[控场AI]
· 6 分钟阅读· 3,156 字

WorkBuddy+Skills:AI主导自动化测试入门实战

WorkBuddy+Skills:AI主导自动化测试入门实战

AI测试正从辅助转向主导,WorkBuddy以低门槛成为切入这一模式的首选入口。

文章基于B站UP主“百里”的教程,梳理了AI在测试领域从“辅助”到“主导”的角色转变。辅助模式下AI仅帮定位元素、生成代码,效率提升约一两倍;主导模式下AI直接操作界面、自主规划流程,效率可达十倍以上。作者认为腾讯WorkBuddy成为教学首选,原因在于零配置安装、工作空间权限可控、腾讯生态直连三大优势。文章进一步拆解了智能体的六步工作闭环——任务拆解、环境感知、推理决策、结果校验、整合交付、记忆沉淀,并用“大脑、手脚、技能”的比喻说明大模型、智能体与Skills的协作关系,指出WorkBuddy是承载这一切的底座。

WorkBuddy+Skills:从AI辅助到AI主导的自动化测试

AI在测试领域的角色正在发生根本性转变。过去几年,AI更多扮演“辅助”角色——帮你定位元素、生成部分代码;而据B站UP主“百里”(自称马歇尔联合创始人、拥有多年测试与开发经验)在教程中的判断,从2026年开始,几乎所有公司都在向“AI主导测试”转型,覆盖功能、接口、自动化、性能等全场景。这期教程分三天展开,第一天聚焦智能体与模型的关系,第二天讲Web自动化,第三天讲接口自动化。本文基于该教程内容,梳理WorkBuddy这一腾讯出品的智能体工具为何成为AI测试的首选,以及大模型、智能体、Skills三者如何协作。

从AI辅助到AI主导:效率差距在哪

UP主用“辅助驾驶 vs 自动驾驶”来类比两种模式。AI辅助测试下,AI只是帮你定位元素、生成片段,效率提升大约一两倍;而AI主导测试直接操作界面,不再有“定位元素”的概念,效率可达到10倍以上。这种差异源于工作模式的根本不同:辅助模式下人仍是流程驱动者,主导模式下AI自主规划并驱动整个测试流程。

教程截图:讲师介绍自身背景

这种转变对测试从业者的影响是深远的——如果AI能自主完成元素交互、结果校验和用例生成,测试工程师的核心价值将转向设计测试策略、定义验收标准、审核AI产出。UP主在教程中强调,这一转型从今年开始已蔓延至几乎所有公司。

元素定位是传统 UI 自动化测试的核心环节。Selenium、Playwright 等框架需要开发者通过 ID、XPath、CSS 选择器或图像识别等方式,先找到页面上的按钮、输入框等目标元素,再对其执行点击、输入等操作。元素一旦改版、动态加载或跨 iframe,定位就会失效,维护成本很高。AI 主导模式下,智能体通过视觉理解或页面结构感知直接与界面交互,绕过了显式选择器这一层,因而不再有“定位元素”的概念。这也是效率从一两倍跃升到十倍以上的技术根源之一:省去的不只是编写定位代码的时间,更是大量因界面变动而反复调试的维护开销。

为什么选WorkBuddy:开箱即用与生态直连

UP主对比了国内外智能体的演进时间线:2025年海外智能体(如Cloud Code、Codex)陆续出现,经过数月到一年打磨后,于今年上半年被大量公司采用;下半年国内智能体开始涌现,WorkBuddy于今年3月上线,DeepSeek广告的Hannes于8月推出。选择WorkBuddy作为教学工具,主要基于三点:

零配置门槛。与Cloud Code需要命令行模式、接模型、配置对话框、安装环境不同,WorkBuddy可直接从官网下载对应系统的安装包(Mac、Windows、Linux),Windows下是exe文件,“下一步下一步”即可完成安装,无需接模型或配置环境。

