如果你正在纠结 2026 年自动化测试怎么学或者已经用 Selenium 写了不少脚本但发现脚本总被页面改动、随机弹窗、环境差异打穿这篇内容正好覆盖你的问题。AI 自动化测试不是把原来的工具链换掉而是在现有 Selenium、Playwright、Appium、pytest 这套体系上加入大模型辅助写脚本、自动生成测试数据、分析失败日志、智能识别异常弹窗这些能力。效果不是“以后不用写代码”而是“写代码的效率和抗坑能力明显提升”。这篇文章会按一条完整学习路径展开从技术栈选型、环境准备到 Web UI 自动化、接口自动化、App 自动化三个主要方向再到 AI 大模型如何在用例生成、调试排错、结果分析里落地最后给出就业方向、简历项目和面试准备建议。内容定位是 0 基础也能跟做的实战教程不是理论科普。建议你跟着每章代码实际跑一遍再结合自己的项目改成带业务含义的测试脚本。1. 2026 年为什么必须学 AI 自动化测试测试行业的岗位要求这两年变化很明显。只写“点点点”的手工测试岗位在减少自动化测试、测试开发、质量效能工程师这类岗位的需求在增加。而 2026 年更明显的变化是AI 工具已经成为测试工程师日常工作的标配。1.1 AI 给自动化测试带来的四个实际变化第一脚本生成效率大幅提升。以前写一个登录流程的 Selenium 脚本从定位元素到编写断言至少需要半小时现在给 AI 一段页面描述或需求文字几分钟就能得到第一版脚本。第二失败排查成本下降。脚本跑挂以后以前要看截图、看日志、猜原因现在可以把报错堆栈、截图信息、页面 DOM 片段一起丢给大模型AI 能快速给出可能的原因和修复方案。第三测试数据生成更灵活。特别是接口测试和边界值测试手写数据质量低AI 可以根据接口参数约束生成一批合理的、不合理的、边界的数据组合。第四UI 异常弹窗不再是无解问题。随机弹窗、活动浮层、系统级弹窗是 UI 自动化最常遇到的坑现在可以通过 AI 辅助识别弹窗位置和类型结合代码里的统一处理逻辑去规避。1.2 什么人适合读这篇教程这套内容适合四类人计算机相关专业在校生想在大四前积累一个能写进简历的项目手工测试或功能测试工程师想转自动化测试方向刚入行的自动化测试工程师想补上 AI 辅助开发和接口自动化的短板对质量效能感兴趣的后端或前端开发想做一下测试基础设施。零基础不需要担心。第一章到第四章会从环境开始带后面每一章都有可运行代码。2. AI 自动化测试核心能力速览在开始动手之前先建立整体技术图景。2026 年做 AI 自动化测试主要涉及下面几层能力。能力模块具体工具 / 框架解决什么问题AI 编程助手Cursor、GitHub Copilot、通义灵码等辅助生成测试脚本、调试报错、解释框架用法大模型 APIOpenAI、Claude、国内大模型接口等测试数据生成、断言分析、日志摘要、测试报告总结Web 自动化Selenium、Playwright浏览器端 UI 自动化和跨浏览器测试接口自动化requests、pytest、Allure后端 API 功能测试、鉴权测试、全链路验证移动端自动化Appium、AirtestAndroid / iOS App UI 自动化单元测试框架pytest、JUnit、TestNG组织和执行测试用例、生成报告持续集成Jenkins、GitLab CI、GitHub Actions自动触发测试、定时执行、结果通知辅助能力Docker、Allure、Faker、OpenCV环境隔离、报告可视化、测试数据生成、图像识别2.1 核心学习重点排序如果时间有限按下面的优先级学对就业帮助最大Python 基础 pytest 测试框架。这是自动化测试最核心的底座。接口自动化测试。接口自动化性价比极高能覆盖大部分回归场景。Web UI 自动化建议直接学 Playwright 为主Selenium 要懂原理。AI 工具辅助开发。不是只会用而是能写清楚需求词让 AI 稳定产出可用脚本。App 自动化。作为加分项特别是 Airtest 这种上手快的工具。3. 适用场景与使用边界AI 自动化测试最适合解决哪些问题这里先说清楚避免走偏。3.1 能解决什么问题回归测试。每次发版前跑一遍核心用例发现问题不用等人肉点。冒烟测试。新环境部署完用自动化快速验证主流程是否可用。接口数据校验。批量验证接口返回结构、字段值、状态码是否合规。多浏览器兼容验证。Playwright 可以同时跑 Chrome、Edge、Firefox。App 核心流程验证。登录、注册、下单、支付等关键路径。失败快速定位。通过 AI 分析日志和截图缩小排查范围。3.2 不适合什么场景自动化测试不是万能药这些场景不要硬上视觉交互特别复杂的纯 UI 界面频繁改版且无稳定定位符一次性验证任务写脚本的成本比手工点还高强验证码场景尤其是滑块、点选、行为验证码不建议做绕过处理高度依赖真实用户数据和第三方服务的测试环境。3.3 合规与安全边界这一点非常重要。无论是 Web 自动化还是 App 自动化只能在你有权测试的系统内进行。不要对未经授权的网站写爬取脚本不要用自动化绕过风控、破解验证码、抓取用户隐私数据。工作中接到的测试任务如果在生产环境执行需要确认权限和影响范围。涉及用户真实信息时一律使用脱敏或 Mock 数据。4. 环境准备与前置条件从零开始的完整环境按下面顺序准备Windows / macOS / Linux 都适用。4.1 Python 环境建议安装 Python 3.10 或更高版本安装时勾选“Add Python to PATH”。python --version pip --version如果 Python 命令提示不存在把 Python 安装目录和 Scripts 目录加入系统环境变量。4.2 Node.js 环境Playwright 依赖 Node.js但 Python 版 Playwright 也需要浏览器驱动管理功能建议安装 Node.js 18 或更高版本。node --version npm --version4.3 项目虚拟环境不要直接往全局环境里装一堆包使用虚拟环境隔离项目。mkdir ai_test_project cd ai_test_project python -m venv venvWindows 激活虚拟环境venv\Scripts\activatemacOS / Linux 激活虚拟环境source venv/bin/activate安装基础依赖pip install pytest pytest-html requests selenium playwright allure-pytest faker安装 Playwright 浏览器内核playwright install chromium这里说明一下playwright install会下载浏览器本体如果网络较慢需要耐心等待如果下载失败检查代理设置或使用国内镜像源。4.4 项目目录结构建议测试项目从一开始就保持清晰结构后续维护会舒服很多。ai_test_project/ ├── config/ │ └── settings.py # 全局配置环境地址、超时时间、浏览器类型 ├── testcases/ │ ├── test_login.py # 登录模块用例 │ ├── test_order.py # 订单模块用例 │ └── test_api_demo.py # 接口用例 ├── pages/ # 页面对象封装 │ ├── base_page.py │ └── login_page.py ├── data/ # 测试数据文件 ├── reports/ # 测试报告输出 ├── logs/ # 运行日志 ├── utils/ # 工具函数 └── conftest.py # pytest 钩子和 fixture5. 用 AI 辅助编写第一个 Web 自动化测试新手第一次写 UI 自动化最容易卡在元素定位和等待策略上。这一节我直接用 Playwright 演示再给一个 Selenium 版本做对比。5.1 需求描述先给清楚在 AI 工具里写需求不要只写“帮我写个登录测试”要给出被测页面地址页面结构或元素特征输入数据预期结果运行环境示例需求描述用 Python Playwright 写一个登录测试 1. 打开 http://example.com/login 2. 输入用户名 test_user 3. 输入密码 123456 4. 点击登录按钮 5. 断言登录成功后跳转到首页且页面包含欢迎 6. 