Agent 驱动的智能化测试_从辅助到自治-2026北京站_QECon全球软件质量效能大会-橙柚科技

优惠倒计时

8折票抢购中

团购享更多优惠

北京站 · 10月16-17日

上海站 · 9月4-5日

深圳站 · 5月22-23日

专场：Agent 驱动的智能化测试：从辅助到自治

测试是智能体落地最成熟的场景。完整拆解 AI 测试演进链路：从 AI 辅助生成测试用例、Agent 自主执行测试、自主研判结果到自主闭环修复，落地 LLM 赋能下测试左移、测试右移一体化自治测试体系，输出覆盖需求到上线全流程的智能化质量落地实践。

专场出品人：仲思宇

58同城工程效能部负责人

负责58到家测试工具体系规划与架构设计，拥有多项测试工具发明专利。深耕客户端与服务端自动化测试多年，擅长业务质量体系规划及技术赋能落地，丰富的测试平台建设与效能提升经验。

张斌

华为测试专家

华为技术有限公司GTS业务体验领域测试专家，长期在测试技术和测试工程能力领域深耕，Web GUI测试能力构建，从Web低码和无码自动化写作->LLM辅助自主探索测试->基于多模态的文本用例自主测试Agent，在多个领域广泛使用。

待定

基于多模态 Agent 的Web UI 智能化测试实践

——实现“版本转测即执行，执行即脚本，脚本即资产”

议题背景：

Web UI 产品的快速迭代特性使得传统自动化测试面临开发成本高、维护工作量大、DOM 变更导致脚本失效等困境。针对行业痛点，我们创新性的构建了基于多模态 Agent 的智能自动化测试系统，融合页面截图、DOM 结构和 OCR 文字识别，实现编号和坐标双重定位能力，统一支持 canvas 画布、GIS地图、无标签元素等复杂元素识别。通过感知、规划、校验、反思多Agent协同等机制实现文本用例自主执行与智能判断，无需人工开发维护自动化脚本。本方案已在公司多个业务线落地应用，页面元素识别率达到 90 %+，一次成功率 70 %+，月度自动执行用例 4万+，实现版本转测即自动执行，执行即可生成脚本，脚本免维护的全自动化闭环，为 Web UI测试提供了全新的技术范式。

内容大纲：
1. 业务痛点与行业技术现状分析

1.1 Web UI 测试的核心痛点：快速迭代与传统自动化的根本矛盾
1.2 行业主流自动化技术方案对比：录制回放、代码框架、低码平台的局限性
1.3 技术范式演进需求：从依赖 dom 定位到 AI 智能理解

2. 整体技术方案与创新突破

2.1 核心概念：让 AI 像人一样看懂、理解、自主执行
2.2 三大创新突破：执行范式、维护范式、能力门槛的全面突破
2.3 方案架构：多 Agent 协同+多模态识别+知识库智能检索

3. 关键技术创新

3.1 多模态元素识别技术（核心创新）

技术原理：页面截图+DOM结构+OCR文字识别的多模态融合
技术差异对比：与传统方案在定位方式、复杂元素支持、无标签元素识别上的优势
实践效果：统一支持表单、Canvas、GIS地图等各类元素

3.2 多 Agent 协同机制

Agent 角色分工：规划 Agent、感知Agent、校验Agent，反思Agent
协同创新：任务记忆共享、交叉验证、早判断机制、阻塞自愈
对比优势：动态规划自适应 vs 传统脚本线性执行

3.3 skill 知识库智能检索

按需渐进加载：降低冷启动时间，按需扩展能力
阻塞自检索：遇到执行阻塞自动补充领域知识
对比优势：Agent 能力动态生长 vs 传统架构预制操作库

4. 应用效果与价值对比

4.1 核心应用指标：元素识别率 90%+，一次成功率 70%+，月执行用例 4 万+
4.2 核心价值实现：版本转测即执行、执行即生成脚本、页面变更自适应
4.3 效率提升对比：总体交付周期从 3-4 周缩短至 1-2 天，提升 10 倍+

