断两个模型的性能差异是真实的还是随机的。说白了学习这些数学知识的目的是培养直觉不是做研究。生活化的理解方式是概率论帮你理解“模型为什么给出一个百分比”线性代数帮你理解“模型怎么能从图片里提取特征”统计学帮你判断“模型A比模型B好到底好得明不明显”。2.4 编程能力Python绕不开但不用学到算法工程师那个深度做AI测试Python几乎是绕不开的。就算你以后想主要从事测试策略和方案设计也免不了要写一些脚本、跑一些模型的推理、处理一些数据。我最建议大家掌握的Python技能清单大概是这样的基础语法数据结构、字典、列表推导式、文件操作。NumPy和Pandas的基本操作处理数据的时候天天用。Matplotlib基础绘图画个混淆矩阵热力图、画个PR曲线对分析模型表现非常有用。一个深度学习框架的基本用法TensorFlow或PyTorch二选一即可重点学会加载预训练模型做推理而不是从头训练。不必追求自己写完整的训练代码但至少要能跑通一个开源模型的推理流程能写脚本批量处理测试数据能简单分析模型的输出结果。2.5 AI测试相关工具链从OpenAI的评估工具到第三方评测平台学好前面的基础之后工具这块就能顺利上手。AI测试工具这两年发展很快老的测试工具在应对AI场景时有些力不从心新工具又层出不穷。从我的实践来看可以分三类来学第一类是模型评估与实验管理工具。典型代表有TensorBoard、MLflow、Weights BiasesWB等。它们解决的核心问题是你跑了N次实验怎么追踪哪次的模型效果最好、用的什么参数、数据集是哪个版本。做AI测试的人员要学会利用这些工具快速对比不同版本模型的表现。第二类是AI安全与鲁棒性测试工具。比如用于生成对抗样本的ARTAdversarial Robustness Toolbox、用于模型公平性审计的AI Fairness 360等。这些工具能帮助你系统性地评估模型在面对攻击、极端输入时是否稳定。第三类是AI应用端到端测试平台。这类平台通常集成了数据管理、模型监控、在线评测的能力能帮你在模型上线后持续追踪模型的表现监控数据漂移和模型退化。初学者不用贪多先把第一类工具的用法学熟其他两类按需接触就行。3. AI测试的核心实测方法与关键指标有了基础能力接下来就到了真正动手设计测试方案的时候。这一部分我想重点讲一下测试AI系统时最常用到的核心方法和指标。这些内容也是我面试候选人的时候特别关注的考察点。3.1 混淆矩阵AI测试最基础但最重要的分析工具聊AI模型的表现绕不开混淆矩阵。我面试时发现一个现象很多转型做AI测试的测试工程师能背出准确率、精确率、召回率的公式但真给一份测试结果让他们分析就分不清哪些数据该看、哪些数据不该看。混淆矩阵长什么样四个格子对应四种情况真正例TP、假正例FP、真反例TN、假反例FN。看起来很简单但它的价值远不止“算几个指标”。举个例子。用一个图像识别模型来做一个“产品缺陷自动检测”系统在质检产线上判断一个零件是否合格。如果模型的准确率是99%听起来很高对吧但如果缺陷品本身占比只有1%而模型把所有样本都预测成“合格”准确率照样是99%。这种情况下如果用准确率这个指标去衡量模型表现极其亮眼但实际使用中一个缺陷品都找不出来生产事故就大了。这就是我强调的做AI测试不能只看准确率一定要看混淆矩阵、精确率和召回率。在缺陷检测这类场景下查全率可能比查准率重要得多——漏掉一个缺陷品的代价远比误判几个合格品严重。而这个trade-off的判断正是AI测试工程师的核心价值之一。