专题演讲嘉宾：张晔

AI Coding、Vibe Coding 与研发智能体正在改变软件生产方式，也重新定义了质量保障的对象与边界。质量保障不再只是验证代码和功能是否正确，而是需要覆盖意图表达、上下文供给、生成过程、智能体行为以及软件运行结果。面对这一变化，传统以脚本和人工为核心的测试模式，正在向 AI 原生质量保障体系演进。

本次分享将从 Harness Engineering 的视角出发，探讨如何围绕测试智能体构建可约束、可观测、可反馈、可治理的质量保障机制。测试智能体并不是单一模型能力的展示，而是由多模型协同、端侧工具编排、执行反馈、证据沉淀和治理机制共同组成的质量执行系统。它能够围绕测试目标完成理解、规划、感知、执行、判定和恢复，并在 Web、移动端、桌面端等不同环境中形成多端闭环。

分享将进一步分析测试智能体工程化建设中的核心挑战，包括认知稳定性、GUI 感知准确性、动作执行可靠性、结果判定可信度以及多模型、多端适配能力。在业务落地层面，将结合腾讯业务实践介绍当前更现实的实施落地路径。

通过本次分享，听众将理解测试智能体并不是传统自动化测试的简单增强，而是 AI 原生质量保障体系中的关键执行与反馈单元。未来的质量工程将从脚本驱动走向目标驱动，从单点自动化走向多模型协同，从阶段性验证走向持续校准，最终形成具备持续感知、持续验证、持续反馈和持续演进能力的新型质量保障体系。
 

演讲提纲：

1. AI 原生质量保障新视角
2. 测试智能体的体系结构
3. 测试智能体的建设挑战
   • 认知层面：稳定性难题
   • 感知层面：准确性难题
   • 执行层面：可靠性难题
4. 测试智能体的业务落地
5. 质量工程新范式

听众收益：

• 理解 AI 原生质量保障的演进方向：看清 AI Coding、智能体研发对测试对象、测试方法和质量体系带来的变化
• 掌握测试智能体的核心架构：了解测试智能体如何通过理解、规划、感知、执行、判定和恢复形成闭环
• 识别测试智能体建设的关键挑战：理解认知稳定性、GUI 感知、动作执行、结果判定、多端适配等工程难点
• 获得业务落地参考路径：了解如何以“基础自动化 + 智能测试”为主体，结合现有质量体系推进测试提效
• 建立质量工程新范式认知：从单点工具视角升级为 AI 原生质量保障体系视角，理解未来质量工程的组织方式和能力边界