5. 技术创新亮点总结

5.1 范式创新：从代码自动化到智能体自动化
5.2 技术创新：多模态融合定位与多 agent 协同执行
5.3 工程创新：skill 按需加载与知识库检索

6. 适用场景与未来规划

6.1 适用场景：快速迭代的 web 产品、测试自动化转型的团队
6.2 未来规划：扩展移动端、融合性能安全检测、构建测试知识图谱

郭宁宁

百度测试开发工程师

百度测试开发工程师；一直致力于服务端、端到端测试

待定

从单点测试能力、端到端任务执行，到可信可控的 Agent 自进化体系

议题背景:
AIQA作为智能研发四层框架中的质量保障层，度小智作为AIQA面向真实测试场景打造的智能测试Agent，正在尝试让AI从一张需求卡片出发，自动完成需求理解、风险分析、Case生成、环境准备、测试执行、缺陷识别和质量报告。
但当Agent从“辅助生成”走向“自主执行”，新的问题也随之出现：Agent声称完成是否等于真实完成？长流程能否在会话结束后继续运行？多个Skill如何稳定协作？如何避免重复建Bug？线上失败又如何转化为下一轮能力改进？
本次分享将结合真实任务案例，介绍AIQA与度小智从单点能力建设到端到端质量闭环的演进过程，并重点分享我们如何通过确定性Workflow、结构化状态、独立结果判定、真实执行证据和Skill进化机制，让智能测试逐步实现“能执行、能闭环、结果可信、持续进化”。

内容大纲:
1. 智能测试不是一个大模型加一个Prompt

1.1 真正的智能测试需要：
1.2 模型推理能力

1.2.1 测试领域Skill

1.2.2 确定性Workflow
1.2.3 外部执行平台
1.2.4 状态和证据体系
1.2.5 验证与发布治理

1.3 模型适合处理理解、分析和决策；确定性系统负责状态、顺序、幂等、校验和恢复。

2. Agent说“完成”不等于任务真的完成

2.1 测试成功必须由真实证据证明：

2.1.1 是否生成正式Case；
2.1.2 是否搭建真实环境；
2.1.3 是否向Kami或Server执行器提交任务；
2.1.4 是否实际执行Case；
2.1.5 是否产生完整结果；
2.1.6 是否生成报告；
2.1.7 是否创建真实Bug。

2.2 最终结论不能只依赖Agent自然语言总结。

3. 自进化不是让AI无约束地修改自己

3.1 正确的自进化是：

真实任务暴露问题
→ 自动归类问题
→ 沉淀可复现样本
→ 形成原子能力改进
→ 冻结验证标准
→ 隔离修改
→ 独立验证
→ 灰度发布
→ 效果回流

3.2 AI可以负责发现和修复，但验证标准、预算和发布门槛必须由系统控制

听众收益：
1. 一张需求卡如何转化为完整测试任务；
2. AIQA目前已经具备哪些测试能力；
3. Agent进入真实测试流程后出现了哪些新问题；
4. 如何通过工程化手段保证结果可信和流程闭环；
5. 如何从线上问题中持续推动Skill能力进化；

牛文芳

浙银理财测试组质量保障专家

2025.12加入浙银理财金融科技部，任职质量保障专家，负责浙银理财资产管理相关系统质量保障工作，长期从事质量工程、测试平台和AI工程化实践，浙银理财AI质量门户平台负责人；2018-2025年曾就职于阿里巴巴淘天集团，负责淘宝营销基础链路质量保障和淘天集团大促全链路表达预演；

待定

Multi-Agent + 知识图谱保鲜驱动的复杂金融监管规则智能测试实践

议题背景：
银行理财资管风险限额业务规则复杂，涉及 120+ 监管限额条目、30+ 指标因子，以及产品条件、资产条件、穿透条件等多维约束。需求变更时，回归场景规模大，传统测试依赖人工判断影响范围，存在评估不准、成本高、效率低等问题。本项目构建了基于 Multi-Agent 的限额智验质量门户，串联知识图谱智能引擎 Agent、知识图谱保鲜 Agent、数据工厂 Agent 和限额智验 Agent，实现需求变更识别、图谱保鲜、回归范围推荐、数据准备、自动化校验与结果分析闭环。方案通过DSL/YAML 建模限额规则，基于 Neo4j 构建规则、指标、因子的血缘关系，并以 Harness 规范约束 AI Coding 和 Agent 执行过程，保障线上库、测试库、YAML 文件与知识图谱一致。落地后，支持全量回归场景，回归效率提升120 倍，线上缺陷逃逸率下降60%。