设计AI测试用例的时候我通常会基于混淆矩阵做边界场景分析哪些类别的样本容易混淆哪些类别容易被漏检通过聚类分析错误样本往往能发现训练数据里类别不均衡或标注错误的问题。3.2 模型鲁棒性测试不能只在“正常”数据上测传统测试强调异常场景测试AI测试也一样。但AI的“异常”和传统软件不太一样——它的输入可能看起来完全正常但加入微小的、人眼感知不到的扰动后模型就可能给出完全不同的预测。这就是常说的“对抗样本”。我之前测试一个车牌识别模型的时候就遇到过一次很有趣的事一张正常的车牌照片模型能准确识别出车牌号。但把原图上某个区域用肉眼根本看不出来的噪声覆盖一下这种改动连人眼都察觉不到模型居然把数字“5”认成了“8”。这种问题放在交通稽查场景里后果可严重多了。所以做AI测试鲁棒性测试必须纳入常规测试范围。实践中常用的做法是对原始测试数据集进行各种数据增强操作如加高斯噪声、旋转、翻转、亮度调整等观察模型输出的变化幅度。使用对抗攻击工具自动生成对抗样本测试模型的“抗攻击”能力。对模型输入进行边界条件的极端测试比如超低分辨率图片、极端光照图片、残缺对象图片。在汽车车机测试领域这一点尤其突出。现在大量智能汽车的车机系统都依赖语音识别、视觉识别如果车机对某些口音、方言、光线条件鲁棒性不足测试时又没覆盖到位用户的实际体验会非常糟糕。这也是为什么“AI助力车机测试”这几年越来越被重视——本质就是在各种真实场景下测评AI模型的鲁棒性。3.3 模型偏见与公平性测试一个容易被忽略但很关键的环节AI偏见和公平性测试是很多初级测试工程师会忽略的方向。但说到AI系统的社会影响和合规风险这部分又是最核心的。所谓AI偏见指的是模型在某些特定群体或特定属性上产生了系统性的、不公平的偏差。比如一个招聘简历筛选模型如果训练数据里男性工程师的简历占绝大多数模型很可能在不知不觉中把“性别”这个特征跟“是否适合程序员岗位”关联起来导致对女性候选人不公平。做偏见测试的思路说穿了也不复杂就是从测试数据上着手构造覆盖不同群体的数据集分别评估模型在各个群体上的表现差异。常用的量化指标有统计均等差异、机会均等差异等。AI偏见测试有两类常见的技术路线一类是假设驱动的测试比如预先假设性别、年龄、地域等属性可能造成不公平然后针对性地构造数据来验证另一类是探索式的测试用机器学习方法去发现模型在哪些子群体上表现异常。这两种路线其实跟我们传统测试里的“基于需求的测试”和“探索式测试”很像。我做这类测试时发现最大的问题往往不在测试端而在于业务层面对“公平”的定义本身不够清晰——什么情况下算有偏见什么情况下只是正常的统计波动这个问题不跟业务方对齐测试做了也是白做。3.4 AI安全测试对抗攻击、数据投毒和模型窃取安全测试是传统测试里非常重要的环节AI安全测试也一样但两者的攻击面和防护手段差异很大值得花点篇幅说清楚。传统软件安全主要关注Web漏洞、网络安全、系统漏洞。AI安全则多出很多新的攻击面——集中在模型本身。比如对抗攻击刚才提到的对抗样本让模型对着正常图片给出离谱结果、数据投毒攻击者在训练数据里掺入精心设计的垃圾样本让模型学歪、模型窃取通过大量查询黑盒模型慢慢构建出一个能盗取模型能力的替代品等。这两年有一个词在行业里越来越火——AI渗透测试。它可以理解为把传统渗透测试的思想扩展到AI系统上不满足于“测一下能不能跑通”而是主动去攻击模型的薄弱环节找到让模型失效的路径。我做AI安全测试时的经验是测试策略必须分层次先做信息收集理清当前系统用到哪些模型、底座数据集是什么、接口暴露面多大再做威胁建模明确哪些攻击向量在真实场景中是比较可能发生的然后有针对性地构造攻击测试用例。