先说个可能得罪人的结论：AI 时代，测试开发校招生最该深入的，恰恰不是 AI，而是那门"老手艺"——测试设计思维。反过来，一些你以为必须精通的技术，今天已经可以往后排了。下面我把理由讲清楚。
先看发生了什么变化
2026年8月13日，DeepSeek 开源了首款 Agent 产品 DeepSeek Harness（dsh）。对测试人来说，最值得琢磨的是它的目标：自进化的智能体框架——Agent 运行中能自检状态、即时编写并安装插件，错误修改还能撤回。连 Flask 的作者 Armin Ronacher 都表示受启发、认可其开源路线。
与此同时，我们的实测结论很克制：能干活，但得盯着。响应偏慢、复杂长任务稳定性不足、偶发循环打转。两件事放在一起，可以得出一个判断：AI 正在接管"生成"的部分，人剩下的部分是"定义"和"判断"。价值从"写出来"迁移到"判断好坏"，学习清单就该跟着调。
仍值得深入学的：高回报区
编码与工程能力。 不仅要学，还要比以前学得更深。dsh 跑在 Node.js 生态，社区教学项目 mini-dsh 用 TypeScript 从零实现、零运行时依赖，想读懂它需要实打实的 TS 功底。标准可以定成两条：读得懂别人的源码，写得出自己的工具。
计算机基础。 排查 Agent 为什么卡住、为什么循环打转、为什么成本失控，靠的是进程、I/O、网络这些老知识。基础是诊断"新型故障"的地基，一点没变。
测试设计思维。 等价类、边界值、状态迁移、错误推测——它是本文的主角，下一节单独讲。
评估与度量方法。 用确定的尺子量不确定的系统：固定任务集、成功率/耗时/成本多维指标、统计显著性。我们实测发现 dsh 的 API 成本会随任务长度放大——不做度量，这类问题根本发现不了。这个方向目前极缺人。
英语与读源码能力。 一手资料都是英文的：dsh 的 GitHub 仓库、底层 Cordis 框架论文提出的"时空可组合性"。读一手资料的人有信息差，信息差就是求职时的竞争力。
可以降低优先级的：回报变薄的部分
手写大量 UI 自动化脚本。 "写"这个动作越来越多被 AI 接管，逐行维护的回报在下降。注意，降低优先级不等于不学，标准降级为"能读懂、能评审、能修"。
背工具 API。 凡是搜得到、问 AI 就有的东西，不再是能力项。面试考察也在从"你记不记得这个 API"转向"你会怎么设计这个测试"。
盲目追新框架本身。 dsh 官方明确警告：当前是 developer preview，会有破坏性变更。追工具本身回报有限，值得追的是工具背后的设计思路——比如"一切皆插件"带来的可检查性，比如"可回滚副作用"带来的可恢复性。
为什么测试设计思维反而更值钱
因为 AI 生成的用例，需要一个懂行的"裁判"。
AI 可以几秒钟生成几十条用例，但通病很稳定：偏爱正常路径、漏掉精确边界值、断言含糊（清一色"返回正常"）、多条用例重复覆盖同一个等价类。这些毛病只有懂等价类和边界值的人看得出来——测试设计思维恰恰是评审 AI 用例的标尺。看两段代码：
人工设计的用例：等价类 + 边界值，每条用例一个意图
import pytest
def validate_coupon(code: str, order_amount: float) -> bool:
"""示意被测函数：优惠券校验，满 100 元可用，过期/无效返回 False"""
...
@pytest.mark.parametrize(
"code, amount, expected",
[
("SAVE10", 100.0, True), # 边界：恰好达到门槛
("SAVE10", 99.99, False), # 边界：门槛差一分
("SAVE10", 500.0, True), # 等价类：门槛之上
("EXPIRED", 500.0, False), # 等价类：过期券
("", 500.0, False), # 异常：空码
],
)
def test_validate_coupon(code, amount, expected):
assert validate_coupon(code, amount) is expected
简化示意：用同一把尺子评审 AI 生成的用例
REVIEW_CHECKLIST = [
"边界是否取到精确值？（AI 常用近似值，漏掉临界点）",
"无效等价类是否覆盖空值、过期、格式错误等异常？",
"断言是否具体可验证，还是清一色'返回正常'？",
"是否有多条用例重复覆盖同一个等价类？",
"用例是否依赖了未声明的前置条件？",
]
AI 负责数量，人负责质量。数量可以生成，质量只能判断。
最后
学习清单上能删掉的是"动作"，该加上的是"判断"。AI 越能写，定义"什么是好"的能力就越值钱。
本文整理自霍格沃兹测试开发学社的原创分享，更多测试开发与 AI 测试实战内容，我们下一篇见。