内容大纲：
1. 项目背景与挑战

1.1 银行理财限额测试业务现状

1）120+ 监管条目、30+ 指标因子、条目涉及的产品条件、资产条件、穿透条件等较多，需求变更时各种条件层层叠加，变更影响面难评估，测试/回归场景规模大；

1.2 测试挑战：
1）传统自动化执行时间较长性能差跑不动，当需求变更时主要是依赖人工测试，人工成本高、效率低、且没有有效的度量手段保障回归是否完整；

2. 整体产品方案：

2.1 建设高性能、精准可度量的Multi-Agent 限额智验质量门户：

1）自然语言入口 -> 知识图谱保鲜 -> 影响范围智能推荐 -> 数据工厂一键造数 -> 自动化校验 -> 结果分析，实现限额自动化任务调度、执行追踪、结果查看、差异分析全链路闭环；

2.2 构建闭环协作Agent链：

1）知识图谱智能引擎 Agent：限额条目结构化存入知识图谱，当条件因为变更时，可以根据血缘关系推荐出影响范围；
2）数据工厂 Agent：自动匹配限额条目和指令数据关系，一键自动化造数；
3）限额智验 Agent：串联知识图谱智能引擎推荐出测试范围->数据工厂自动获取测试数据->自动化用例执行校验结果->结果分析全链路闭环；

4）知识图谱保鲜 Agent：让知识图谱从“静态资产”变成“持续更新的规则底座”；

3. 整体技术方案实现：

3.1 Harness规范+AICoding落地知识图谱智能引擎推荐和保鲜：

3.1.1 限额条目规则建模沉淀知识图谱血缘：

1）DSL+YAML 抽象 rule_id + formula + metrics ；
2）条目与因子条件实体建模：建立条目与指标因子、规则、产品条件、穿透条件之间的关系；
3）YAML 到图谱：解析规则文件->提取实体关系->生成 Cypher写入 Neo4j；

3.1.2 知识图谱智能引擎Agent+RAG召回出测试范围：

1）自然语言输入需求变化->RAG血缘召回->精准推荐测试//回归范围；

3.1.3 知识图谱保鲜 Agent：让图谱从“静态资产”变成“持续更新的规则底座”：

1）保鲜原因：线上库、测试库、DSL/YAML 和知识图谱之间会随版本持续漂移，依赖人工线下约定 SOP，容易出现更新遗漏、口径不一致、责任边界不清；
2）保鲜链路设计：自然语言输入->自动同步线上库与测试库差异 -> 建立库表与DSL YAML 映射->Agent 自动更新 YAML Prompt -> YAML 自动更新至知识图谱；

3.1.4 Harness工程搭建知识图谱智能引擎和保鲜Agent优势：

1）传统：人工写代码生成知识图谱->跑脚本->线上库限额规则发生变化->线下约定SOP同步->人改代码->再跑脚本更新图谱（慢、滞后、易错）；
2）Harness式：用一个强Agent（codex）搭建知识图谱智能引擎和保鲜Agent，把 AI Coding 从“对话式生成”约束为“有输入、有步骤、有校验、有产物”的工程流程：自然语言输入-自动同步线上库与测试库差异 -> 保鲜Agent 自动更新结构化 YAML Prompt -> YAML 自动更新至知识图谱->智能推荐Agent RAG血缘关系召回->精准推荐出测试/回归范围，将复杂金融规则的限额模块的回归范围由难评估到只需要输入“自然语言指令”就可以变得精准可度量（快、实时、可验证）；