如果一开始就拿着工具跑一通出来的结果基本都是“正确性报告”而发现不了真正的风险。有位前辈跟我讲过一个叫“鹈鹕测试AI”的概念虽然这个词比较小众但背后的思想很有意思——用鸟类中鹈鹕那种看起来很稳、实际上会在不经意间“翻车”的行为来类比AI系统的状态。“鹈鹕测试”的精髓在于对于越自信的模型能力越要预设它可能在哪个隐蔽场景下翻车然后针对那些“看似安全”的区域设计测试。我觉得这个思路比单纯的边界值测试更贴合AI的特性对测试设计很有启发。4. 从传统测试转型AI测试我建议的学习路径前面聊了这么多应该能看出来了AI测试不是一个孤立的技能它是一个“测试方法论 AI技术理解”的交集学科。那具体怎么学、从哪学起我结合自己摸索的经历给一个可执行的学习路径。4.1 分阶段学习计划三个月到半年的路线图我建议把学习过程分成四个阶段每个阶段大概三到六周具体节奏根据个人基础调整。第一阶段第1-3周打基础过AI概念关。这一阶段的主要任务是理解AI/机器学习/深度学习这些基本概念不需要写代码只需要搞明白核心术语和原理。推荐去B站或者慕课上找一些机器学习的入门课程就是那种幼儿园级别的都行重点是把“模型是怎么来的”“训练集是干嘛的”“准确率、召回率是什么意思”这些概念搞懂。我当年刷了不少公开课坦白讲光靠看课不行但完全不看课更不行——你得先有一个概念框架后面才能往里填东西。第二阶段第4-6周动手实践过工具关。这一阶段要开始装环境、跑代码了。先装好Python和深度学习框架然后去找一些最简单的手写数字识别、图像分类教程跑通一个最简单的模型训练和推理流程。关键不是把模型训得多准而是搞清楚整个pipeline数据怎么整理的、模型怎么喂数据、训练完怎么保存、新数据怎么加载进来、最后怎么评估效果。第三阶段第7-10周进入AI测试专项。这一阶段开始学习AI系统的测试方法。建议路径是先学混淆矩阵和模型评估指标再实践鲁棒性测试、公平性测试、安全测试等专项方向。可以去GitHub找一些开源AI模型按我们前面聊的方法自己去设计测试方案、写测试脚本、生成测试报告。第四阶段第11周-之后综合实战。把前几个阶段的技能融会贯通尝试对一个完整的AI系统做端到端的测试设计。比如一个图片分类系统、一个问答机器人、一个推荐系统从数据质量评估开始到模型功能测试、鲁棒性测试、偏见测试再到部署和监控方案全部走一遍。4.2 值得看的资料、课程和认证网上的AI学习资源太多了鱼龙混杂。我把我真正觉得有价值的整理了一份清单供大家参考避免掉进收藏等于学会的陷阱。先说课程推荐入门AI相关公开课的核心模块就够了不用全部看完。很多平台的机器学习课程质量都不错注意选择那些有课后作业的光看视频记不住。再说书籍经典的那本“西瓜书”可以做案头书但对初学者有点劝退我以前是看了一半搁置了后来有基础了再翻回来觉得豁然开朗——如果你跟我一样基础薄弱建议先看一些实战型书籍把模型跑起来再去啃理论书会舒服很多。这两年还有一些“微认证”类的在线课程像华为的人工智能初识微认证这种特点是用相对短平快的方式帮你建立对AI的整体认知适合快速入门和打底。入门之后如果想要更有含金量的背书可以关注“生成式人工智能应用工程师高级”这类职业认证它们涉及的Prompt工程、大模型应用开发、AI应用测试等知识跟AI测试的关联度非常高。4.3 学习RBAC框架以考代学的最高效路径2023年人社部发布了“人工智能训练师”国家职业标准对想系统化学习AI的人是个很好的参考框架。