当测试人员不再需要记住复杂的命令和参数，只需要用自然语言说出需求，AI 就能自动完成测试——这不是未来，而是我们正在使用的现在。

引言：测试的痛点，我们都懂

作为一名测试工程师，你是否也经历过这样的场景：

  • 想创建一个测试订单，却要翻阅文档查找 API 参数
  • 想跑一遍完整流程，却要手动拼接十几个接口调用
  • 新同事入职，花一周时间才能熟悉测试环境和工具链
  • 需求变更频繁，测试脚本维护成本居高不下

这些问题，本质上都是工具与人的割裂——工具越复杂，人的认知负担越重。

2026 年 9 月，我们发布了闪回收自动化测试框架 2.0，试图回答一个问题：如果测试工具能像聊天一样自然，会是什么样？

核心理念：用说话的方式做测试

传统自动化测试框架的思路是”教人使用工具”：你需要了解项目结构、脚本参数、状态码、数据库字段……而我们的思路是“让工具理解人”：

直接用自然语言告诉 AI 你想做什么，AI 会自动调用对应的技能完成。

举个例子，你想创建一个回收订单测试数据：

传统方式：

1
2
3
curl -X POST https://api.example.com/recycle/order \
  -H "Authorization: Bearer xxx" \
  -d '{"productId":"iPhone 12","storage":128,"color":"black","status":"NEW"}'

我们的方式：

1
使用 iPhone 12 创建一个回收订单，其他使用默认值

就这么简单。AI 会自动识别你的意图，调用 recycle-data 技能，构造合适的测试数据。

标准流程：4+1 步，清晰可控

一个完整的需求测试，我们设计了 4 个主步骤 + 1 个可选增量步骤。每个步骤都有明确的门禁，必须按顺序推进，确保测试过程可控、可追溯。

步骤 1：需求分析

触发命令：

1
执行 GJDM-8988 需求分析

AI 会自动完成：

  • 技术评审：分析需求的技术可行性
  • 需求分析：提取测试范围和关键点
  • 自动用例设计：生成测试用例初稿
  • 生成澄清文档：requirement-clarification.md

关键设计：AI 不会自作主张。生成的需求澄清文档必须经过人工审阅，这是质量的第一道防线。

步骤 2：用户审批

审阅文档后，用自然语言确认：

1
我已确认 GJDM-8988 的需求澄清内容，按此范围执行测试。

为什么需要这一步？ 因为 AI 的理解可能有偏差。通过明确的审批动作，确保测试范围与预期一致，避免”AI 自嗨”。

步骤 3：正式测试

触发命令：

1
执行 GJDM-8988 测试

AI 会自动完成：

  • 检查各种门禁：审批、用例、测试计划、账号、环境、数据
  • 编排测试：接口测试、数据构造、Playwright UI 测试
  • 记录执行：实际步骤、结果、状态、截图证据
  • 保留现场：失败、阻塞与未执行范围如实保留

产出物：

  • HTML 测试报告（可直接分享）
  • 截图证据（每个关键步骤都有截图）
  • 执行日志（完整可追溯）

步骤 4：测试完成交付

触发命令：

1
执行 GJDM-8988 需求测试完成

AI 会自动完成：

  • 核对本地结果与云效测试计划
  • 生成并上传完整 HTML 报告
  • 在需求评论区写入自动化测试结论
  • 将需求状态流转至”待验收”

注意：这一步只在正式测试完成后使用。如果在基线交付后又追加了新用例，使用步骤 5。

步骤 5：增量完成（可选）

触发命令：

1
执行 GJDM-8988 增量测试完成

适用场景：基线交付后追加了新用例。

特点：

  • 新增用例独立完成审核、发布、执行和交付
  • 原基线结果保持只读
  • 报告分别展示基线、增量和合并结果

这个设计解决了实际工作中的一个常见痛点：需求测试到一半，产品又加了新需求。传统做法是要么全部重跑，要么手动维护两份报告。我们的方案是增量隔离，合并展示。

数据构造：从”造数”到”说数”

测试数据构造是自动化测试中最繁琐的环节之一。我们的目标是：你说想要什么数据，AI 就给你造什么数据。

回收订单造数

1
使用 iPhone 13 Pro，256G，蓝色，屏幕正常，创建一个回收订单
1
把条码 TCB123456789 检测成 95 新并入闪回收总仓

销售订单造数

1
把条码 TCB123456789 按 600 元上架一口价专区并卖出
1
创建一个柜台销售单，商品条码 TCB123456789，售价 500 元

全流程造数

最强大的是端到端完整流程：

1
使用 iPhone 12，默认配置，跑完回收、入库、一口价卖出和销售出库全流程。

AI 会自动执行：

  1. 创建回收订单
  2. 完成报价和成交
  3. 付款并入库
  4. 上架一口价专区
  5. 买家购买
  6. 完成销售出库

以前需要半天手动操作，现在一句话搞定。

技能架构：模块化设计

框架的核心是一组可组合的技能（Skills），每个技能负责一个特定领域。

recycle-data：回收数据构造

核心能力：回收订单全生命周期数据构造

主要 Action：

  • order-only：仅创建订单
  • buyer-quote：下单 + 买家报价
  • recycle-payment-ready：走到付款页面
  • realtime-auction-payment：实时竞拍付款
  • prepare-realtime-stock：收货检测入库
  • full-lifecycle：回收到出库完整流程
  • verify-lifecycle：只读核验