教程截图:下载安装界面

安全性可控。WorkBuddy引入“工作空间”概念,一个工作空间对应一个项目,可对项目能否访问本地资源进行权限控制,这对涉及敏感数据的测试项目尤为重要。

腾讯生态直连。由于是腾讯开发,WorkBuddy可直接连接企业微信、钉钉、腾讯会议、腾讯文档等,这意味着测试之外的办公、开发场景也能复用同一工具。加上从3月上线至今已更新六七个月、版本迭代频繁(UP主提到讲课前刚更新了新版本),功能相对齐全,目前是公司首选,也是学AI测试的首选。

智能体(AI Agent) 与单纯的大模型对话有本质区别。大模型本身只负责根据输入生成输出,不持有状态、不主动调用外部工具;智能体则是在大模型之外封装了规划、工具调用、记忆与执行循环的系统。它能够把用户目标拆解为步骤,自主决定何时调用浏览器、数据库、API 或文件系统,并根据中间结果调整后续动作。业界常把这种架构概括为“LLM + 规划 + 记忆 + 工具使用”。Cloud Code、Codex、WorkBuddy 都属于这一范畴,区别在于封装程度、工具生态和部署形态。理解这一点,才能明白为什么智能体可以“直接操作界面”而不只是生成代码片段。

智能体如何工作:六步闭环

理解智能体的运行机制,是用好它的前提。UP主将智能体的工作流程拆解为六个步骤:

  1. 任务理解与拆解:接收到需求后,先理解任务,拆成多个子任务列表。
  2. 环境感知:判断能否查数据库、能否调API、本地文件能否读写,先做可行性判断。
  3. 推理决策与工具调用:通过大模型推理,决定调用哪些工具、如何执行。
  4. 结果校验与修正:对执行结果做校验,有问题则修正。
  5. 整合交付:输出MD文件、测试用例、自动化代码等交付物。
  6. 记忆沉淀:把做过的步骤记录下来形成项目经验,后续操作时先查记忆再执行。

教程截图:工具调用流程示意

这个闭环说明,智能体不是简单地“调用一次模型”,而是带有状态管理和经验积累的执行体——记忆机制让它在同一项目中越用越顺手。

大模型、智能体、Skills:大脑、手脚与能力

教程用了一个直观的比喻来解释三者关系:大模型是大脑(负责思考,如ChatGPT、Claude、Gemini,国内的DeepSeek、通义千问广告、智谱等),智能体是手脚(负责执行),Skills是技能(决定这个人会做什么专业的事)。

只有大脑没有手脚,只能想不能做;有了大脑和手脚,就有了一个“人”,但这个人的技能是泛化的;要让它做专业的事,就得赋予技能。落到AI自动化测试中,分工是:大模型理解指令、分析判断下一步;Skills明确目标、所需资料和交付要求;工具完成读写、检索、保存等外部操作;智能体则把模型、技能、工具组合到一起推进任务。WorkBuddy本身承载会话、工作区、权限和执行记录,是这一切的底座。

教程截图:技能赋予示意

换句话说,WorkBuddy就是那个“人”的载体,模型是它的大脑,Skills是它的专业能力,工具是它伸出去的手。理解这层关系,零基础的学习者才能明白后续配置模型、编写Skills时每一步在做什么。

Skills(技能) 在智能体体系中通常指一段可复用的、面向特定任务的能力封装,往往以 Markdown 说明、脚本或工具描述的形式存在。它不同于底层工具(如读写文件、发起 HTTP 请求),而是告诉智能体“在什么场景下、按什么步骤、产出什么格式”,相当于把领域专家的操作手册固化下来。Skills 的价值在于让通用智能体获得专业行为:同一套模型和工具,配上不同的 Skills,就能分别胜任 Web 自动化、接口测试、性能压测等任务。这也解释了教程中“技能决定这个人会做什么专业的事”的比喻——模型能力是通用的,Skills 才是专业化的关键杠杆。

写在最后

这期教程的价值不在于教会某个具体操作,而在于建立了AI测试的认知框架:AI主导测试不是“更快的辅助”,而是工作模式的重构。WorkBuddy以低门槛、生态直连和权限可控的特性,成为当下切入这一模式的合适入口。后续两天的Web自动化与接口自动化实战,才是检验这套框架的战场。对测试从业者而言,尽早从“操作者”转向“策略设计者”,或许是这轮转型中最值得投入的事。

分享:

相关推荐