使用 fixture 管理浏览器启动和关闭5.2 从 AI 得到的 Playwright 代码示例import re import pytest from playwright.sync_api import Page, sync_playwright pytest.fixture(scopefunction) def page(): with sync_playwright() as p: browser p.chromium.launch(headlessFalse) context browser.new_context() page context.new_page() yield page context.close() browser.close() def test_login(page: Page): page.goto(http://example.com/login) page.fill(#username, test_user) page.fill(#password, 123456) page.click(button[typesubmit]) page.wait_for_url(re.compile(rhttp://example.com/home)) assert 欢迎 in page.content()这段代码只能在你有权限访问的测试环境运行。实际项目中http://example.com/login要替换成自己的测试地址。5.3 关键点等待策略新手最常见的报错是元素找不到核心原因是页面加载慢。Playwright 最大的优势是自动等待默认会等元素可操作后再执行操作。Selenium 则需要自己处理显式等待。Selenium 版本示例import time from selenium import webdriver from selenium.webdriver.common.by import By from selenium.webdriver.support.ui import WebDriverWait from selenium.webdriver.support import expected_conditions as EC driver webdriver.Chrome() try: driver.get(http://example.com/login) WebDriverWait(driver, 10).until( EC.presence_of_element_located((By.ID, username)) ) driver.find_element(By.ID, username).send_keys(test_user) driver.find_element(By.ID, password).send_keys(123456) driver.find_element(By.CSS_SELECTOR, button[typesubmit]).click() WebDriverWait(driver, 10).until( EC.url_contains(/home) ) assert 欢迎 in driver.page_source finally: driver.quit()5.4 如何让 AI 生成稳的脚本从我的经验看让 AI 生成脚本要注意三点第一把元素定位方式写清楚。如果 AI 不认识页面就必须告诉它“用户名输入框是 id 为 username 的 input”这类信息。否则它生成的定位符可能完全对不上。第二要求 AI 加异常截图和日志。你可以在需求里加一句“定位失败时截图并记录日志”这能显著提高脚本的可维护性。第三生成后不能直接信任。第一版脚本能运行不代表断言逻辑正确要人工审查测试用例的业务含义确认它真的在验证用户关心的功能。5.5 页面对象模式封装项目大了以后不要把元素选择器散落在用例里。用 Page Object 模式把页面封装起来AI 辅助下可以批量生成。# pages/login_page.py from playwright.sync_api import Page class LoginPage: def __init__(self, page: Page): self.page page self.username_input #username self.password_input #password self.submit_button button[typesubmit] def goto(self) - None: self.page.goto(http://example.com/login) def login(self, username: str, password: str) - None: self.page.fill(self.username_input, username) self.page.fill(self.password_input, password) self.page.click(self.submit_button)用例里调用from pages.login_page import LoginPage def test_login_with_page_object(page): login_page LoginPage(page) login_page.goto() login_page.login(test_user, 123456) assert page.url.endswith(/home)6. 接口自动化测试实战接口自动化是目前性价比最高的自动化方向。相比 UI 测试它跑得稳、执行快、定位问题直接非常适合 CI 集成。6.1 用 pytest requests 构建基础接口测试这里以一个简单的 REST API 为例实际项目请替换为你的接口地址。import requests import pytest BASE_URL https://api.example.com def get_token(username: str, password: str) - str: response requests.post( f{BASE_URL}/auth/login, json{username: username, password: password}, timeout10, ) response.raise_for_status() return response.json()[token] pytest.fixture(scopesession) def auth_token(): return get_token(test_user, 123456) def test_get_user_info(auth_token): headers {Authorization: fBearer {auth_token}} response requests.get(f{BASE_URL}/user/info, headersheaders, timeout10) assert response.status_code 200 data response.json() assert username in data assert created_at in data def test_create_order(auth_token): headers {Authorization: fBearer {auth_token}} payload { product_id: 1001, quantity: 2, address: 测试地址, } response requests.post(f{BASE_URL}/order/create, jsonpayload, headersheaders, timeout10) assert response.status_code in (200, 201) assert response.json()[status] success6.2 AI 自动生成边界测试数据接口测试不只是“正常流程能通”更要测异常输入。你可以把接口文档里的参数约束发给 AI让它生成一批测试用例。示例提示词以下是订单创建接口的参数说明 - product_id: string必填长度6到20 - quantity: int必填1到99 - address: string必填长度5到200 - coupon_id: string选填长度8 请生成10个测试用例包含正常数据、边界值、缺失字段、非法类型、超长字段。 输出为JSON数组每个用例包含用例名、请求体、预期状态码。这是 AI 比较擅长的事情生成后用 pytest 参数化直接跑。