test-orchestrator：测试编排

核心能力：测试执行编排

功能：

  • 检查需求分析、用例评审和测试计划门禁
  • 编排接口测试、数据构造和 Playwright UI 测试
  • 保存运行日志、截图、视频和 HTML 报告
  • 汇总通过、失败、阻塞和未执行范围

requirement-test-delivery：测试交付

核心能力：需求测试完成交付

功能：

  • 收集 UI 用例截图，压缩后内嵌 Base64 写入 HTML
  • 上传全部测试用例到云效
  • 校验附件上限后上传 HTML 报告
  • 在需求评论区写入自动化测试结论
  • 将需求状态流转至”待验收”

核心特性

🚀 一键安装

1
2
cd automation-test-framework
npm run testctl -- setup

自动完成：检测 Node.js / Python → 安装依赖 → 安装浏览器 → 生成配置模板。

以前需要半天环境搭建，现在 5 分钟搞定。

🔒 安全设计

  • 所有敏感信息仅保存在本地 config/config.json
  • config.json 已加入 .gitignore，不会提交到 Git
  • 不在聊天中发送账号密码
  • 不在代码中硬编码敏感信息

📊 完整可追溯

  • 每个测试步骤都有截图证据
  • 完整的执行日志
  • HTML 报告可直接分享
  • 与云效测试计划自动同步

🔄 状态感知

每次新会话，AI 会先检查需求当前状态：

  • 需求分析是否完成？
  • 用例是否已评审？
  • 测试计划是否已发布？
  • 测试环境是否就绪？

不需要人工检查，AI 自动确保前置条件满足。

实战效果

效率提升

场景 传统方式 框架 2.0 提升
创建测试订单 5-10 分钟 30 秒 10-20倍
端到端流程测试 2-3 小时 30 分钟 4-6倍
测试报告生成 1-2 小时 5 分钟 12-24倍
新人上手 1-2 周 1-2 天 5-10倍

质量改善

  • 覆盖率提升：AI 自动设计用例，覆盖更多边界场景
  • 一致性保证：每次测试都按标准流程执行，不会遗漏
  • 可追溯性：完整的证据链，问题定位更快
  • 回归测试：一键重跑，及时发现回归问题

技术栈

框架基于成熟的技术栈构建：

  • AI 引擎：基于大语言模型的意图识别和任务编排
  • Web 测试：Playwright（支持 Chrome、Firefox、Safari）
  • 接口测试：HTTP Client + 自定义断言库
  • 数据构造：API 调用 + 数据库操作
  • 报告生成：HTML 报告 + 截图嵌入
  • 项目管理：云效 API 集成

未来展望

短期规划（Q4 2026）

  1. 智能用例优化：基于历史数据，自动优化用例设计
  2. 失败根因分析：AI 自动分析失败原因，给出修复建议
  3. 性能测试集成：在功能测试中自动收集性能指标

中期规划（2027）

  1. 多环境支持：一套用例，多环境执行（开发、测试、预发、生产）
  2. 跨项目复用：技能在不同项目间共享和复用
  3. 可视化编排：通过拖拽方式编排测试流程

长期愿景

让测试成为开发的自然延伸，而不是独立的环节。

想象一下：

  • 开发提交代码，AI 自动生成测试用例
  • 测试执行发现 bug，AI 自动分析根因并给出修复建议
  • 修复完成后，AI 自动验证并更新测试报告
  • 需求变更时，AI 自动识别影响范围并调整测试策略

这不是梦想，而是我们正在努力的方向。

写在最后

自动化测试框架 2.0 的核心价值，不是”自动化”，而是“智能化”。

传统的自动化测试，是把人的操作变成脚本；我们的思路，是让 AI 理解人的意图，自动完成测试。

这带来的不仅是效率提升，更是思维方式的转变：

  • 从”如何使用工具”到”想要什么结果”
  • 从”手动编排流程”到”描述业务场景”
  • 从”维护复杂脚本”到”关注测试设计”

当测试人员可以把精力放在更有价值的工作上——测试设计、质量分析、风险评估——测试的价值才能真正体现。

让 AI 做它擅长的，让人做人擅长的。

这才是自动化测试的未来。

关于作者

David，前端工程师，现就职于闪回科技。热衷于探索 AI 驱动的开发和测试方法论，相信技术可以让工作变得更简单。

本文首发于 David’s Blog，转载请注明出处。