关注 霍格沃兹软件测试开发 公众号回复「资料」, 领取人工智能测试开发技术合集AI 正在快速进入软件研发现场。从需求分析、代码生成到测试设计、缺陷定位、自动化执行越来越多研发活动开始被 AI 重新改写。但一个更现实的问题也随之出现当 AI 让代码产出更快、变更更频繁、系统更复杂时质量工程该如何跟上过去测试团队主要解决的是“有没有测到”“测得快不快”“自动化覆盖够不够”。但在 AI 原生时代质量问题正在变得更加复杂代码生成速度更快但隐藏风险也更深自动化脚本越来越多但维护成本并没有自然降低测试覆盖率看起来提升了但是否真正覆盖业务风险仍然存疑缺陷定位链路更长研发、测试、运维之间的协同压力持续增加企业都在探索 AI 提效但真正能落到质量工程体系里的实践并不多。在这样的背景下ChinaTest闭门会 | 混沌破局AI原生质量工程应用实战演习即将开启。本次闭门会将围绕AI-Native Quality EngineeringAI原生质量工程展开聚焦 AI 时代质量工程的底层能力、架构演进、测试范式升级与企业级落地路径。这不是一场停留在概念层面的趋势分享而是一场面向研发质量负责人、测试负责人、测试开发工程师和工程效能团队的深度实战交流。名额有限欢迎报名抢占席位。一、为什么这场闭门会值得关注AI 进入研发流程之后测试不再只是研发链路末端的验证动作。它正在变成一个贯穿需求、设计、代码、测试、发布、运维的系统性工程。过去我们更关注测试用例怎么写自动化脚本怎么维护缺陷怎么发现覆盖率怎么提升测试效率怎么优化。但 AI 原生时代真正关键的问题变成了AI 是否理解了真实业务语义生成的测试场景是否可信系统行为变化是否能够被及时发现质量活动是否可追溯、可评估、可优化企业如何构建长期演进的智能质量工程体系这也是本次闭门会要重点回答的问题。对于正在建设智能测试平台、AI 测试助手、自动化测试体系、研发效能平台的企业团队来说这场闭门会的价值不只是“了解 AI 测试怎么做”更重要的是理解AI 时代质量工程的底层逻辑正在发生什么变化。二、本次闭门会核心议题1. 工程底座AI Harness 五大核心能力本次闭门会将重点拆解 AI Harness 的五大核心能力Traceability全链路可追溯质量活动不能只停留在执行结果上还需要能够追溯需求、设计、代码、测试、缺陷和发布之间的关系。Semantic Eval语义级评估AI 时代的测试评估不能只看断言是否通过还要判断需求理解、场景设计和业务语义是否一致。Scenario Gen智能场景生成测试场景生成不再只是从需求里拆步骤而是要围绕业务目标、风险路径和用户行为进行建模。Drift Detection漂移检测当需求、代码、接口、数据和系统行为发生变化时质量体系需要及时识别偏差而不是等线上问题暴露后再补救。Self-Opt自我优化未来的质量工程体系需要具备持续学习、持续评估、持续优化的能力让测试资产和质量策略跟随业务变化一起演进。这五项能力共同构成 AI 原生质量工程的重要底座。它们不是单点工具能力而是企业从“自动化测试”走向“智能质量工程”的关键支撑。三、架构演进从工具建设到质量工程体系建设很多团队做 AI 测试容易从工具开始先做一个用例生成工具再做一个脚本生成工具再接一个日志分析工具再尝试引入 Agent 执行测试任务。这些探索都有价值但如果缺少统一的工程底座很容易变成一个个孤立的功能点。本次闭门会将进一步分享AIQEES 五层架构与TDSL-Next 演进方向重点讨论企业如何从传统测试体系逐步升级到 AI 原生质量工程体系。