3.2 基于AgentScope搭建Multi-Agent 限额智验质量门户

3.2.1 整体技术实现

1）基于AgentScope 2.0的Agent/FunctionTool能力，将知识图谱推荐、数据工厂造数、限额自动化校验等能力封装为可配置 Agent 工具，并依托 FastAPI 会话接口、SSE 流式事件、上下文记忆和任务状态管理实现可配置、可追踪、可扩展的 Multi-Agent 协同链路；
2）数据流向：用户自然语言指令 → 门户会话接口 → 编排层 →（图谱推荐 Agent → 数据工厂 Agent → 限额智验 Agent 调 Java 引擎校验 → 结果对比）→ SSE 步骤进度 → 前端展示 + 结果落库，图谱保鲜 Agent 在后台定时保持图谱与线上/测试库一致；

3.2.2 数据工厂Agent技术实现：

1）Agent能力设计：自然语言一键触发造数-调用业务造数接口-测试数据预加载内存库，自动化构建触发限额测试数据；
2）性能提升设计：测试数据提前预加载到内存数据库中，减少 Oracle 重复查询，提升查询速度；

3.2.3 限额智验 Agent技术实现：

1）Agent能力设计：串联"图谱推荐 → 一键造数 → 限额校验 → 结果对比 → 前端展示"闭环；
2）性能提升设计：限额计算校验逻辑由原始oracle内的sql计算改为java程序在Ignite 内存中计算校验；

4. 关键成效与项目收益：

4.1 整体进展：

1）基于Harness和AgentScope完成一套高性能、精准可度量的Multi-Agent 限额智验质量门户搭建，自430基础框架上线以来，已经纳入5个版本回归测试，支持新需求测试3个（双周周期迭代版本，并非每个版本都有限额新需求），需求上线后限额计算均符合预期；

4.2 使用效果：

4.2.1 场景支持和质量提升：

1）支持银行理财资管限额模块100%回归测试；
2）线上缺陷逃逸率下降60%（由5%->2%）；

4.2.2 性能和效率提升：

1）Multi-Agent 限额智验质量门户相对传统自动化执行效率提升了120倍，时间节省率为99.17%；（统计口径：跑同样9条条目所花费的时间，传统自动化花费6h，新自动化框架花费3min，时间节省率=（360-3）/360*100%=99.1667%，效率提升倍数=360/3=120倍）

4.2.3 节省人力：

1）资管限额模块回归测试100%交由Multi-Agent 限额智验质量门户执行，约节省120人日/年；
2）将银行理财资管限额模块测试人力投入由2减少到1人；

5. 未来展望

5.1 智能能力深化

1）新增“变更影响分析+校验用例自动生成“Agent：因为限额计算逻辑较复杂，目前校验限额计算脚本仍然是人工编写，编写速度较慢，后续会对限额计算的各类条件规则、计算方式等进行建模，实现从需求变更分析到校验用例脚本的自动生成，提高校验脚本的沉淀速度，将保鲜从"图谱"扩展到"用例/因子口径"全域保鲜；
2）新增结果根因分析 Agent：支持报告自动生成与风险预警，版本回归结束后自动产出覆盖范围、通过率、差异明细的质量报告，异常条目自动预警；自动定位校验失败是数据、规则、引擎哪一环节，输出归因结论与处理建议，替代人工排查；

5.2 建设可运营、可度量的质量门户体系
1）后续将围绕质量门户补充更多运营指标和看板能力，包括任务执行次数、版本回归覆盖率、自动化通过率、失败原因分布、节省人力、执行耗时趋势等，让限额自动化从工具建设升级为质量运营体系。通过统一门户沉淀过程数据，为后续质量改进、测试策略优化和管理决策提供数据支撑。

听众收益：
1. 一套"图谱血缘定范围"的智能回归方法论：掌握用 DSL+YAML 将复杂金融规则抽象为 rule_id+formula+metrics、构建知识图谱血缘，并基于 Graph RAG 从需求变化自动召回测试/回归范围的完整做法，直接解决"变更影响面难评估、回归是否完整无度量"的行业难题。
2. "Harness 保鲜"的 AI 工程化实践：学会如何把 AI Coding 从"对话式生成"约束为"有输入、有步骤、有校验、有产物"的工程流程，用强 Agent 自动同步库差异、更新 YAML、刷新图谱，解决 AI 系统上线后"规则漂移、图谱过期、越跑越脏"的核心痛点。
3. 掌握 Multi-Agent 质量门户的工程实现方法：学习如何基于 AgentScope 将知识图谱智能引擎 Agent、知识图谱保鲜 Agent、数据工厂 Agent 和限额智验 Agent 串联起来，实现“自然语言入口 -> 图谱保鲜 -> 范围推荐 -> 一键造数 -> 自动化校验 -> 结果分析”的端到端闭环。

