先抛一个问题
同一个 Web 测试智能体，跑同一条用例，为什么有的几分钟跑完，有的几十分钟还在转圈？
很多人的第一反应是：模型不够强，换一个更大的。但如果你观测过测试智能体的执行日志，会发现真正的时间黑洞往往不是模型推理慢，而是这三件事：
每一步都把大段 DOM、截图、历史操作打包塞给大模型——上下文越滚越大，token 越烧越多，响应越来越慢；
每个动作都在等一次完整的大模型往返——哪怕只是「点这个按钮」「等这个元素出现」，也要劳驾大模型亲自决策；
大量 token 花在重复判断同一类问题——「我现在在哪个页面」「接下来该点哪」，每一步都从头想一遍。
也就是说，Web 测试智能体的速度瓶颈，很多时候不在模型的「智商」，而在决策架构：该交给大模型的（规划、推理、断言）交给大模型，不该交给大模型的（常规步骤决策）用轻量决策模型接管；该省的 token，一个都别多花。
这正是本次公开课要正面回答的问题——如何用 Jev 决策模型与 Token 压缩，把 Web 测试智能体的执行速度提升一个数量级。
这堂课，讲什么？
Web 测试智能体介绍从大模型驱动浏览器操作的原理讲起，看清测试智能体的完整执行回路：感知 → 决策 → 执行 → 断言。先看懂全局，再谈提速。
Web 测试智能体工具盘点测试智能体赖以工作的核心工具：浏览器操作、元素定位、页面状态感知、上下文管理，看清工具层的现状与选型空间。
Web 测试智能体技能智能体需要具备哪些技能封装才能稳定干活：登录态管理、等待策略、复杂交互处理、测试数据构造——技能的粒度，直接决定决策的效率。
决策模型介绍与应用（Jev Laya）本节主角登场：Jev 决策模型的原理是什么？它和大模型如何分工？如何接入现有的测试智能体？
使用决策模型加速 Web 测试智能体大模型管规划，决策模型管步骤——把高频、低不确定性的决策从大模型调用里剥离出来，减少大模型往返次数，这是提速的核心思路。
提速策略：Token 压缩、知识图谱召回上下文瘦身怎么做？历史经验如何通过知识图谱召回、而不是靠长上下文硬记？两条策略让每一 token 都花在刀刃上。
测试智能体的断言体系快，不等于对。提速的同时如何保证结果可信？断言体系是测试智能体不降质交付的底线，也是提速成果能不能被采信的前提。
为什么值得听？
直击痛点：速度是测试智能体从 Demo 走向日常使用的第一道门槛；
思路新颖：决策模型分层 + Token 压缩，从架构层面提速，而非朴素的「换更大的模型」；
全链路：从智能体原理、工具、技能，到决策模型、提速策略、断言体系，一次讲全；
可落地：决策分层思路、Token 压缩与知识图谱召回策略，听完即可对照自己的智能体改造。
分享嘉宾
思寒 测吧 CTO、资深测试架构师
高级测试开发工程师，15 年+ 从业经验
AI 测试框架、AI 测试平台架构师
曾就职于阿里、百度等名企
适合谁听？
测试工程师、测试开发工程师：正在用或打算用智能体做 Web 自动化，被「跑得慢、跑得贵」困扰；
QA 负责人、测试架构师：评估 AI 测试落地效率，关注智能体的成本与速度优化路径；
AI 应用开发者、Agent 开发者：想了解决策模型与 Token 压缩在真实工程场景中的应用；
对测试智能体感兴趣的技术管理者与学习者。
本文部分内容参考了霍格沃兹测试开发学社整理的相关技术资料，主要涉及软件测试、自动化测试、测试开发及 AI 测试等内容，侧重测试实践、工具应用与工程经验整理。