可以简单理解为AI 原生质量工程不是只做一个 AI 工具而是要回答五个层面的问题层面核心问题数据底座企业是否有可用、可信、可治理的研发质量数据知识沉淀需求、业务、系统、缺陷、测试资产能否形成知识结构场景建模测试活动能否围绕业务风险和质量目标建模智能执行AI Agent 能否参与场景生成、执行、定位和反馈评估优化质量结果能否持续评估并反向优化测试体系这部分内容对企业质量平台团队尤其重要。因为真正的 AI 测试落地拼的不是某一个大模型能力而是企业能不能把数据、知识、流程、工具和评估体系串起来。四、测试范式跃迁从 Test Case 到 Quality Activity传统测试体系中我们通常围绕 Test Case 展开工作。测试设计的核心产物是测试用例执行过程围绕用例展开覆盖率也通常围绕用例数量、代码覆盖、接口覆盖等维度衡量。但到了 AI 原生时代单个测试用例已经很难完整承载复杂质量活动。因为真实的软件质量问题往往不只来自某一个输入和输出是否正确而是来自需求语义理解是否偏差场景路径是否覆盖核心风险用户行为是否被真实模拟系统状态变化是否被持续观测多模块协同是否存在隐藏问题AI 生成代码是否引入新的不确定性。所以质量工程需要从“测试用例中心”逐步走向“质量活动中心”。也就是从关注写了多少条用例、跑了多少脚本、通过率是多少转向关注是否围绕业务目标形成了完整、可信、可追溯、可度量的质量活动闭环。本次闭门会将围绕这一变化分享五大建模策略以及覆盖率信誉评分卡的升级思路。其中覆盖率将从传统视角进一步升级结合需求语义测试特性场景拓扑执行策略覆盖率信誉评分风险路径质量目标行为变化结果反馈这对测试团队重新理解“覆盖率”非常关键。未来的覆盖率不应该只是一个数字而应该回答一个更本质的问题我们到底覆盖了多少真实风险五、AI 时代Bug 正在变得更深AI 参与研发之后缺陷并不会自然减少。相反很多问题会变得更加隐蔽。过去的 Bug可能更多来自代码逻辑错误、边界条件遗漏、接口异常、兼容性问题。但 AI 时代的 Bug可能表现为代码看起来能跑但业务语义不对局部功能正确但全局行为发生偏移AI 生成的逻辑通过了基础测试却没有覆盖真实业务异常多轮生成和多次修改之后系统结构逐渐失控自动化用例数量增加但有效覆盖不足日志量越来越大问题定界反而更困难。这也是很多研发团队现在会遇到的真实困境AI 提升了代码生产效率但也放大了质量治理压力。因此AI 原生质量工程不能只强调“让 AI 帮我们写用例、写脚本、跑测试”。更重要的是要建立一套可以应对不确定性的质量防护网。本次闭门会将结合 UI 技术演进历史、AI 时代 Bug 加深的关键维度以及企业必须面对的工程命题深入讨论质量工程如何从被动验证走向主动防御。六、实战 Demo动态防线与静态防线如何落地本次闭门会不仅有方法论也会带来实战 Demo。重点包括1. 60 秒自愈闭环构建动态质量防线当系统发生变化、测试出现异常、脚本执行失败时质量体系能否自动感知、自动分析、自动修复、自动反馈这背后考验的不只是自动化能力而是测试资产、执行链路、日志分析、知识沉淀和 AI Agent 协同能力。2. 智能日志极速定界构建静态质量防线线上问题排查和缺陷定位一直是研发质量链路中的高成本环节。通过智能日志分析可以帮助团队更快定位异常范围、缩短问题分析路径提升研发与测试协同效率。3. 全维度提效数据展示根据本次议题信息相关实践案例中将展示多项提效数据包括TTM 减少 64%修复时长减少 77%人力投入减少 80%覆盖广度提升 7.5 倍这些数据的重点不是简单证明某个工具有多强而是说明当 AI 能力真正嵌入质量工程链路后企业的软件交付效率和质量治理方式都有机会被系统性重塑。当然任何提效结果都依赖企业自身的研发流程、数据基础、系统复杂度和落地场景不能简单照搬。