import pytest TEST_CASES [ {name: 正常下单, payload: {product_id: 100001, quantity: 1, address: 测试地址测试}, expected: 201}, {name: 商品ID太短, payload: {product_id: 1, quantity: 1, address: 测试地址测试}, expected: 400}, {name: 数量为0, payload: {product_id: 100001, quantity: 0, address: 测试地址测试}, expected: 400}, {name: 数量超上限, payload: {product_id: 100001, quantity: 100, address: 测试地址测试}, expected: 400}, {name: 地址过短, payload: {product_id: 100001, quantity: 1, address: 短}, expected: 400}, ] pytest.mark.parametrize(case, TEST_CASES, idslambda c: c[name]) def test_create_order_boundary(auth_token, case): headers {Authorization: fBearer {auth_token}} response requests.post( f{BASE_URL}/order/create, jsoncase[payload], headersheaders, timeout10, ) assert response.status_code case[expected]6.3 接口自动化框架搭建设计很多面试题会问“接口自动化测试框架怎么搭建”答案不是背概念而是说清楚分层结构。推荐按下面五层设计层级内容职责配置层config/env.yaml管理环境地址、账号、超时时间数据层data/cases.xlsx 或 JSON存放测试数据请求封装层utils/http_client.py统一处理请求、鉴权、日志用例层testcases/test_xxx.py业务场景和断言报告层Allure / pytest-html输出可读报告6.4 用 Faker 生成测试数据接口测试经常需要随机手机号、随机姓名用 Faker 可以实现。from faker import Faker fake Faker(zh_CN) def generate_user(): return { name: fake.name(), phone: fake.phone_number(), email: fake.email(), } def test_register_user(): user generate_user() response requests.post( f{BASE_URL}/auth/register, jsonuser, timeout10, ) assert response.status_code 2017. App 自动化测试与异常弹窗处理移动端自动化有两个主流方向Appium 功能强但要配置的环境较多Airtest 适合游戏和安卓设备的快速脚本录制。这里重点讲两种工具的分工以及一个高频面试题非预期弹窗导致失败怎么解决。7.1 Appium 基础示例Appium 通过 WebDriver 协议控制设备和应用。接设备前先确认调试模式打开并且设备上安装了被测 App。from appium import webdriver desired_caps { platformName: Android, platformVersion: 13.0, deviceName: Android Emulator, appPackage: com.example.app, appActivity: .MainActivity, noReset: True, } driver webdriver.Remote(http://127.0.0.1:4723/wd/hub, desired_caps) driver.implicitly_wait(10)实际项目中appPackage和appActivity需要按被测 App 的信息替换。7.2 Airtest 快速上手Airtest 的定位更偏向图像识别适合游戏和控件结构不清晰的 App。from airtest.core.api import * connect_device(Android:///) start_app(com.example.app) touch(Template(login_button.png)) wait(Template(home_page.png), timeout10) assert_exists(Template(welcome_text.png), 登录后进入首页)Airtest 的优点是上手快缺点是图像模板在分辨率变化后可能失效所以控件定位优先的方案仍然要会。7.3 非预期弹窗导致失败的统一处理方案这是自动化测试里非常经典的痛点脚本跑着跑着突然弹出活动浮层、公告弹窗、隐私政策弹窗下一步的控件被遮挡测试失败。常规处理方案有四种在关键操作前增加弹窗扫描遇到弹窗时根据文本或控件特征识别并关闭关闭失败时截屏并重试配合 AI 判断弹窗类型下面是一个 Playwright 场景下的模拟思路from playwright.sync_api import Page class PopupHandler: def __init__(self, page: Page): self.page page self.close_selectors [ .modal .close-btn, .popup .close, text我知道了, text关闭, text知道了, ] def try_close_popup(self) - bool: for selector in self.close_selectors: try: locator self.page.locator(selector) if locator.count() 0 and locator.first.is_visible(): locator.first.click(timeout2000) return True except Exception: continue return False def test_with_popup_handler(page: Page): page.goto(http://example.com/home) handler PopupHandler(page) handler.try_close_popup() page.click(text开始购买)更进阶的做法是第一次运行时把弹窗截图收集下来交给 AI 识别弹窗类型并输出推荐处理方式然后把这些规则写回配置文件。这样遇到新弹窗时测试框架能自动应用处理策略避免每次都失败。8. 大模型深度融入测试开发的进阶玩法前面的章节还是“AI 辅助写代码”这一章升级到“AI 参与测试决策”。8.1 AI 辅助断言传统断言是“等于某个值”但很多 UI 结果不是固定值而是语义化的内容。比如“页面出现登录成功的提示”提示文案可能是“登录成功”“欢迎回来”“登录成功欢迎您”。用正则写很麻烦用大模型做语义断言则更灵活。from openai import OpenAI client OpenAI(api_keyyour_api_key) def ai_assert(text: str, expected: str) - bool: prompt f判断下面文本是否表达{expected}的意思只回答是或否\n{text} response client.chat.completions.create( modelgpt-4o-mini, messages[{role: user, content: prompt}], temperature0, ) answer response.choices[0].message.content.strip() return answer.startswith(是)注意这里调用的是通用大模型接口实际项目中要按你的模型供应商和私有化部署情况调整。8.2 AI 分析失败日志接口测试或 UI 测试跑挂后把报错信息、请求参数、响应内容拼成一个 prompt让大模型给出定位建议。这比人肉读日志快很多。def analyze_failure(feature: str, exception: str, screenshot_desc: str) - str: prompt f 我是测试工程师有一个自动化用例失败。 功能模块{feature} 异常信息{exception} 截图描述{screenshot_desc} 请分析可能原因并按优先级给出排查步骤。 response client.chat.completions.create( modelgpt-4o-mini, messages[{role: user, content: prompt}], temperature0.2, ) return response.choices[0].message.content8.3 AI 生成测试用例的设计模式让 AI 生成测试用例时建议使用“明确输入物 明确约束 明确输出形式”的结构。