李颖超

小红书 AI 工程架构师

小红书创新孵化实验室 AI 工程架构师，长期专注于移动端与多端协同场景的质量工程建设。近期聚焦 AI Native 研发模式下的质量保障，开展测试智能体的架构设计与工程落地，探索融合业务知识、质量策略与动态执行的智能化验证体系。关注复杂需求下的测试覆盖、执行可靠性与人机协作效率，推动质量工程能力融入 AI 研发流程，构建从需求分析到真实业务验证的智能化质量闭环。

待定

小红书创新产品的 AI Native 质量工程实践

议题背景：
AI Coding 大幅提速代码交付，但需求验证环节仍依赖人工串联用例设计、造数、接口、日志、真机验证等零散工具，各能力无统一上下文共享，验证效率无法匹配研发迭代速度。针对小红书创新业务的多端测试场景，本实践搭建 AI Native 质量工程智能体（Quality Engineering Agent，QE Agent），通过上下文工程共享需求、用例与执行记录，通过多端质量知识图谱提供测试依据。依托结构化测试设计，Agent 按业务预期选择验证能力，以逻辑 DAG 组织任务依赖，再据此形成动态执行 DAG，调用能力开展测试，根据现场反馈调整路径、关联证据，完成联合断言。Quality Harness 衔接需求进度、中断恢复与报告交付。结合真实案例，展示需求验证提效成果，推动质量工程从辅助走向自治，同时沉淀可迭代的 AI 原生质量工程落地范式。

内容大纲：
1. 背景：从 AI 辅助测试，到 Agent 自主规划并完成测试验证
2. QE Agent 架构的实现

2.1 上下文工程：为 Agent 提供当前测试所需的依据与执行记录
2.2 多端质量知识图谱：关联业务入口、数据依赖与跨端调用，为验证路径提供依据
2.3 测试规划与逻辑 DAG：根据业务预期选择验证能力，组织验证任务及依赖
2.4 动态执行 DAG 与联合断言：让 Agent 执行测试、按现场反馈调整路径，并关联证据判断结果
2.5 Quality Harness：衔接能力调用、需求整体进度、补充信息、恢复与交付

3. 执行能力落地：根据多端现场反馈调整操作，按测试前置条件准备并核验数据
4. 业务实战与效果
5. 展望

听众收益：
1. 获得一套从需求到真实执行的智能测试架构：理解可信上下文、结构化测试设计、多端质量图谱、能力目录和动态 Quality DAG 如何串成完整链路。
2. 掌握面向 Agent 的测试规划方法：学习如何发现需求信息缺口，约束模型生成测试设计，并通过 Plan Validation 与 Plan Repair 补充遗漏。
3. 多端知识与动态编排的实现思路：了解如何连接原生、RN、接口与后端，以及如何将造数、Mock、日志和真机等能力按需组合。

邬淑敏

bilibili 高级测试开发工程师

上海幻电信息科技有限公司质量保障中心高级测试开发工程师，用例生成项目负责人。具备一线业务测试与专项建设经验，曾担任业务 Owner，熟悉需求交付与质量闭环。长期从事质量保障与测试效能建设，主导 AI 用例生成引擎与平台落地。擅长 AI 辅助测试、Agent/工作流工程化、质量度量与效能提升，致力于将用例从「能生成」推进到「准召、可读、可交付」

待定

从草稿到资产：ai-case 的 Graph×Loop 闭环

议题背景：
AI 出例并不稀缺，稀缺的是准召可读且能进生产：长文易衰减、双入口行为分叉、生成正确却太泛难读、过检却落不了库。根因常被误判成 Prompt，实则缺阶段定责、缺可退出的质量迭代、缺语料清洗与交付运营闭环。ai-case 的方向是：用 LangGraph 固定主链，用 loop 拉升准召与可读，用语料清洗工程治理输入，再用权限触发、在线编辑与质量看板把结果做成可运营资产——从「能生成」走向「可交付、可运营」。