但它为我们提供了一个非常重要的参考方向AI 测试的终点不是生成更多用例而是构建更高效、更可信、更可持续的质量工程体系。七、企业落地路线图从数据底座到 Self-OptAI 原生质量工程不是一步到位的。对于大多数企业来说更现实的路径是分阶段推进。本次闭门会将分享从数据底座到知识图谱再到评估闭环和 Self-Opt 的落地路线。可以概括为四个阶段第一阶段建设数据底座先解决数据可用性问题。包括需求文档、测试用例、缺陷记录、代码变更、接口文档、日志数据、发布记录等质量相关数据的统一管理与治理。没有数据底座AI 很难真正理解企业业务和系统上下文。第二阶段构建知识图谱在数据基础上进一步建立需求、功能、接口、代码、用例、缺陷、风险之间的关系。这一步的价值在于让 AI 不只是“读文本”而是能够理解业务对象之间的结构化关系。第三阶段形成评估闭环AI 生成的结果必须可评估。无论是生成测试场景、测试用例、自动化脚本还是进行日志分析、缺陷定位都需要有明确的质量评估标准。否则AI 只是提高了产出速度却无法保证产出可信度。第四阶段走向 Self-Opt当数据、知识和评估闭环逐步成熟后质量工程体系才能进一步走向自我优化。也就是让系统根据历史执行结果、缺陷反馈、覆盖变化和风险分布持续优化测试策略和质量活动。这才是 AI 原生质量工程真正值得期待的方向。八、讲师介绍Tony ChangITEA Technologies 创始人兼首席执行官Tony Chang 拥有近 40 年软件研发与质量管理经验现任 ITEA Technologies 首席执行官同时担任中关村智联软件服务业质量创新联盟战略委员会委员。他曾先后任职于 Nortel 北电与 Huawei 华为。在华为期间Tony 曾担任企业首席测试专家并负责美国研发能力中心 RDCC 实验室曾因卓越的领导力获评“亚洲年度执行官”。作为软件工程标准化与自动化的重要推动者Tony 主导并构建了多项支撑全球研发体系的核心系统包括全公司级测试自动化平台“蝴蝶”智能研发体系 WISEDREAM、JADE 等测试框架与集成自动化标准化方案目前Tony 重点聚焦 AI-Native Quality Engineering 的前沿探索。他将结合深厚的工业界经验与初创企业视角分享如何在 AI 赋能研发全链路的过程中应对代码不确定性、质量复杂性和工程体系演进等关键挑战。Peter PengITEA Technologies 联合创始人Peter Peng 拥有 25 年以上软件工程与智能工具链研发经验是国内软件测试自动化与 DevOps 领域的先行者之一。现任 ITEA Technologies 联合创始人全面负责公司新一代智能化测试平台的研发交付与产品矩阵构建。Peter 曾长期任职于华为技术有限公司深耕工程效能与测试工具链建设。他曾主导并交付支撑 5000 研发人员、覆盖百万级用例的大型测试自动化平台并出任测试工具部总监。在华为美国研究所任职期间Peter 作为高级架构师顾问主导公司级下一代 DevOps 工具链的架构设计与理念孵化并代表公司深度参与 ETSI、TM Forum 等国际标准组织中测试语言与 API 规范的定义。Peter 擅长将大规模工业实践经验转化为可落地的技术架构。在 AI 原生时代他重点关注端到端 AI-Native Quality Engineering 解决方案致力于通过智能 Agent 与自动化链路的深度耦合解决软件交付过程中的质量熵增与效能瓶颈。