示例系统有一个优惠券列表接口参数包括 - page: int默认1 - size: int默认10最大100 - status: string可选值active, expired, used - sort: string可选值created_at, expired_at 请生成 1. 正常场景用例 2. 分页边界场景 3. 排序字段校验场景 4. 权限异常场景 每个用例给出接口路径、查询参数和断言点。8.4 AI 在 CI 流程中的定位最常见的整合方式是测试失败 - 脚本自动收集日志和截图 - 调用大模型分析 - 把分析结果写入报告或钉钉/飞书通知。这样测试人员第二天不需要打开一堆报告只看 AI 总结摘要即可。def parse_allure_and_notify(): # 读取 allure 报告中的 failed cases failed_cases read_failed_cases() summary summarize_with_llm(failed_cases) send_dingtalk_message(summary)9. 从入门到就业的能力模型与项目路线标题里说“学完即可就业”这里不能承诺什么但每个技术方向对应的岗位能力是可以拆出来的。2026 年想拿到自动化测试相关工作建议按下面的能力模型对照检查。9.1 岗位能力对照表岗位方向核心技能加分项自动化测试工程师Python、pytest、Selenium / Playwright、接口自动化Allure、Docker、CI测试开发工程师框架设计、底层封装、CI/CD 集成、工具开发自研平台、二次开发能力AI 质量工程师AI 辅助测试、Prompt 工程、大模型 API 接入模型评估、数据标注流程移动测试工程师Appium / Airtest、真机与模拟器、性能测试iOS / Android 平台差异经验9.2 简历项目怎么写很多初学者的简历写着“熟悉 Selenium”但缺少项目细节。建议至少准备一个完整项目写清以下信息项目背景被测系统是什么业务。技术栈Python pytest Playwright Allure。个人职责搭建 UI 自动化框架封装公共方法编写 30 条核心回归用例接入 Jenkins 定时执行。量化结果用例数量、执行时间、发现的缺陷数、线上回归效率提升比例。AI 实践通过大模型生成了多少条接口测试数据失败日志分析效率提升多少。推荐做一个带数据看板的开源或模拟项目把报告截图放进作品集面试时直接展示。9.3 常见面试题应对除了会写代码还要能回答以下问题Selenium 和 Playwright 的区别是什么显式等待和隐式等待的区别接口自动化测试框架怎么搭建遇到非预期弹窗导致用例失败怎么处理怎么判断一个用例是稳定用例还是脆性用例自动化测试能做手工测试百分之多少的替代大模型如何辅助生成和维护测试用例如何保证测试数据不污染生产环境每个问题回答时都带一个实际案例。比如“非预期弹窗”就直接讲本章的扫描关闭策略“接口框架搭建”就画分层结构 代码目录。10. 常见问题与排查方法下面是自动化测试项目里最高频的问题清单建议收藏当工具表用。问题现象可能原因排查方式解决方案Python 命令找不到未加入 PATH输入where python查看重装 Python 并勾选 Add to PATHpip 安装慢或超时默认源不稳定查看报错信息使用国内镜像源pip install -i https://pypi.tuna.tsinghua.edu.cn/simple 包名Playwright 浏览器下载失败网络问题查看下载日志配置镜像环境变量后重试playwright install启动 Chrome 报错 SessionNotCreatedChromeDriver 版本不匹配检查浏览器版本和驱动版本使用 Selenium Manager 自动匹配或手动下载对应驱动页面元素找不到加载慢 / 元素在 iframe / 元素是动态渲染检查页面结构、增加等待、打印 page.title使用显式等待Playwright 可开启自动等待用例偶发失败弹窗遮挡 / 时序问题 / 测试数据重复查看失败截图和录屏确认失败一致性加入弹窗处理机制使用独立测试数据接口返回 401token 过期或未传检查请求头增加 token 自动刷新机制接口请求超时测试环境服务慢或网络隔离使用 curl 手动请求确认增加超时配置和重试机制批量任务跑到一半卡住资源占用过高 / 某个用例死锁查看日志定位卡住的用例增加单用例超时和失败重试限制并发数Allure 报告无数据allure 环境变量缺失或生成目录错误检查命令产物目录重新安装 allure 并确认--alluredir路径10.1 自动化测试中 AI 辅助 Debug 的具体操作碰到报错先不要急着人工读日志把下面三个信息交给 AI用例名称和业务步骤完整报错堆栈失败截图或页面 HTML 片段AI 给出的答案不一定完全正确但它能快速缩小范围。常见的失败原因集中在定位符失效、等待时间不够、环境数据被污染、接口返回异常四类从这几个方向排查效率最高。11. 最佳实践与使用建议项目落地阶段建议按下面的规则执行能少踩很多坑。11.1 测试数据管理不用生产环境真实数据跑测试。准备独立的测试账号、测试商品、测试优惠券数据在每次运行前重置。用 Faker 生成的数据要特别注意唯一性比如使用时间戳或 UUID 后缀。import uuid unique_username ftest_{uuid.uuid4().hex[:8]}11.2 用例稳定性优先自动化用例的价值在于稳定执行。宁可少写 10 条不稳定用例也不要保留一条动不动就失败的用例。每次运行失败后把失败原因分类记录弹窗类、数据类、环境类要分开处理不要都用重试掩盖问题。11.3 在 CI 中集成自动化测试推荐先做接口自动化接入 Jenkins再逐步加入 UI 自动化。# .gitlab-ci.yml 示例 stages: - test api-test: stage: test script: - pip install -r requirements.txt - pytest testcases/test_api_demo.py --alluredirreports/allure-results artifacts: paths: - reports/allure-results11.4 合规与安全提醒所有自动化脚本都只用于被授权测试的系统。人脸、声音、用户身份信息、支付信息和版权素材等敏感数据在测试环境中必须脱敏。不要使用自动化工具绕过登录验证、抓取受限数据、攻击第三方服务。AI 辅助生成的测试数据也必须在隔离环境里运行确认无风险后才能使用。11.5 持续学习路径自动化测试技术栈更新速度快建议定期关注Playwright 官方文档的版本更新pytest 插件生态AI 编程助手的测试能力变化各家大模型 API 的函数调用能力优先形成“框架能力 业务理解 AI 辅助”的组合而不是单纯会记 API。12. 怎么规划自己的 2026 学习计划如果你是完全零基础建议按四周安排不要贪多。第一周基础与环境完成 Python 基础语法学习重点掌握列表、字典、函数、类、文件读写。完成环境搭建跑通 pytest 第一个用例。学会用 pytest 批量执行和断言。第二周接口自动化学习 requests 库完成 5 个接口用例。学习 pytest 参数化和 fixture。尝试用 AI 生成接口测试数据和用例。跑通 Allure 报告并生成 HTML。第三周Web UI 自动化学习 Playwright 定位方式、等待策略、iframe 处理。完成登录、下单、列表页三个核心流程。封装 Page Object。第四周App 自动化 项目整合使用 Airtest 或 Appium 跑一个移动端核心流程。把接口测试和 UI 测试放到同一个 pytest 工程里。将项目文档、截图、报告整理成简历项目材料。2026 年最应该重视的 AI 能力纯手工编写测试脚本的时代还在但效率边界已经很明显。大模型在测试领域的价值不是替代测试工程师而是把重复性劳动压缩到最低让测试人员把精力集中在设计场景、评估风险和判断结果上。正式开始之前最值得先验证的事情是把你手头最熟悉的页面或接口需求给 AI让它生成一条能通过的用例然后人工审查这段测试代码是否真的覆盖了业务预期。这个过程跑完你基本就掌握了 AI 自动化测试的核心工作模式。自动化测试这条路没有捷径路径很清晰会写脚本、懂框架、会处理不稳定问题、能用 AI 提速。把这篇文章里每一章代码都跑通再结合一个真实业务系统做完整项目后面投递相关岗位时你的实际产出会比简历上的文字更有说服力。 AI+自动化测试2026学习路线：从工具到实战
