软件测试学习与实践知识库

一套面向真实岗位能力、可持续更新、可在本地复现的软件测试学习教程。内容覆盖功能测试、接口测试、接口自动化、Web 与移动端 UI 自动化、性能测试、质量工程，以及生成式 AI / LLM / RAG / Agent 测试和 AI 提效；另设完整的“AI 应用开发全栈学习”课程区和“测试转人工智能开发”进阶路线，衔接 Java AI 应用与 Python Agent 开发。

当前路线核对日期：2026-09-03。

先看 项目架构与内容治理：它说明这套指南如何同时服务计算机专业小白、功能测试转自动化、测试开发拔高、AI 测试和测试转 AI 开发等学习者，以及如何通过公开市场、开源项目、可运行实验和版本核对建立可信度。

文件命名约定

仓库自有、可自定义的文件均使用中文名称，方便初学者见名知意。以下名称因代码托管 平台或工具链会自动识别而保留行业约定：README.md、.gitignore、 pyproject.toml、pom.xml、package.json、Dockerfile、__init__.py 和 conftest.py。Python/Java/TypeScript 源文件、包、类名和环境变量也遵守各语言的 行业规范；强行改成中文会破坏工具链、团队协作和真实岗位学习。面向学习者的教程、 架构说明和自有清单继续使用中文名称。

这套教程要解决什么

学习不是记住一堆工具名，而是完成一条可以展示和复现的质量闭环：

理解需求 → 识别风险 → 设计测试 → 执行与取证 → 自动化回归
        → 性能与可靠性验证 → CI 质量门禁 → 线上观测 → 复盘改进
        → 对 AI 系统建立数据集、评测器、安全测试和持续评估

完成主线后，你应该能：

• 从需求和系统设计中提取风险，使用边界值、等价类、判定表、状态迁移、组合测试和探索式测试；
• 独立分析 HTTP API，验证鉴权、契约、幂等性、并发、错误处理和数据一致性；
• 用 Python、pytest 与 requests 组织可维护的接口自动化工程；
• 用 Playwright 完成稳定的 Web UI 关键路径测试，理解 Selenium 的适用场景；
• 用 Appium 设计 Android / iOS 的跨平台移动端自动化；
• 将业务目标转换为负载模型，用 k6、JMeter 或 Locust 找到性能风险，而不只是“压一个并发数”；
• 把测试接入 CI/CD，管理测试数据、环境、报告、失败分诊和质量门禁；
• 为 LLM、RAG 和 Agent 建立离线评测集、确定性检查、模型评分、人工复核、安全红队和线上持续评估；
• 安全地使用 AI 辅助需求分析、用例设计、脚本生成和失败归因，并对结果负责。
• 在完成普通后端能力后，使用 Spring AI 或 FastAPI/LangGraph 开发可评测、可观测、权限受控的 RAG 与 Agent 应用；
• 把测试能力转化为开发作品中的自动化测试、故障注入、AI 评测、安全门禁和可靠性证据。

主线技术选择

“主线”用于形成一套完整作品；“选修”用于适配不同团队，不要求全部学完。

领域	建议主线	选修 / 对照	学习结果
功能测试	风险驱动 + 探索式测试 + 系统化设计方法	Pairwise、模型测试、可访问性	能解释为什么测、测什么、何时停止
接口探索	HTTP、OpenAPI、Postman	curl、Bruno、GraphQL 客户端	能定位请求、协议、数据和服务端问题
接口自动化	Python + pytest + requests + JSON Schema	Postman CLI、HTTPX、Newman（存量）、Schemathesis、Pact	可维护、可并行、可进 CI 的测试工程
Web UI	Playwright（Python）	Selenium	聚焦用户关键旅程，减少脆弱等待与定位器
移动 UI	Appium 3	平台原生框架	掌握真机/模拟器、上下文、手势与稳定性治理
性能	k6 + 指标/阈值/场景模型	JMeter、Locust	从容量问题出发设计并解释测试结果
质量工程	Git + CI + Docker 基础 + 可观测性	契约测试、服务虚拟化、混沌工程	让反馈更快、失败可诊断、门禁可执行
AI 测试	数据集 + 多层评测 + 安全测试 + 持续评估	promptfoo、DeepEval、Ragas、Inspect AI、garak	评测 LLM/RAG/Agent，而非凭聊天体验判断
复杂 Python 被测系统	FastAPI + React + MySQL + Redis	搜索、对象存储、消息队列	构建并测试社区问答系统的完整业务闭环
复杂 Java 被测系统	Java 21 + Spring Boot + Vue + MySQL + Redis	RabbitMQ、Spring AI	构建并测试多租户客服、工单与知识库
AI 应用开发	Python AI 中间件 + 版本化 HTTP 契约	Spring AI、LangChain4j、Spring AI Alibaba	让 Java/Python 业务安全调用可评测、可降级的 AI 能力
Agent 开发	Python + FastAPI + LangGraph + MCP	OpenAI Agents SDK、Google ADK、Microsoft Agent Framework	能构建有状态、可恢复、有人审、权限受控的 Agent