现在这个认证已经分成五个等级五级/初级工、四级/中级工、三级/高级工、二级/技师、一级/高级技师。我建议大家去查一下这个职业画像它明确列出了每个等级要掌握的技能点从数据处理、模型训练、模型评估到AI系统运维管理等于帮你把学习清单画好了。我这几年招AI测试工程师发现一个很蹊跷的现象有些候选人虽然没专门学过AI测试但因为考了人工智能训练师的证书反而对模型评估、数据质量这些关键知识点掌握得比专门做测试的还扎实。反过来有些科班测试出生的在这些领域反而一问三不知。所以我的观点是如果你已经具备了一两年的测试经验想快速补充AI测试的能力短板完全可以参考人工智能训练师的认证体系来梳理自己的学习地图以考代学、以练代考这是目前效率最高的路径之一。5. AI测试的典型应用场景分析与行业观察AI测试不是纸上谈兵的技术它最终要落到具体业务场景中。不同场景下AI测试的侧重点差别很大这里挑几个典型的场景展开聊一聊。5.1 智能驾驶与车机测试安全第一鲁棒性为王这几年“AI助力车机测试”是非常热门的词原因很简单智能汽车越来越依赖AI而车机系统的任何AI失误都可能直接危及人的生命安全。车机测试与一般软件测试最大的不同在于车机的环境变量太复杂了没法在实验室里完全复现。比如语音识别系统——你在安静的房间测试时识别率可能高达99%但车辆以120公里/小时行驶在高速公路上车内开着空调旁边有大货车轰鸣而过这个时候识别率还能保持多少你在北方冻得哆嗦的冬天测试和在南方的梅雨季节测试摄像头识别障碍物的效果会不会差很多做这类AI测试想在实验室里搭建一个无限逼近真实的测试环境至关重要。同时也要配合海量的真实路测数据来进行离线回放测试——把真实环境下采集的数据重新喂给模型看模型表现是否依然稳定。没有这些极端场景的覆盖车机AI的测试报告再漂亮也是空中楼阁。5.2 大模型与生成式AI应用测试一个全新的测试范式如果说传统AI模型测试已经很难那大模型和生成式AI的测试就更难了因为它的输出空间几乎是无界的。你没法给一个对话大模型设计一个固定的预期输出——同一个问题问十次它可能给出十种不同的回答。大模型测试的核心挑战从文本生成来说怎么评估“回答质量”本身就是个伪命题需要从相关性、准确性、流畅性、安全性、无害性等维度做综合评估很难用一个量化分数衡量从生成图像来说怎么判断生成图片符不符合要求好不好看更是主观到没边儿所以现在很多团队采用多模态评测模型来做自动打分。在大模型应用测试这块我目前实践下来的可行方案包括基于评分模型的自动评估、构建高质量评测集做基准测试、以及引入“红队测试”机制来人工挖掘风险。大模型应用还有一个与传统AI测试很大的不同——它依赖大量提示词和上下文所以提示词注入等安全问题也需要纳入测试范围。现在业内确实有在做AI安全测试和AI渗透测试的团队专门针对大模型应用做安全评估这个方向未来几年应该会很缺人。5.3 AI测试工程师的职业发展与能力模型聊完技术和应用最后说说“人”的问题。很多测试同行关心AI测试的职业前景想知道学了AI测试之后薪资水平怎么样、发展空间有多大。从各招聘平台的信息来看AI测试工程师的薪资普遍高于同级别的传统测试工程师而且越到高阶差距越大。因为目前市场上具备“AI技术理解 测试方法论”双重能力的人依然供不应求。AI测试工程师的能力模型我个人总结为“三横三纵”。三横是三个基础层次测试工程能力用例设计、自动化、流程管理、AI技术理解算法基础、数据基础、模型评估、业务领域知识不同行业有不同的AI应用场景。三纵是三个专业方向模型评测与质量保障、AI安全与合规测试、AI测试工具与平台开发。