如果你正在纠结 2026 年自动化测试怎么学或者已经用 Selenium 写了不少脚本但发现脚本总被页面改动、随机弹窗、环境差异打穿这篇内容正好覆盖你的问题。AI 自动化测试不是把原来的工具链换掉而是在现有 Selenium、Playwright、Appium、pytest 这套体系上加入大模型辅助写脚本、自动生成测试数据、分析失败日志、智能识别异常弹窗这些能力。效果不是“以后不用写代码”而是“写代码的效率和抗坑能力明显提升”。这篇文章会按一条完整学习路径展开从技术栈选型、环境准备到 Web UI 自动化、接口自动化、App 自动化三个主要方向再到 AI 大模型如何在用例生成、调试排错、结果分析里落地最后给出就业方向、简历项目和面试准备建议。内容定位是 0 基础也能跟做的实战教程不是理论科普。建议你跟着每章代码实际跑一遍再结合自己的项目改成带业务含义的测试脚本。1. 2026 年为什么必须学 AI 自动化测试测试行业的岗位要求这两年变化很明显。只写“点点点”的手工测试岗位在减少自动化测试、测试开发、质量效能工程师这类岗位的需求在增加。而 2026 年更明显的变化是AI 工具已经成为测试工程师日常工作的标配。1.1 AI 给自动化测试带来的四个实际变化第一脚本生成效率大幅提升。以前写一个登录流程的 Selenium 脚本从定位元素到编写断言至少需要半小时现在给 AI 一段页面描述或需求文字几分钟就能得到第一版脚本。第二失败排查成本下降。脚本跑挂以后以前要看截图、看日志、猜原因现在可以把报错堆栈、截图信息、页面 DOM 片段一起丢给大模型AI 能快速给出可能的原因和修复方案。第三测试数据生成更灵活。特别是接口测试和边界值测试手写数据质量低AI 可以根据接口参数约束生成一批合理的、不合理的、边界的数据组合。第四UI 异常弹窗不再是无解问题。随机弹窗、活动浮层、系统级弹窗是 UI 自动化最常遇到的坑现在可以通过 AI 辅助识别弹窗位置和类型结合代码里的统一处理逻辑去规避。1.2 什么人适合读这篇教程这套内容适合四类人计算机相关专业在校生想在大四前积累一个能写进简历的项目手工测试或功能测试工程师想转自动化测试方向刚入行的自动化测试工程师想补上 AI 辅助开发和接口自动化的短板对质量效能感兴趣的后端或前端开发想做一下测试基础设施。零基础不需要担心。第一章到第四章会从环境开始带后面每一章都有可运行代码。2. AI 自动化测试核心能力速览在开始动手之前先建立整体技术图景。2026 年做 AI 自动化测试主要涉及下面几层能力。能力模块具体工具 / 框架解决什么问题AI 编程助手Cursor、GitHub Copilot、通义灵码等辅助生成测试脚本、调试报错、解释框架用法大模型 APIOpenAI、Claude、国内大模型接口等测试数据生成、断言分析、日志摘要、测试报告总结Web 自动化Selenium、Playwright浏览器端 UI 自动化和跨浏览器测试接口自动化requests、pytest、Allure后端 API 功能测试、鉴权测试、全链路验证移动端自动化Appium、AirtestAndroid / iOS App UI 自动化单元测试框架pytest、JUnit、TestNG组织和执行测试用例、生成报告持续集成Jenkins、GitLab CI、GitHub Actions自动触发测试、定时执行、结果通知辅助能力Docker、Allure、Faker、OpenCV环境隔离、报告可视化、测试数据生成、图像识别2.1 核心学习重点排序如果时间有限按下面的优先级学对就业帮助最大Python 基础 pytest 测试框架。这是自动化测试最核心的底座。接口自动化测试。接口自动化性价比极高能覆盖大部分回归场景。Web UI 自动化建议直接学 Playwright 为主Selenium 要懂原理。AI 工具辅助开发。不是只会用而是能写清楚需求词让 AI 稳定产出可用脚本。App 自动化。作为加分项特别是 Airtest 这种上手快的工具。3. 适用场景与使用边界AI 自动化测试最适合解决哪些问题这里先说清楚避免走偏。3.1 能解决什么问题回归测试。每次发版前跑一遍核心用例发现问题不用等人肉点。冒烟测试。新环境部署完用自动化快速验证主流程是否可用。接口数据校验。批量验证接口返回结构、字段值、状态码是否合规。多浏览器兼容验证。Playwright 可以同时跑 Chrome、Edge、Firefox。App 核心流程验证。登录、注册、下单、支付等关键路径。失败快速定位。通过 AI 分析日志和截图缩小排查范围。3.2 不适合什么场景自动化测试不是万能药这些场景不要硬上视觉交互特别复杂的纯 UI 界面频繁改版且无稳定定位符一次性验证任务写脚本的成本比手工点还高强验证码场景尤其是滑块、点选、行为验证码不建议做绕过处理高度依赖真实用户数据和第三方服务的测试环境。3.3 合规与安全边界这一点非常重要。无论是 Web 自动化还是 App 自动化只能在你有权测试的系统内进行。不要对未经授权的网站写爬取脚本不要用自动化绕过风控、破解验证码、抓取用户隐私数据。工作中接到的测试任务如果在生产环境执行需要确认权限和影响范围。涉及用户真实信息时一律使用脱敏或 Mock 数据。4. 环境准备与前置条件从零开始的完整环境按下面顺序准备Windows / macOS / Linux 都适用。4.1 Python 环境建议安装 Python 3.10 或更高版本安装时勾选“Add Python to PATH”。python --version pip --version如果 Python 命令提示不存在把 Python 安装目录和 Scripts 目录加入系统环境变量。4.2 Node.js 环境Playwright 依赖 Node.js但 Python 版 Playwright 也需要浏览器驱动管理功能建议安装 Node.js 18 或更高版本。node --version npm --version4.3 项目虚拟环境不要直接往全局环境里装一堆包使用虚拟环境隔离项目。mkdir ai_test_project cd ai_test_project python -m venv venvWindows 激活虚拟环境venv\Scripts\activatemacOS / Linux 激活虚拟环境source venv/bin/activate安装基础依赖pip install pytest pytest-html requests selenium playwright allure-pytest faker安装 Playwright 浏览器内核playwright install chromium这里说明一下playwright install会下载浏览器本体如果网络较慢需要耐心等待如果下载失败检查代理设置或使用国内镜像源。4.4 项目目录结构建议测试项目从一开始就保持清晰结构后续维护会舒服很多。ai_test_project/ ├── config/ │ └── settings.py # 全局配置环境地址、超时时间、浏览器类型 ├── testcases/ │ ├── test_login.py # 登录模块用例 │ ├── test_order.py # 订单模块用例 │ └── test_api_demo.py # 接口用例 ├── pages/ # 页面对象封装 │ ├── base_page.py │ └── login_page.py ├── data/ # 测试数据文件 ├── reports/ # 测试报告输出 ├── logs/ # 运行日志 ├── utils/ # 工具函数 └── conftest.py # pytest 钩子和 fixture5. 用 AI 辅助编写第一个 Web 自动化测试新手第一次写 UI 自动化最容易卡在元素定位和等待策略上。这一节我直接用 Playwright 演示再给一个 Selenium 版本做对比。5.1 需求描述先给清楚在 AI 工具里写需求不要只写“帮我写个登录测试”要给出被测页面地址页面结构或元素特征输入数据预期结果运行环境示例需求描述用 Python Playwright 写一个登录测试 1. 打开 http://example.com/login 2. 输入用户名 test_user 3. 输入密码 123456 4. 点击登录按钮 5. 断言登录成功后跳转到首页且页面包含欢迎 6. 