课程大纲

一、大模型与 Agent 认知基础：从“会用大模型”升级为“理解Agent 系统”

1. 从软件工程视角理解大模型能力边界

包括大模型基本原理、能力演进，以及在真实研发场景中的优势与局限。

2. 生成式任务的复杂度认知与预期管理

理解哪些问题适合交给 Agent，哪些仍需人工；建立对结果稳定性与不确定性的正确预期。

3. 提示词工程到“任务表达”的升级

从简单 Prompt 技巧，升级为结构化任务描述（目标、约束、上下文），提升模型执行质量。

4. Agent 系统基本架构（以 OpenClaw 为例）

理解核心组件：Agent Runner、Skill 系统、Tool 调用、Event 驱动、记忆机制如何协同工作。

5. Agent 执行闭环机制

掌握 Agent 的核心运行模式：任务规划 → 工具调用 → 执行 → 反馈 → 自动修复。

6. Agent 上下文与记忆体系设计

区分并理解：短期上下文、项目上下文、长期记忆，以及会话记忆、经验记忆的作用。

7. Agent 工程基础设施全景

包括 Agent 平台、知识库、工具系统等，理解构建可落地 Agent 系统所需的关键支撑。

二、Agent协同开发模式：利用 AI 开发复杂软件的实用模式

1. AI驱动的软件研发范式变迁及未来组织形式

案例分析。

2. 工程师角色重构 - 从写代码到设计 Harness

核心工作转为设计 Agent 的运行系统，包括任务拆解方式、模块边界，以及多 Agent 按模块分工的协作机制。

3. Repo 即 Agent 的“操作系统”

所有架构、规范、文档沉淀在代码仓库中，作为统一上下文来源，并为任务拆分后的各个 Agent 提供清晰的边界与依赖关系。

4. 构建“知识地图索引”（Context / Index Layer）

通过结构化文档、目录规范、索引机制（类似“地图”），让 Agent 能按模块快速定位所需信息，以便于将复杂系统拆解为局部上下文，支撑多 Agent 各自聚焦子模块开发，显著降低单个 Agent 的推理负担与出错率。

5. PR 驱动的 Agent 闭环执行系统

各模块 Agent 独立完成：设计 → 编码 → 提交 PR → 自检 → 迭代，

在关键节点引入人工 Review（Human-in-the-loop），保证整体方向与质量。

6. 可观测性驱动能力扩展（Observability for Agents）

通过日志、指标、执行轨迹等，使 Agent能基于运行反馈定位问题并自我修复，支持模块级问题排查（对应不同 Agent 负责域），将能力扩展到“运行 + 调试 + 修复”。

7. 用系统约束替代人工逐行审查（Architecture as Code）

将架构规则与质量标准嵌入 CI / lint / 测试中自动执行，人工只在关键决策点把关，而非参与所有细节。

三、AI驱动的自动化测试改造

1. 现有自动化框架的AI化改造

从“脚本框架”升级为“Agent执行引擎”，引入任务驱动、状态识别、自适应执行等能力。

2. 测试执行引擎的智能化升级

从自动化测试到自主测试（Autonomous Testing），构造生成 → 执行 → 分析 → 修复的闭环。自动重试与路径调整，降低脚本脆弱性，提升跨环境稳定性。

3. AI测试生成能力（用例 / 数据 / 场景）

基于需求与代码自动生成测试用例、测试数据与覆盖路径，并进行风险补全。

4. 数据与环境的自动化管理

利用 AI 自动构造测试数据、模拟复杂场景，减少人工准备成本。数据和环境脚本化，可被Agent操作。

5. 基于可观测性的测试分析与定位

能让Agent利用日志、指标、trace自动分析失败原因，定位缺陷根因，支撑 Agent自主修复。

6. 测试资产的知识化与索引化

将用例、缺陷、经验沉淀为结构化知识，支撑测试生成，提升复杂系统覆盖能力。

7. AI增强专项测试能力

包括性能测试优化、安全风险分析、回归测试集智能选择等。

四、测试角色的转型与技能迁移

1. 测试工程师角色的根本性转变

从"用例设计和执行者"转为"质量系统设计者"，负责定义内嵌在Agent中的质量保障策略SOP、规则与约束，而非手写大量用例。

2. 核心技能从测试技能到 AI 协作能力

需要掌握 Prompt 工程、Agent 编排与大规模Agent的协调、理解 Agent 的能力边界与失效模式、有效的"人工 Review"习惯、测试数据建模、可测试性改进等新技能，同时保留系统性测试思维作为核心竞争力。

3. 基于风险建模的测试设计能力

人工重点转向识别高风险场景、定义测试优先级与覆盖策略，AI 负责执行与补全，人负责判断与决策。

4. 测试知识的结构化沉淀能力

工程师需要主动构建和维护测试知识库，将领域经验转化为 AI 可消费的结构化资产，持续提升 AI生成质量。

5. 跨职能协作能力的强化

测试工程师需更深度参与需求、架构、DevOps 流程设计，参与将它们固化在Agent SOP中的过程。