按阶段学习

完整目录、项目映射和统一完成方式见 学习阶段总览。不要从工具名或临时课程目录随机跳读。

阶段	学习入口	对应实践
0	环境与测试基础	本机环境自检与 Git 练习
1	功能测试	demo-shop 风险、模型、用例与总结
2	接口测试与自动化	demo-shop + automation-practice
3	Web 与 App UI 自动化	Playwright 工程 + app-automation-learning
4	性能测试	负载模型、阈值、监控证据和结论
5	质量工程	CI、数据环境、可观测性与失败分诊
6	AI 测试	评测集、评分器、安全用例与持续回归
7	综合实战	复杂系统测试实战
8	求职备考	单文件离线题库与模拟复盘
9	AI 应用开发全栈学习	260108Java智能体同步班 前三个模块的离线课程笔记
10	测试转 AI 开发	Java AI 应用或 Python Agent 项目

接口、Web、App 和框架教程已经分别归入对应学习阶段，不再维护平行的“自动化实战”目录。后续加入课程或项目时，先映射能力，再将知识、代码、练习和验收合并到现有阶段。

推荐学习节奏

按每周 8～10 小时设计，完整主线约 20 周；有经验可按验收项跳级。

阶段	周数	主题	必须交付
A	1～2	环境、Git、Linux、网络、SQL、Python 基础	环境自检记录与 20 个基础练习
B	3～5	功能测试与测试设计	一份风险清单、测试模型、探索式测试记录
C	6～8	HTTP、API 探索与接口用例	一套含鉴权/异常/幂等/并发的 API 用例
D	9～11	pytest 接口自动化	可在 CI 运行的接口测试项目和报告
E	12～14	Playwright + Appium	Web 关键旅程与至少一个移动端公开 Demo 真正运行
F	15～16	性能测试	负载模型、脚本、指标、瓶颈证据与结论
G	17～18	CI/CD、数据、环境、可观测性	分层流水线与失败分诊手册
H	19～20	AI 测试与综合项目	评测集、评分规则、安全用例和项目复盘

每一阶段都按同一个循环学习：

1. 用自己的话解释概念和适用边界；
2. 在 demo-shop 或公开练习服务上运行最小示例；
3. 主动制造一个失败并保留诊断证据；
4. 把重复步骤自动化；
5. 写出结论、限制和下一步，而不只贴截图；
6. 按阶段验收清单自评，未通过就补实验。

快速开始综合实验

cd labs/demo-shop
python3 -m venv .venv
source .venv/bin/activate
python -m pip install -e '.[test]'
uvicorn app.商城服务:app --host 127.0.0.1 --port 8000

另开一个终端：

cd labs/demo-shop
source .venv/bin/activate
pytest tests/api tests/ai -q

UI 和性能实验需要额外依赖，具体命令见 实验说明。示例只监听本机回环地址，数据全部在内存中，重启服务即可重置。

内容维护规则

• 普通测试岗位每季度、AI 测试与 Agent/评测岗位每月检查一次 BOSS 公开样本；工具状态、官方链接和学习路线至少每季度复核；
• 工具热度不是唯一标准，优先选择可迁移的原理与能形成闭环的主线；
• 新工具先放入选修，完成真实实验和对比后再决定是否进入主线；
• 引用数据必须标明来源与核对日期；无法获得可靠统计时，只写“样本观察”，不伪造百分比；
• 所有教程以可运行实验和明确验收项结束；
• 不直接推送未经复核的 AI 生成内容。

欢迎通过 Issue 提出勘误或学习需求。