使用 fixture 管理浏览器启动和关闭5.2 从 AI 得到的 Playwright 代码示例import re import pytest from playwright.sync_api import Page, sync_playwright pytest.fixture(scopefunction) def page(): with sync_playwright() as p: browser p.chromium.launch(headlessFalse) context browser.new_context() page context.new_page() yield page context.close() browser.close() def test_login(page: Page): page.goto(http://example.com/login) page.fill(#username, test_user) page.fill(#password, 123456) page.click(button[typesubmit]) page.wait_for_url(re.compile(rhttp://example.com/home)) assert 欢迎 in page.content()这段代码只能在你有权限访问的测试环境运行。实际项目中http://example.com/login要替换成自己的测试地址。5.3 关键点等待策略新手最常见的报错是元素找不到核心原因是页面加载慢。Playwright 最大的优势是自动等待默认会等元素可操作后再执行操作。Selenium 则需要自己处理显式等待。Selenium 版本示例import time from selenium import webdriver from selenium.webdriver.common.by import By from selenium.webdriver.support.ui import WebDriverWait from selenium.webdriver.support import expected_conditions as EC driver webdriver.Chrome() try: driver.get(http://example.com/login) WebDriverWait(driver, 10).until( EC.presence_of_element_located((By.ID, username)) ) driver.find_element(By.ID, username).send_keys(test_user) driver.find_element(By.ID, password).send_keys(123456) driver.find_element(By.CSS_SELECTOR, button[typesubmit]).click() WebDriverWait(driver, 10).until( EC.url_contains(/home) ) assert 欢迎 in driver.page_source finally: driver.quit()5.4 如何让 AI 生成稳的脚本从我的经验看让 AI 生成脚本要注意三点第一把元素定位方式写清楚。如果 AI 不认识页面就必须告诉它“用户名输入框是 id 为 username 的 input”这类信息。否则它生成的定位符可能完全对不上。第二要求 AI 加异常截图和日志。你可以在需求里加一句“定位失败时截图并记录日志”这能显著提高脚本的可维护性。第三生成后不能直接信任。第一版脚本能运行不代表断言逻辑正确要人工审查测试用例的业务含义确认它真的在验证用户关心的功能。5.5 页面对象模式封装项目大了以后不要把元素选择器散落在用例里。用 Page Object 模式把页面封装起来AI 辅助下可以批量生成。# pages/login_page.py from playwright.sync_api import Page class LoginPage: def __init__(self, page: Page): self.page page self.username_input #username self.password_input #password self.submit_button button[typesubmit] def goto(self) - None: self.page.goto(http://example.com/login) def login(self, username: str, password: str) - None: self.page.fill(self.username_input, username) self.page.fill(self.password_input, password) self.page.click(self.submit_button)用例里调用from pages.login_page import LoginPage def test_login_with_page_object(page): login_page LoginPage(page) login_page.goto() login_page.login(test_user, 123456) assert page.url.endswith(/home)6. 接口自动化测试实战接口自动化是目前性价比最高的自动化方向。相比 UI 测试它跑得稳、执行快、定位问题直接非常适合 CI 集成。6.1 用 pytest requests 构建基础接口测试这里以一个简单的 REST API 为例实际项目请替换为你的接口地址。import requests import pytest BASE_URL https://api.example.com def get_token(username: str, password: str) - str: response requests.post( f{BASE_URL}/auth/login, json{username: username, password: password}, timeout10, ) response.raise_for_status() return response.json()[token] pytest.fixture(scopesession) def auth_token(): return get_token(test_user, 123456) def test_get_user_info(auth_token): headers {Authorization: fBearer {auth_token}} response requests.get(f{BASE_URL}/user/info, headersheaders, timeout10) assert response.status_code 200 data response.json() assert username in data assert created_at in data def test_create_order(auth_token): headers {Authorization: fBearer {auth_token}} payload { product_id: 1001, quantity: 2, address: 测试地址, } response requests.post(f{BASE_URL}/order/create, jsonpayload, headersheaders, timeout10) assert response.status_code in (200, 201) assert response.json()[status] success6.2 AI 自动生成边界测试数据接口测试不只是“正常流程能通”更要测异常输入。你可以把接口文档里的参数约束发给 AI让它生成一批测试用例。示例提示词以下是订单创建接口的参数说明 - product_id: string必填长度6到20 - quantity: int必填1到99 - address: string必填长度5到200 - coupon_id: string选填长度8 请生成10个测试用例包含正常数据、边界值、缺失字段、非法类型、超长字段。 输出为JSON数组每个用例包含用例名、请求体、预期状态码。这是 AI 比较擅长的事情生成后用 pytest 参数化直接跑。