AI 生成用例只是起点，真正的难点是 一

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 进入测试领域之后，测试用例生成成了最容易被关注的场景。 输入一段需求，AI 很快就能生成测试点、测试场景、BDD 用例，甚至还能继续生成自动化脚本。看上去效率提升很明显，但真正落地到业务团队后，很多问题也会暴露出来： 生成的用例是不是覆盖了核心风险？ 有没有大量重复、空泛、不可执行的描述？ 需求描述变化后，用例质量能不能自动跟着优化？ 团队多人使用后，系统能不能越用越准，而不是每次都从零开始？ 这也是当前 AI 测试用例生成从“能用”走向“好用”的关键挑战。 在本次分享中，腾讯 PCG 工程效能专家张健将带来《用例生成自进化：AI驱动的测试用例质量持续进化实践》，重点介绍腾讯 PCG 在 AI 测试用例生成方向，从“AI 辅助生成”到“Agent 自主执行”的一年实践路径。 一、讲师介绍：从用例管理插件到 AI-Native 智能测试管家 张健，腾讯 PCG 工程效能专家，来自腾讯 PCG 应用效能技术部、联合业务质效中心，长期专注于 AI + 测试工程方向。 在智能化测试工具建设方面，张健主导了多个关键系统的设计与落地： BDD 用例管理 IDE 插件 用例生成插件 CaseMaster AI-Native 智能测试管家 QA Seneschal 其中，QA Seneschal 是一套基于多 Skill 编排与置信度治理的全链路测试 Agent 系统，代表了腾讯 PCG 在智能测试方向的一次重要升级。 这次分享的重点，不是停留在“AI 能不能生成测试用例”，而是进一步回答： 生成之后，如何评估？评估之后，如何修复？修复之后，如何持续学习和进化？ 二、AI 生成用例的真正难点，不是“生成”，而是“质量可控” 很多团队在引入大模型生成测试用例时，第一阶段通常会比较兴奋。 因为相比人工从需求中逐条拆解场景，AI 确实可以快速产出大量测试用例，尤其在需求初稿、场景梳理、边界条件补充等环节，能够明显提升效率。 但进入真实业务后，问题也会变得复杂：