前言

最近一直用 AI 在测试工作中，一段时间后发现：

AI 很强，但使用方式很碎片。

例如：

• 每次都是临时开一个聊天窗口

• 上下文经常丢失

• 不同项目的讨论混在一起

• 很多有价值的分析没有沉淀下来

所以意识到：

AI 真正的问题不是能力，而是工作流。

如果只是零散使用 AI，它很难真正提升测试能力。

所以后来尝试搭建了一套 AI测试工程师工作台，让 AI 成为日常工作的协作工具，而不是偶尔使用的聊天助手。

这篇文章主要分享这个思路。

一、为什么需要 AI 测试工作台

很多时候使用 AI 时是这样的：

想到问题 → 问 AI → 得到答案 → 结束

这种方式有两个问题：

1、AI 没有长期记忆

每个聊天窗口都是新的上下文。

2、项目经验无法沉淀

例如：

• 需求分析

• Bug原因

• 测试策略

这些信息往往留在聊天记录里，很难复用。

结果就是：

AI 每次都在“重新开始”。

所以想让 AI 真正成为测试助手，就需要一个 稳定的工作结构。

二、AI测试工程师工作台结构

我目前使用的结构。

在电脑上建立一个目录：

AI_QA_Workspace

里面分成几个模块：

AI_QA_Workspace
│
├─ 01_Projects
├─ 02_Risk_Model
├─ 03_Test_Method
├─ 04_AI_Prompt
└─ 05_Content

每个模块的作用不同。

• Projects 管项目
• Risk_Model 管风险
• Test_Method 管方法
• Prompt 提高效率
• Content 做输出

三、Projects：项目工作区

Projects 主要用于存放 具体项目信息。

例如：

01_Projects
│
└─ Project1_DakaAgent
├─ 00_context.md
├─ 01_requirements.md
├─ 02_bug_notes.md
└─ 03_test_strategy.md

这四个文件分别记录：

context

项目背景，例如：

• 项目目标

• 核心功能

• 系统模块

requirements

需求记录。

bug_notes

Bug分析和记录。

test_strategy

测试策略和重点。

这些文件相当于 项目知识库。

每次用 AI 分析问题时，可以把相关内容提供给 AI，让它理解项目上下文。

四、Risk Model：风险模型库

随着项目越来越多，会发现：

很多系统风险其实是 重复出现的。

例如：

Agent 系统常见风险：

• 工具调用失败

• 上下文理解错误

• 输出格式异常

RAG 系统常见风险：

• 检索错误

• chunk污染

• hallucination

这些可以整理成：

02_Risk_Model

例如：

• Agent系统风险.md
• RAG系统风险.md
• 电商系统风险.md

以后分析新系统时，可以直接让 AI 结合这些风险模型进行推理。

五、Test Method：测试方法库

这一部分主要沉淀 测试方法论。

例如：

03_Test_Method

里面可以包括：

• 系统理解方法

• Bug反推系统方法

• AI辅助测试流程

例如 Bug反推系统：

步骤：

1. 收集历史Bug
2. 提取业务流程
3. 提取系统模块
4. 总结风险点

这些方法在多个项目中都可以复用。

六、AI Prompt：提示词库

很多时候 AI 使用效率低，是因为每次都重新写提示词。

所以可以建立一个 Prompt 库，例如：

04_AI_Prompt

例如：

需求分析 prompt：

请基于以下需求输出：

• 业务流程
• 系统模块
• 风险点
• 建议测试场景

Bug分析 prompt：

请分析这个 Bug：

• 涉及业务流程
• 涉及系统模块
• 可能根因
• 需要补充的测试场景

这样每次使用 AI 都会更稳定。

---

七、Content：内容输出

最后一个模块是 内容输出。

例如：

05_Content

可以用来整理：

• CSDN文章

• 技术笔记

很多测试经验可以从项目沉淀中提取出来，整理成文章。

---

八、AI测试工作流

有了这个工作台之后，AI 使用方式也会变得更清晰。

例如一个典型流程：

需求
↓
AI需求理解
↓
系统建模
↓
风险分析
↓
测试设计
↓
Bug分析
↓
经验沉淀

这样 AI 就不只是一个问答工具，而是：

测试思考的辅助工具。

九、文档维护规则

文件	更新频率
context.md	几乎不动
requirements.md	有需求就加
bug_notes.md	有Bug就加
test_strategy.md	每周整理
risk_model	项目结束
test_method	项目结束

---

结语

AI 在测试领域经常被讨论的是：

• AI 写用例

• AI 自动化

• AI 提效

但从实践来看，更重要的其实是：

如何把 AI 融入日常测试工作流。

通过建立一个 AI 测试工作台，可以让：

• 项目经验逐渐沉淀

• 系统风险逐渐清晰

• 测试思路越来越系统化

AI 不再只是一个聊天工具，而是测试工程师的长期协作伙伴。

后续也会继续尝试在实际项目中完善这套方法。