import pytest TEST_CASES [ {name: 正常下单, payload: {product_id: 100001, quantity: 1, address: 测试地址测试}, expected: 201}, {name: 商品ID太短, payload: {product_id: 1, quantity: 1, address: 测试地址测试}, expected: 400}, {name: 数量为0, payload: {product_id: 100001, quantity: 0, address: 测试地址测试}, expected: 400}, {name: 数量超上限, payload: {product_id: 100001, quantity: 100, address: 测试地址测试}, expected: 400}, {name: 地址过短, payload: {product_id: 100001, quantity: 1, address: 短}, expected: 400}, ] pytest.mark.parametrize(case, TEST_CASES, idslambda c: c[name]) def test_create_order_boundary(auth_token, case): headers {Authorization: fBearer {auth_token}} response requests.post( f{BASE_URL}/order/create, jsoncase[payload], headersheaders, timeout10, ) assert response.status_code case[expected]6.3 接口自动化框架搭建设计很多面试题会问“接口自动化测试框架怎么搭建”答案不是背概念而是说清楚分层结构。推荐按下面五层设计层级内容职责配置层config/env.yaml管理环境地址、账号、超时时间数据层data/cases.xlsx 或 JSON存放测试数据请求封装层utils/http_client.py统一处理请求、鉴权、日志用例层testcases/test_xxx.py业务场景和断言报告层Allure / pytest-html输出可读报告6.4 用 Faker 生成测试数据接口测试经常需要随机手机号、随机姓名用 Faker 可以实现。from faker import Faker fake Faker(zh_CN) def generate_user(): return { name: fake.name(), phone: fake.phone_number(), email: fake.email(), } def test_register_user(): user generate_user() response requests.post( f{BASE_URL}/auth/register, jsonuser, timeout10, ) assert response.status_code 2017. App 自动化测试与异常弹窗处理移动端自动化有两个主流方向Appium 功能强但要配置的环境较多Airtest 适合游戏和安卓设备的快速脚本录制。这里重点讲两种工具的分工以及一个高频面试题非预期弹窗导致失败怎么解决。7.1 Appium 基础示例Appium 通过 WebDriver 协议控制设备和应用。接设备前先确认调试模式打开并且设备上安装了被测 App。from appium import webdriver desired_caps { platformName: Android, platformVersion: 13.0, deviceName: Android Emulator, appPackage: com.example.app, appActivity: .MainActivity, noReset: True, } driver webdriver.Remote(http://127.0.0.1:4723/wd/hub, desired_caps) driver.implicitly_wait(10)实际项目中appPackage和appActivity需要按被测 App 的信息替换。7.2 Airtest 快速上手Airtest 的定位更偏向图像识别适合游戏和控件结构不清晰的 App。from airtest.core.api import * connect_device(Android:///) start_app(com.example.app) touch(Template(login_button.png)) wait(Template(home_page.png), timeout10) assert_exists(Template(welcome_text.png), 登录后进入首页)Airtest 的优点是上手快缺点是图像模板在分辨率变化后可能失效所以控件定位优先的方案仍然要会。7.3 非预期弹窗导致失败的统一处理方案这是自动化测试里非常经典的痛点脚本跑着跑着突然弹出活动浮层、公告弹窗、隐私政策弹窗下一步的控件被遮挡测试失败。常规处理方案有四种在关键操作前增加弹窗扫描遇到弹窗时根据文本或控件特征识别并关闭关闭失败时截屏并重试配合 AI 判断弹窗类型下面是一个 Playwright 场景下的模拟思路from playwright.sync_api import Page class PopupHandler: def __init__(self, page: Page): self.page page self.close_selectors [ .modal .close-btn, .popup .close, text我知道了, text关闭, text知道了, ] def try_close_popup(self) - bool: for selector in self.close_selectors: try: locator self.page.locator(selector) if locator.count() 0 and locator.first.is_visible(): locator.first.click(timeout2000) return True except Exception: continue return False def test_with_popup_handler(page: Page): page.goto(http://example.com/home) handler PopupHandler(page) handler.try_close_popup() page.click(text开始购买)更进阶的做法是第一次运行时把弹窗截图收集下来交给 AI 识别弹窗类型并输出推荐处理方式然后把这些规则写回配置文件。这样遇到新弹窗时测试框架能自动应用处理策略避免每次都失败。8. 大模型深度融入测试开发的进阶玩法前面的章节还是“AI 辅助写代码”这一章升级到“AI 参与测试决策”。8.1 AI 辅助断言传统断言是“等于某个值”但很多 UI 结果不是固定值而是语义化的内容。比如“页面出现登录成功的提示”提示文案可能是“登录成功”“欢迎回来”“登录成功欢迎您”。用正则写很麻烦用大模型做语义断言则更灵活。from openai import OpenAI client OpenAI(api_keyyour_api_key) def ai_assert(text: str, expected: str) - bool: prompt f判断下面文本是否表达{expected}的意思只回答是或否\n{text} response client.chat.completions.create( modelgpt-4o-mini, messages[{role: user, content: prompt}], temperature0, ) answer response.choices[0].message.content.strip() return answer.startswith(是)注意这里调用的是通用大模型接口实际项目中要按你的模型供应商和私有化部署情况调整。8.2 AI 分析失败日志接口测试或 UI 测试跑挂后把报错信息、请求参数、响应内容拼成一个 prompt让大模型给出定位建议。这比人肉读日志快很多。def analyze_failure(feature: str, exception: str, screenshot_desc: str) - str: prompt f 我是测试工程师有一个自动化用例失败。 功能模块{feature} 异常信息{exception} 截图描述{screenshot_desc} 请分析可能原因并按优先级给出排查步骤。 response client.chat.completions.create( modelgpt-4o-mini, messages[{role: user, content: prompt}], temperature0.2, ) return response.choices[0].message.content8.3 AI 生成测试用例的设计模式让 AI 生成测试用例时建议使用“明确输入物 明确约束 明确输出形式”的结构。