AI赋能Locust智能性能测试实战

性能测试的门槛不在工具，而在“写得出、跑得稳、看得懂”。Locust 已经把并发模型和分布式压测做得足够轻，但真正卡住人的往往是三件事：脚本里的业务流怎么抽象、压出来的数据怎么读、测试场景怎么随需求快速改。这门课把 LLM 接进 Locust 的工作流里，解决的不是“换个更炫的工具”，而是把上面这三件事里的重复劳动压下去。

先确认你是不是真的需要它

如果你现在只会在 Locust 里写一个 GET 请求、设个用户数跑一遍看 RPS，那这门课对你来说是提前量，不是补课。它更适合下面几种状态：

• 能写 Locust 脚本，但每个新接口都要手改一遍 HttpUser 和 task 权重，改完还得自己核对参数化数据；
• 压测报告出来只会看总请求数和失败率，面对 P95 抖动、吞吐瓶颈说不清是脚本问题还是服务问题；
• 听过 LLM 能生成测试脚本，但没把它落到具体的压测任务里，不知道生成出来的代码怎么校验、怎么接进已有的 Locust 项目结构；
• 需要频繁给不同接口、不同业务链路临时搭压测场景，想减少从零写脚本的时间。

如果这些场景里有一条对上了，那学习顺序应该是先补齐 Locust 的并发模型和事件机制，再谈 AI 介入。课程里 LLM 的角色是加速脚本生成、辅助场景构造和分析结果，不是替你决定压测目标。

AI 在压测里到底接管了哪一段

这是最容易讲空的地方，所以先说清楚边界。LLM 在这类工作流里真正能帮上忙的是：把接口描述或抓包信息转成 Locust 的 task 结构、按业务比例生成 weight 配置、根据已有响应结构生成参数化和断言、把压测结果日志整理成可读的瓶颈假设。它不负责判断你的 SLA 定得对不对，也不负责替你确认压测环境是否和生产对齐。

课程里涉及 LLM 的部分，重点会落在提示词怎么写才能出可用的 Locust 代码、生成结果怎么校验、以及怎么把 AI 产出的片段嵌入到已有的 User 类和 shape 类里。你学完应该能自己判断：哪些环节交给模型是省时间的，哪些环节一旦交出去就会埋坑。

配套练习会逼你回答的问题

光看代码不会形成手感，所以这门课在每个模块后都留了要动手的部分。练习方向大致围绕：用 Locust 搭一个带登录态的多任务场景、把一组接口描述交给 LLM 生成脚本后做人工修正、用 shape 类模拟阶梯加压、以及从压测输出里定位一个具体的响应时间劣化点。

做完这些练习，你应该能回答几个具体问题：Locust 的 task 权重和 wait_time 怎么配合才能贴近真实用户行为？LLM 生成的脚本里，哪些参数必须自己核对？压测中失败率上升但 RPS 没掉，通常先查什么？这些问题答不上来，说明还停在“跑通”层面，没到“能用于决策”的层面。

看完之后的能力自检

这门课不承诺把你变成性能测试专家，它解决的是“AI 辅助下的 Locust 工作流”这一段。学完比较现实的预期是：拿到一个新接口或一条业务链路，你能比现在更快地搭出可跑的压测脚本，并且知道脚本里哪些部分是 AI 生成的、哪些部分需要自己复核；面对压测结果，你能提出至少一个可验证的瓶颈假设，而不是只报一个数字。

如果你更关心的是 JMeter 迁移、全链路压测平台搭建或者 TCP 层协议压测，这门课覆盖不到，不用在这里花时间。缺什么补什么，先看清自己卡在哪一步，再决定要不要从这一门开始。