内容大纲：
1. 问题与目标：从「能生成」到「准召可读可交付」

1.1 问题：长文衰减、用例太泛难读、过检却落不了库
1.2 目标口径：召回（覆盖）↑、准确（少幻觉/少误扩写）↑、可读↑，并保证可落库
1.3 技术选型：LangGraph 主图定责 + 质量 Loop 收敛 + 语料清洗与输出门控

2. 主链路工程化：多入口统一编排

2.1 方案：`prepare → generate → review → score ⇄ improve`；
2.2 抉择：准备与生成解耦；完整性检查并入评分，避免多套政策
2.3 踩坑：大模型每次输出的case效果无法得到保证
2.4 实践：共享路由与落库契约；终态结果写回，禁止中途快照单独裁决
2.5 收益：失败可归因；无效重跑下降40%

3. 质量闭环：用 Loop 拉升准召与可读

3.1 方案：Score → Improve → 同契约重评 → 交付/再改；Improve 内可挂有限 Tool 环
3.2 指标设计：覆盖≈召回；正确性+冗余控制≈准确；可读独立计分；结构保交付
3.3 实践：按缺口驱动增删改；锚点约束抑制空转提分；Tool 失败可降级继续主环
3.4 踩坑：硬回滚震荡；套话预期刷分；工具环过大导致成本与格式失控
3.5 收益：召回 55%→78%，准确60%→75%，可读达标约50%→80%；多数任务一轮内达门槛

4. 输入侧工程化：建立语料清洗工程，为准召提供可用上下文

4.1 问题：多源语料裸进模型 → 噪声高、冲突多、格式串味，直接打穿召回与准确
4.2 建设目标：升级语料清洗工程（采集 → 清洗 → 分片 → 注入 → 验收）
4.3 工程方案

4.3.1 采集归一：多源拉齐为统一语料对象
4.3.2 清洗降噪：去壳/去重/去无关噪声；历史稿与本次隔离；
4.3.3 分片编排：按角色分块进主链，拒绝超长线性堆叠
4.3.4 检索增强：平台/业务知识并行召回，作为清洗后的补充证据
4.3.5 注入验收：应注入/已送达/是否截断可观测，未达则回流清洗

4.4 踩坑：截断不可见；参考稿污染输出；关联需求淹主需求；业务规范与平台模板冲突
4.5 收益：关键语料送达约 70%→90%+；脏语料导致的漏测与误测回流明显下降；

5. 平台功能亮点：生成前可控接入，生成后可编、可评、可运营

5.1 生成前：以空间权限治理 +平台规则化自动触发，实现组织可控的规模化接入
5.2 生成后：XMind 在线编辑与侧栏协同（打标、同步、提 Bug）一体，生成结果可继续精修、可业务收口
5.3 质量运营：单条质量透视 + 平台指标看板；保存/上传自动评估，质量从体感变为可运营数据
5.4 收益：形成「触发—生成—编辑—评估—运营」闭环；人工收口效率与质量可见性同步提升

6. 成效、边界与可迁移结论

6.1 成效：主指标看准召与可读（会上用上述量级对比 + 1～2 个样例说明）；
6.2 边界：知识自进化、偏好记忆、GUI 自动执行仍在演进；优势在生产级生成引擎 + 平台运营闭环
6.3 结论：引擎拉准召可读，平台把权限、触发、编辑、评估做成可运营；先建语料清洗与评分闭环，再换更大模型；

听众收益：
1. 可落地的生产级用例 Agent 拆法：何时用主图定责、何时用质量 Loop 拉准召/可读、何时先建语料清洗工程。
2. 可对照的工程手段与踩坑：双入口统一编排、同契约重评、空转提分治理、终态落库契约等真实反模式。
3. 平台运营闭环视角：权限与自动触发、XMind 线编辑与侧栏收口、质量看板与自动评估如何把生成结果做成可运营资产，而不只是一次性演示。