示例系统有一个优惠券列表接口参数包括 - page: int默认1 - size: int默认10最大100 - status: string可选值active, expired, used - sort: string可选值created_at, expired_at 请生成 1. 正常场景用例 2. 分页边界场景 3. 排序字段校验场景 4. 权限异常场景 每个用例给出接口路径、查询参数和断言点。8.4 AI 在 CI 流程中的定位最常见的整合方式是测试失败 - 脚本自动收集日志和截图 - 调用大模型分析 - 把分析结果写入报告或钉钉/飞书通知。这样测试人员第二天不需要打开一堆报告只看 AI 总结摘要即可。def parse_allure_and_notify(): # 读取 allure 报告中的 failed cases failed_cases read_failed_cases() summary summarize_with_llm(failed_cases) send_dingtalk_message(summary)9. 从入门到就业的能力模型与项目路线标题里说“学完即可就业”这里不能承诺什么但每个技术方向对应的岗位能力是可以拆出来的。2026 年想拿到自动化测试相关工作建议按下面的能力模型对照检查。9.1 岗位能力对照表岗位方向核心技能加分项自动化测试工程师Python、pytest、Selenium / Playwright、接口自动化Allure、Docker、CI测试开发工程师框架设计、底层封装、CI/CD 集成、工具开发自研平台、二次开发能力AI 质量工程师AI 辅助测试、Prompt 工程、大模型 API 接入模型评估、数据标注流程移动测试工程师Appium / Airtest、真机与模拟器、性能测试iOS / Android 平台差异经验9.2 简历项目怎么写很多初学者的简历写着“熟悉 Selenium”但缺少项目细节。建议至少准备一个完整项目写清以下信息项目背景被测系统是什么业务。技术栈Python pytest Playwright Allure。个人职责搭建 UI 自动化框架封装公共方法编写 30 条核心回归用例接入 Jenkins 定时执行。量化结果用例数量、执行时间、发现的缺陷数、线上回归效率提升比例。AI 实践通过大模型生成了多少条接口测试数据失败日志分析效率提升多少。推荐做一个带数据看板的开源或模拟项目把报告截图放进作品集面试时直接展示。9.3 常见面试题应对除了会写代码还要能回答以下问题Selenium 和 Playwright 的区别是什么显式等待和隐式等待的区别接口自动化测试框架怎么搭建遇到非预期弹窗导致用例失败怎么处理怎么判断一个用例是稳定用例还是脆性用例自动化测试能做手工测试百分之多少的替代大模型如何辅助生成和维护测试用例如何保证测试数据不污染生产环境每个问题回答时都带一个实际案例。比如“非预期弹窗”就直接讲本章的扫描关闭策略“接口框架搭建”就画分层结构 代码目录。10. 常见问题与排查方法下面是自动化测试项目里最高频的问题清单建议收藏当工具表用。问题现象可能原因排查方式解决方案Python 命令找不到未加入 PATH输入where python查看重装 Python 并勾选 Add to PATHpip 安装慢或超时默认源不稳定查看报错信息使用国内镜像源pip install -i https://pypi.tuna.tsinghua.edu.cn/simple 包名Playwright 浏览器下载失败网络问题查看下载日志配置镜像环境变量后重试playwright install启动 Chrome 报错 SessionNotCreatedChromeDriver 版本不匹配检查浏览器版本和驱动版本使用 Selenium Manager 自动匹配或手动下载对应驱动页面元素找不到加载慢 / 元素在 iframe / 元素是动态渲染检查页面结构、增加等待、打印 page.title使用显式等待Playwright 可开启自动等待用例偶发失败弹窗遮挡 / 时序问题 / 测试数据重复查看失败截图和录屏确认失败一致性加入弹窗处理机制使用独立测试数据接口返回 401token 过期或未传检查请求头增加 token 自动刷新机制接口请求超时测试环境服务慢或网络隔离使用 curl 手动请求确认增加超时配置和重试机制批量任务跑到一半卡住资源占用过高 / 某个用例死锁查看日志定位卡住的用例增加单用例超时和失败重试限制并发数Allure 报告无数据allure 环境变量缺失或生成目录错误检查命令产物目录重新安装 allure 并确认--alluredir路径10.1 自动化测试中 AI 辅助 Debug 的具体操作碰到报错先不要急着人工读日志把下面三个信息交给 AI用例名称和业务步骤完整报错堆栈失败截图或页面 HTML 片段AI 给出的答案不一定完全正确但它能快速缩小范围。常见的失败原因集中在定位符失效、等待时间不够、环境数据被污染、接口返回异常四类从这几个方向排查效率最高。11. 最佳实践与使用建议项目落地阶段建议按下面的规则执行能少踩很多坑。11.1 测试数据管理不用生产环境真实数据跑测试。准备独立的测试账号、测试商品、测试优惠券数据在每次运行前重置。用 Faker 生成的数据要特别注意唯一性比如使用时间戳或 UUID 后缀。import uuid unique_username ftest_{uuid.uuid4().hex[:8]}11.2 用例稳定性优先自动化用例的价值在于稳定执行。宁可少写 10 条不稳定用例也不要保留一条动不动就失败的用例。每次运行失败后把失败原因分类记录弹窗类、数据类、环境类要分开处理不要都用重试掩盖问题。11.3 在 CI 中集成自动化测试推荐先做接口自动化接入 Jenkins再逐步加入 UI 自动化。# .gitlab-ci.yml 示例 stages: - test api-test: stage: test script: - pip install -r requirements.txt - pytest testcases/test_api_demo.py --alluredirreports/allure-results artifacts: paths: - reports/allure-results11.4 合规与安全提醒所有自动化脚本都只用于被授权测试的系统。人脸、声音、用户身份信息、支付信息和版权素材等敏感数据在测试环境中必须脱敏。不要使用自动化工具绕过登录验证、抓取受限数据、攻击第三方服务。AI 辅助生成的测试数据也必须在隔离环境里运行确认无风险后才能使用。11.5 持续学习路径自动化测试技术栈更新速度快建议定期关注Playwright 官方文档的版本更新pytest 插件生态AI 编程助手的测试能力变化各家大模型 API 的函数调用能力优先形成“框架能力 业务理解 AI 辅助”的组合而不是单纯会记 API。12. 怎么规划自己的 2026 学习计划如果你是完全零基础建议按四周安排不要贪多。第一周基础与环境完成 Python 基础语法学习重点掌握列表、字典、函数、类、文件读写。完成环境搭建跑通 pytest 第一个用例。学会用 pytest 批量执行和断言。第二周接口自动化学习 requests 库完成 5 个接口用例。学习 pytest 参数化和 fixture。尝试用 AI 生成接口测试数据和用例。跑通 Allure 报告并生成 HTML。第三周Web UI 自动化学习 Playwright 定位方式、等待策略、iframe 处理。完成登录、下单、列表页三个核心流程。封装 Page Object。第四周App 自动化 项目整合使用 Airtest 或 Appium 跑一个移动端核心流程。把接口测试和 UI 测试放到同一个 pytest 工程里。将项目文档、截图、报告整理成简历项目材料。2026 年最应该重视的 AI 能力纯手工编写测试脚本的时代还在但效率边界已经很明显。大模型在测试领域的价值不是替代测试工程师而是把重复性劳动压缩到最低让测试人员把精力集中在设计场景、评估风险和判断结果上。正式开始之前最值得先验证的事情是把你手头最熟悉的页面或接口需求给 AI让它生成一条能通过的用例然后人工审查这段测试代码是否真的覆盖了业务预期。这个过程跑完你基本就掌握了 AI 自动化测试的核心工作模式。自动化测试这条路没有捷径路径很清晰会写脚本、懂框架、会处理不稳定问题、能用 AI 提速。把这篇文章里每一章代码都跑通再结合一个真实业务系统做完整项目后面投递相关岗位时你的实际产出会比简历上的文字更有说服力。