你至少要在一条纵向线上形成自己的差异化竞争力横向的广度决定了你能走多远纵向的深度决定了你能站多高。6. 学习AI测试中踩过的坑与避坑建议最后这部分我整理一下自己在学习和实践AI测试过程中踩过的一些坑希望能帮大家提前规避。6.1 常见学习陷阱不用怕但要有意识避开第一个坑是“学得太飘”。一开始就拿着大模型、强化学习、图神经网络这些东西死磕结果基础不牢看天书看了俩月什么都没学会。正确的打开方式是从最简单的内容开始先把逻辑回归、决策树这些搞清楚一步一步来。第二个坑是“只看不练”。AI是极度动手的学科光看视频、看文章一点用都没有。看完一个知识点立刻去跑一个实战项目跑通了才算学会。我见过太多“收藏从未停止行动从未开始”的同行光囤资料不实践两年过去了还在原地踏步。第三个坑是“忽略数据”。学AI测试最容易忽视的就是数据这一块总觉得搞数据是算法工程师的事。实际上数据分析能力恰恰是AI测试工程师最值钱的能力之一——一名优秀AI测试的价值不在于你能跑通多少测试用例而在于你能从测试数据中敏锐地发现模型的深层次问题。6.2 实战中的典型问题速查表常见问题典型表现排查方向模型训练集与测试集同分布训练时表现特别好一上真实场景就拉胯检查验证集是否参与过训练有无数据泄漏查看训练数据和真实数据分布是否一致模型类别不均衡但未识别整体准确率还行但某类样本几乎全错查看混淆矩阵中各类别的FN/FP情况按类别统计查准率和查全率评估指标选择不当测试报告显示“92%准确率”业务无法接受结合业务场景选择侧重指标尽量同时报告精确率、召回率、F1、AUC等多维度指标忽视了输入分布的漂移模型上线初期正常几周后准确率明显下降建立输入数据监控机制定期对比线上数据与训练数据的分布差异对抗样本与鲁棒性问题正常样本全过加上微小噪声就出错引入对抗样本测试在测试集上增加数据增强变换这张表只是冰山一角但如果你能把这几个问题的排查方式形成肌肉记忆日常AI测试工作里大部分问题都能找到入手点。6.3 关于AI测试学习我的几点心得体会学习AI测试这件事我自己走过了不少弯路最后总结下来有几点体会AI测试不是传统测试的完全替代而是叠加关系。传统测试的用例设计方法、缺陷管理流程、自动化测试框架在AI测试中依然适用。不要因为学了AI测试就把老本行丢了那是核心竞争力。反而AI测试更像一个让你把“测试方法论”和“技术理解”融会贯通的机会一旦打通你会发现自己的测试视野完全打开了。多混社区、多参加开源项目是提升AI测试水平的捷径。AI测试领域没有太多成熟的经验书籍可看大量的最佳实践都散落在各个公司的技术博客、开源社区和行业分享里。可以多看那些有AI测试岗位的公司发布的技术文章多关注那些活跃在AI测试方向的社区有机会的话参加一些AI测试主题的技术沙龙。国内的人工智能相关比赛也很值得关注。即使不是专业出身去参加一些像“猫狗识别”之类的入门级AI比赛也能逼着你把从数据到模型再到评估的完整流程走一遍。这类比赛往往有清晰的评测指标和排行榜对理解模型评估很有帮助——我第一份AI测试相关的面试作品就是从一个开源AI竞赛项目里整理出来的。最后再分享一个我最近在尝试的小技巧。我用一个开源的AI模型评估框架把我们测试组日常用到的图像识别类测试场景整理成了一个自动化评估脚本每次拿到新版本的模型只要跑一下这个脚本就能自动生成一个包含准确率、各类别查全率、混淆矩阵热力图和鲁棒性测试结果在内的HTML报告测试效率确实提升了不少。工具的选择不一定要多高级能把重复劳动自动化掉就是一个好工具。这大概也是“AI测试提效”这个词最朴素的落地方式了。