瞿曦超

华泰证券开发工程师

华泰证券股份有限公司信息技术部测试交付中心-软件质量控制团队开发工程师，目前主要负责测试交付工具的建设与运营，涵盖日志回放平台、模糊测试、自动化测试、性能测试、测试知识库等核心工具建设，保障公司交易系统、业务系统的稳定性与测试质量，持续提升测试场景覆盖度与工作质效。毕业后即加入华泰证券信息技术部，早期曾从事FICC业务线开发工作。

待定

证券交易领域测试 Skill 的进化体系与知识底座支撑实践

议题背景：
证券交易系统业务复杂、迭代快、质量要求高。大模型应用于测试场景，通用能力难以直接适配具体业务系统，测试Skill需要在真实使用中持续打磨、不断进化，才能真正发挥价值。
我们围绕测试Skill的进化，建设了从使用、标注到自训练的全链路能力：使用人员对Skill输出结果进行标注，标注信息驱动Skill自我训练与迭代优化，形成”越用越准”的进化闭环。目前该体系已在5个交易系统投产10+个系统级技能，覆盖需求分析、测试设计、用例生成与执行等环节。
与进化体系配套，建设知识底座：业务文档、代码、交易所规则等多源知识统一纳管，配套混合检索与场景化验收机制保障知识供给质量。
本议题分享”进化体系＋知识底座”的设计思路、差异化做法与量化成效。

内容大纲：
1. 背景与思路

1.1 证券交易领域测试AI落地的挑战：通用能力与业务系统之间的差距
1.2 我们的思路：从”建能力”到”养能力”，让Skill在使用中持续进化

2. 测试Skill进化体系

2.1 输出标注与反馈链路：测试人员标注Skill产出，反馈自归集形成问题台账（投产案例：“使用—反馈—优化”闭环运转）
2.2 基于标注信息的Skill自训练：问题自识别、能力自优化、质量自评测、运营结果自评估的进化机制
2.3 Skill全链路闭环：需求分析、测试设计、用例生成、风险识别4类Skill标准化拆分，统一嵌入测试管理平台，已支撑10+个系统级技能投产

3. 知识底座支撑

3.1 知识库建设：业务文档、代码、交易所规则多源知识统一纳管
3.2 知识的动态补充与更新：增量更新管线保障知识常新
3.3 知识质量保障：混合检索，自进化审计驱动知识库持续调优

4. 应用成效与展望

4.1 量化成效：全流程贯通试用采纳率、测试设计采纳率
4.2 展望：Skill全链路闭环的完善与向更多业务系统的复制推广

听众收益：
1. 了解测试Skill”使用—标注—自训练”进化体系的完整设计
2. 了解知识底座在多源知识纳管、动态更新、质量保障方面的工程实践与量化效果
3. 为金融测试团队规划AI能力的持续演进提供参考

李绪隆

腾讯系统测试工程师

腾讯存储测试团队，担任系统测试工程师。长期深耕对象存储与分布式存储领域，聚焦高并发、大容量、高可用场景下的系统测试与质量建设。通过自动化测试平台、混沌工程、性能基准评测等手段，持续发现并解决底层存储瓶颈与风险，保障系统在极致规模下仍能稳定可靠运行，为腾讯海量数据存储业务提供全方位、高强度的质量保障。

待定

基于LLM的全链路日志智能分析：

自动化 Case 执行路径捕获与根因定位实践

议题背景：
在质量保障过程中，传统方式难以高效追踪分散在多模块的服务端日志，导致case失败根因定位耗时长、效率低。

内容大纲：
1. 问题背景与挑战

1.1 质量保障中的日志分析痛点：多模块日志分散、人工串联效率低下

1.2 传统解决方案局限：串联不完整、跨协议支持不足、缺乏智能分析能力

2. LLM驱动的全链路日志分析架构设计

整体架构：case_tracer + log_tracer + case_analysis + post_processor四位一体

3. 核心组件实现与技术亮点

3.1 case_tracer：非侵入式case执行路径捕获

3.1.1 无代码侵入的Python库设计