我的测试感想

出来做软件测试三，四年了，确实正应了那句“测试不如开发”，只是个人观点，而且我工作过都是外企和大型国有企业，软件测试流程和管理都相对很规范化的。   　　下面几点给做测试的朋友参考一下： 　　1、钱肯定少过开发人员，除非你工作七，八年才能拿年薪10W以上，一般的软件测试工程师很难上6K以上，开发人员工作四，五年后拿7，8K是太多数的。 　　2、加班的现象可以说是很普遍，周一到周五随时加班是很正常的

就目前来说，软件测试在软件开发过程中，受到越来越多的重视，它贯穿于整个开发过程中，各种软件互联网公司都在大量招收软件测试有关人员。     前2天，我看见百度的招聘信息，它主要招收的软件测试开发人员，这就说明了，现在随着社会的进步，科技的发展，以及自动化测试的成为主流的这一种趋势，现在公司所需要的对软件测试人员的要求大幅度提高，它不仅仅要求我们有测试能力，还需要兼备软件的开发能力，这就需要我们...

在最近的项目中，接触到了一部分测试的工作。 包括测试用例的编写和具体的测试工作。 也从中学到了一些东西，记录下来，以供以后复习。 主要是思维模式的转变 首先，写测试用例最重要的一件事，是如何覆盖到全部功能和全部可能操作。 要有一种树状思维，大块是什么，延伸下来的小块是什么，各种操作都有什么，要列清楚。以一个点为中心进行辐射。 其次，展现方式也很重要，这么庞大的可能性，用什么方式

摘要：在软件工程迈入智能研发（AI-Native Development）的当下，如何将先进的 Spec-Driven Development（规范驱动开发）应用于错综复杂的既有项目（Brownfield Projects），是资深技术人员面临的最大挑战。本文将以 GitHub 官方推出的 Spec Kit (Specify CLI)​ 为核心，提供一份长达万字的深度技术指南，详细阐述如何在无源码仓库前置条件的情况下，将 SDD 工作流无缝植入您的遗留系统，实现从“人工维护”到“人机协同规范治理”的跨越。

Cat2Bug-Platform：用轻量开源的 Bug 闭环，把测试管理做得更专注

文章摘要 本文系统阐述了AI编程中的三大关键方法论：Spec Kit、TDD和Loop Engineering。三者形成完整闭环：Spec Kit（规范驱动开发）负责定义需求方向，TDD（测试驱动开发）提供客观验证标准，Loop Engineering实现自动化闭环。文章重点解析了Loop Engineering的五大核心构件：自动化机制、工作树管理、技能封装、连接器插件和子代理系统，并强调记忆持久化的重要性。最后指出TDD是连接规范和自动化的关键桥梁，三者缺一不可——Spec Kit确保"做对的事"，TD

Superpowers 的核心价值不是让 AI 变得更聪明，而是让 AI 更"专业"。它把资深工程师的思维方式和工作流程固化成可复用的 Skill，让开发者——无论经验深浅——都能按照工程化标准开发软件。 如果你目前在使用 Claude Code 时遇到"代码质量不稳定、调试效率低、返工频繁"的问题，建议尝试安装 Superpowers。从 brainstorm → design → tdd 这条基础工作流开始，逐步体验完整的工程化 AI 编程流程。

摘要：自动化测试虽能提升效率，但无法完全替代人工测试，需持续维护脚本且主要用于回归测试。实际应用中常出现与理想金字塔模型相反的"冰淇淋蛋筒"模式，初始投入较高但长期效益显著。Web自动化测试需通过WebDriver驱动浏览器，版本匹配是关键，可使用Webdriver-manager工具解决驱动更新问题。Selenium是常用工具，安装时需指定版本（如4.0.0），并配合对应浏览器驱动使用。自动化测试主要用于保障多版本软件的兼容性，新版本上线时需同步验证旧版本功能。

同一份真实简历，分别用仙踪问道、Hermes+tailored-resume-generator、AI简历姬三款工具优化后投递"AI应用高级测试工程师"岗位。实测发现：仙踪问道基于真实经历的克制优化让简历可信度较高；AI简历姬大量虚构经验有面试翻车风险；Hermes+resume skill将差距包装为成长空间，诚实又有策略性。附两款产品功能深度对比。

