测试工程师的「大模型突围」指南

随着生成式 AI 的普及，传统白盒与黑盒测试的逻辑正在失效——面对大模型不确定的输出，你怎么定义“正确”？这门课解决的正是这个核心痛点：帮助测试工程师从“执行用例的人”转型为“驾驭 AI 的测试架构师”。它不教你训练模型，而是聚焦于如何用 AI 工具提升测试效能，以及如何评估大模型本身的质量。适合有一定手工或自动化测试基础，但对 LLM、RAG、MCP 等技术栈感到陌生，希望补齐技术短板、向 AI 测试专家转型的同学。如果你还停留在只会写固定脚本的阶段，这门课会带你跨过那道门槛。

学习路径与核心能力构建

课程分为筑基、进阶、实战三篇，建议严格按顺序攻克。
基础篇是必经之路：首先要读懂 Attention 机制（第 1 讲），这是理解大模型为何会产生“幻觉”的地基；接着掌握提示词工程（第 2 讲），这是控制模型行为的核心技能；最后学会量化评估指标（第 3 讲），否则你无法判断测试结果是否达标。
进阶篇侧重理论落地：重点攻克 RAG 的分块策略（第 4 讲）和 MCP 协议（第 5 讲）。MCP（Model Context Protocol）是大模型连接外部工具的通用标准，比传统的 Function Call 更灵活、更开放，是后续实现智能化测试的关键底座。
实战篇是重头戏：通过开源 Playwright MCP Server（第 9 讲）实现意图驱动的自动化测试，并动手打造自己的 MCP Server（第 10 讲）。这意味着你不再依赖硬编码的测试脚本，而是让 AI 根据你的自然语言指令，动态生成并执行测试用例，真正实现测试能力的智能化升级。

学完能做什么 & 资料配合建议

完成本课程后，你将具备以下独立工作能力：一是能构建基于 RAG 结合 Text2SQL 的接口测试自动化流程，实现从需求文档到测试数据的自动转换，大幅提升接口测试效率；二是能开发自定义的 MCP Server，为大模型测试场景定制专属的“手脚”，让 AI 具备调用特定工具的能力；三是能使用 Playwright 等工具进行意图驱动的 UI 自动化测试，显著降低脚本维护成本，应对页面频繁变更的挑战。
资料包使用建议：课程配套的资料包含关键代码示例和配置模板。请务必在本地搭建好 Python 运行环境，跟随第 9、10 讲亲手部署 Playwright MCP Server 并进行本地调试。不要只看不练，MCP 的灵活性只有在实际调用中才能深刻体会。遇到模型输出不符合预期或测试用例执行失败的情况，回到基础篇回顾提示词设计和评估指标，调整 prompt 或优化 RAG 分块逻辑，这是测试工程师最核心的迭代闭环能力，也是从普通测试迈向智能测试工程师的必经之路。