2025年以来，AI Agent成为软件行业关注的热点。
与传统聊天机器人不同，Agent最大的特点是：
它不仅生成答案，还会主动规划任务、调用工具、执行操作。
例如：
用户：
“帮我分析今年销售数据，并生成报告。”
一个AI Agent可能执行：
理解需求 ↓ 查询数据库 ↓ 调用分析工具 ↓ 生成图表 ↓ 输出报告
对于测试工程师来说，一个新的问题出现：
如何测试Agent？
传统软件测试：
输入：
固定参数
↓
输出：
固定结果
例如：
接口：
POST /login username=test password=123456
验证：
返回：
200成功
但是Agent不同。
同一个问题：
可能产生不同执行路径。
例如：
用户：
“帮我退款”
Agent可能：
路径A：
查询订单
↓
验证金额
↓
退款
路径B：
查询订单
↓
发现异常
↓
转人工
路径C：
查询失败
↓
重新查询
那么：
哪条路径正确？
有没有遗漏路径？
异常流程有没有覆盖？
这就引出了搜索算法。
一、Agent测试，本质是在测试一棵决策树
可以把Agent执行过程理解成一棵树。
例如：
用户请求 | 意图分析 / | \ 查询 修改 删除 | 调接口 | 判断结果 / \ 成功 失败
测试目标：
不是只验证一个结果。
而是：
覆盖更多可能路径。
这和算法中的搜索问题高度类似。
二、DFS：深度优先搜索适合探索完整流程
DFS：
Depth First Search
深度优先搜索。
简单理解：
一条路走到底，再换另一条路。
例如测试Agent退款流程：
路径：
用户申请退款 ↓ 查询订单 ↓ 验证资格 ↓ 退款成功
DFS测试方式：
先完整跑通一条链路。
然后继续探索：
异常退款
↓
权限不足
↓
订单关闭
优势：
适合：
- 流程覆盖
- 异常场景探索
- 深层业务链路
三、BFS：广度优先搜索适合发现关键风险
BFS：
Breadth First Search
广度优先搜索。
特点：
先探索附近节点。
例如：
测试一个客服Agent。
第一层：
用户输入：
- 查询订单
- 修改地址
- 退款
第二层：
每个功能：
- 成功
- 失败
- 超时
第三层：
异常情况。
BFS适合：
快速发现：
- 高风险路径
- 高频问题
- 覆盖不足区域
四、AI测试为什么需要搜索算法？
来看一个真实场景。
企业内部上线知识库RAG机器人。
用户：
“公司年假政策是什么？”
Agent：
搜索知识库
↓
召回文档
↓
生成回答
可能出现：
情况1：
找到正确文档
回答正确。
情况2：
召回错误文档
产生幻觉。
情况3：
多个文档冲突。
测试工程师需要覆盖：
不同问题
↓
不同检索路径
↓
不同回答结果
这其实就是搜索空间问题。
五、未来AI测试工具可能是什么样？
未来测试平台可能不再只是：
录制脚本
执行接口。
而是：
AI自动探索系统。
例如：
输入：
“测试这个智能客服Agent”
系统自动：
- 生成测试问题
- 探索Agent路径
- 判断异常行为
- 生成测试报告
类似：
AI自己成为测试执行者。
但是：
如何保证AI探索有效？
需要：
搜索算法。
六、测试工程师学习搜索算法，不是为了考试
很多测试工程师看到：
DFS
BFS
会想到：
“算法题。”
但实际上：
工程中的算法思想无处不在。
比如：
自动化测试平台：
如何选择执行顺序？
↓
搜索优化
接口依赖分析：
如何找到影响范围？
↓
图搜索
Agent测试：
如何覆盖行为路径？
↓
路径搜索
七、AI质量工程师未来需要什么能力？
未来测试工程师能力结构：
测试理论 + 自动化开发 + AI应用能力 + 算法思想 + 质量工程体系
不会算法：
可以使用AI工具。
理解算法：
才能设计AI测试工具。
这是普通测试工程师和AI质量工程师的重要区别。
结语
AI时代，测试对象正在变化。
以前我们测试：
代码。
现在我们测试：
模型。
未来我们测试：
智能系统。
而智能系统最大的特点：
就是复杂、不确定、有大量决策路径。
理解DFS、BFS这些基础算法，
不是为了刷题。
而是为了理解：
如何测试一个会思考、会行动的软件系统。
AI质量工程持续分享：
关注：
- LLM测试
- Agent测试
- AI测试工具
- 质量工程实践
一起探索AI时代测试工程的新方向。