单元测试（Unit Test）测试的是最小可测试单元。在 Go 中，这个"单元"通常是一个函数或一个方法。单元测试 ≠ 集成测试单元测试集成测试测试范围单个函数/方法多个组件协作外部依赖全部 Mock真实数据库/Redis/HTTP执行速度< 50ms> 500ms运行频率每次保存都跑CI 流水线触发目的验证逻辑正确性验证组件集成正常Mock 是一个"替身"。真实的 UserDao：需要 MySQL 连接、网络、磁盘 IO。

是给 LLM 智能体预先定义好的、标准化的，告诉大模型「它能完成哪些细分工作、每种任务该怎么做、输出什么格式」，是 Agentic Coding（编程智能体）的核心组成部分。对应你上一张图里的Skills分层，由一份份Skill.md文件统一管理。

Groovy语言核心特性摘要 Groovy作为JVM上的动态语言，通过简化语法和增强功能显著提升开发效率。其核心特性包括： 类型推断与def关键字，支持动态类型 语法简化：可选分号、默认public、自动返回值 强大的字符串处理（GString支持插值和多行文本） 智能布尔判断（Groovy Truth） 自动生成Getter/Setter，支持默认参数和命名参数 AST转换注解实现编译时代码生成 闭包作为语言核心，支持尾随语法和委托机制 集合操作增强，提供简洁声明和丰富GDK扩展方法 这些特性使Groov

Compound Engineering 把 AI 编程从「一次性对话」升级为可检索、可复用、可验收层次代表命令复利价值环境/ce-setup工具与配置一次就绪决策需求与方案可追溯交付/ce-work+ pytest可运行代码体验真实浏览器路径验证记忆下次同类问题更快的测试表并非来自单一配置文件，而是Git 变更 + Skill 路由映射 + plan 成功标准 + 静态页/路由实现共同推导；Agent 用。

比如当我不确定测试有没有覆盖完整时，可以在opencode里面问“解释所有测试用例都定义了什么feature，做成一个列表”，然后看一眼这个markdown的列表就可以确认了，它会自动探索项目文件夹，没必要自己一个个打开代码文件读了。相对整个worker的历史记录而言，progress.txt是比较小的，而且文件很大的时候，opencode的read工具就会拒绝全部读取，要求模型使用offset和limit选项，区间读取，不会一下子占用大量上下文。“ 真正重要的，是你内心的自我评价，而非外界给你的打分。

很多卖家把时间花在后台关键词上反复调整，但A9对标题已出现的关键词会自动匹配，后台再去堆同样的词等于浪费字节空间。Listing优化真正的价值不在"搜得到"这一步——搜索排名只决定曝光量，曝光到点击靠主图和价格，点击到成交靠五点、A+和Review。三个环节各自独立，优化任何一个环节的效果会被前一个环节的效率上限卡住。

Cat2Bug-Platform：用轻量开源 Bug 管理，快速搭建测试协作闭环

这些智能体并非通用AI助手的简单套壳，而是基于泛联新安多年在代码质量测试、安全测试及数字IC验证领域的深厚积累，深度融合大模型的理解能力与确定性工具的工程能力，为航空航天企业提供从需求、编码、审查、测试到安全的全链路可信智能开发闭环。基于自研的OmniDTCoder模型，严格遵循国家军用标准规范，通过20o0亿tokens的海量嵌入式开发数据进行深度训练，成功打造国内首款嵌入式领域编码智能体，显著提升软件工程场景的研发效率和产品质量，可广泛应用于航空、航天、汽车、船舶、智能制造、能源、工业等领域。

搭建 AI 项目的 CI/CD 流水线：pytest 自动化测试、GitHub Actions 配置、Docker 镜像构建、自动部署到服务器，以及代码质量检查工具链。

Hermes记忆架构解析 Hermes采用三层记忆机制确保Agent的持续学习能力： 系统提示层：包含Agent身份、工具指引等静态信息，对话启动时注入并缓存； 对话历史层：存储当前会话的完整交互记录，实时更新； 持久记忆层：跨会话保存用户偏好、环境配置等关键事实，分为MEMORY.md（项目/工具知识）和USER.md（用户画像），严格限制字符数以保持高效。 核心特性： 主动记忆：Agent根据规则（如用户纠正、环境发现）自动保存信息，需手动清理超限内容； 外部扩展：支持插件（如Honcho、Mem0）突