九、适合哪些人参加本次闭门会适合以下人群企业研发负责人测试负责人 / QA 负责人测试开发工程师自动化测试平台负责人DevOps 与工程效能团队AI 测试方向探索者智能测试平台建设团队关注 AI Agent 在研发质量领域落地的技术人员如果你所在团队正在思考以下问题这场闭门会值得重点关注如何用 AI 提升测试效率如何建设智能化质量平台如何降低自动化测试维护成本如何提升测试覆盖的有效性如何让 AI Agent 真正服务于研发质量如何从工具提效走向体系化质量工程升级如何应对 AI 生成代码带来的新质量风险十、关于 TiD 质量竞争力大会TiD 质量竞争力大会英文名称 TiD是由中关村智联软件服务业质量创新联盟主办的软件研发创新专业会议。大会在整合行业三大专业会议的基础上于 2014 年推出中国系统与软件过程改进大会 SPIChina中国软件测试大会 ChinaTest中国敏捷软件开发大会 AgileChinaTiD 始终秉承追求行业高度 Top、技术创新 innovation、专业深度 Deep 的理念内容以技术交流和实践分享为主覆盖软件研发全流程及多个角色持续推动创新技术在企业研发体系中的实践应用。作为软件研发与质量工程领域的重要交流平台TiD 长期关注工程实践、质量效能、敏捷研发、测试技术、AI 工程化等方向为企业研发团队提供高质量的专业交流机会。十一、AI 原生质量工程不只是测试工具升级AI 对测试行业的影响已经不再停留在“自动生成测试用例”这一层。真正值得关注的是AI 正在推动质量工程从工具化提效走向体系化重构。过去测试团队更多是在研发流程后半段发现问题。未来质量工程需要更早介入需求、架构、代码、数据、评估与交付链路。过去我们关注自动化脚本执行是否成功。未来我们还要关注场景生成是否可信语义评估是否有效质量活动是否可追溯系统行为是否发生漂移AI Agent 是否真正融入工程闭环质量体系是否具备持续优化能力。过去测试平台主要解决效率问题。未来AI 原生质量工程要解决的是复杂性和不确定性问题。这也是本次 ChinaTest 闭门会“混沌破局”的核心价值所在。在 AI 快速进入研发现场的今天企业需要的不只是更多工具而是一套能够应对复杂变化、持续演进、可度量、可优化的质量工程体系。十二、活动报名ChinaTest 闭门会 | 混沌破局AI 原生质量工程应用实战演习本次闭门会将围绕 AI 原生质量工程的底层能力、测试范式、实战案例与落地路线图展开深度分享。如果你正在关注 AI 测试、智能质量工程、测试平台建设、AI Agent 落地和研发效能提升欢迎报名参与。名额有限欢迎尽快锁定席位。报名方式扫描下方二维码报名或联系课程顾问 / 活动工作人员咨询席位让我们一起走进 AI 原生质量工程现场看看下一代软件质量体系究竟如何落地。关于我们霍格沃兹测试开发学社隶属于测吧北京科技有限公司是一个面向软件测试爱好者的技术交流社区。学社围绕现代软件测试工程体系展开内容涵盖软件测试入门、自动化测试、性能测试、接口测试、测试开发、全栈测试以及人工智能测试与 AI 在测试工程中的应用实践。我们关注测试工程能力的系统化建设包括 Python 自动化测试、Java 自动化测试、Web 与 App 自动化、持续集成与质量体系建设同时探索 AI 驱动的测试设计、用例生成、自动化执行与质量分析方法沉淀可复用、可落地的测试开发工程经验。在技术社区与工程实践之外学社还参与测试工程人才培养体系建设面向高校提供测试实训平台与实践支持组织开展“火焰杯” 软件测试相关技术赛事并探索以能力为导向的人才培养模式包括高校学员先学习、就业后付款的实践路径。同时学社结合真实行业需求为在职测试工程师与高潜学员提供名企大厂 1v1 私教服务用于个性化能力提升与工程实践指导。