AI 测试开发工程师（AIQA）（J106811）

优缺点分析

角色解读

• 短期可在 Agent 工程 + 测试平台方向深耕，成为 AIQA 领域的核心骨干，掌握从 Agent 设计到评测治理的完整链路
• 中期可向测试平台/研发效能产品的技术负责人发展，或转向 AI 应用架构、Agent 系统研发等更宽的岗位
• 长期在大模型应用工程化方向积累稀缺经验，具备向技术专家或团队管理方向发展的空间
• 搭建一个真正能干活的 AIQA Agent：让它自己拆解测试任务、调用工具、维护状态，并在出错时能自动恢复继续执行
• 把 Web/API 测试、测试环境和测试数据准备做成通用服务，接入 Coding Agent 和研发平台，把提测、验证、修复回归串成自动化闭环
• 沉淀业务规则、历史缺陷和测试 Skill，让 Agent 生成的测试场景更准、判定的结果更可信，减少误报和漏测
• 建设 Agent 的评测与观测体系，用数据持续跟踪独立验证完成率、有效性、稳定性、耗时与成本
• 扎实的工程能力：熟练使用 Python 或 Go，能排查复杂线上问题，理解异步、并发、超时、重试、幂等等系统性问题
• LLM 应用与 Agent 工程经验：理解工具调用、上下文管理、任务规划，并知道如何科学评测一个 Agent 好不好用
• 测试专业能力：熟悉 Web/API 测试与自动化验证，能设计有效的测试数据与断言，会用 Git 和 CI/CD
• 跨团队协作与定位能力：能结合代码、日志、执行轨迹快速定位问题，并推动研发一起把问题闭环

申请策略

• 准备一份「问题—方案—指标」式的项目复盘，团队非常关注揭错能力、误报漏测、耗时与成本等可量化结果
• 提前了解百度在研发效能与 AI 质量保障方面的公开技术分享，面试中更容易对上前沿技术方向
• 重点写明你做过的一个 LLM/Agent 项目：职责边界、工具调用与上下文管理怎么设计、最终效果指标如何
• 突出工程深度：异步任务、超时重试、幂等、并发处理等具体问题的解决案例，最好有量化结果
• 展示测试体系能力：自动化测试框架、Web/API 测试、测试数据构造与断言设计、CI/CD 集成经验
• 如果有测试平台、研发效能工具、Coding Agent 或模型成本治理经验，务必单独成段强调
• 补强 Agent 评测方法：了解常见的评测集构建、指标设计与离线/在线评估方案，能说清「怎么判断 Agent 变好了」
• 强化 Go 或 Python 工程化能力，尤其是异步编程、任务队列、重试与幂等设计的实战写法

面试指南

• 用「目标定义—方案设计—指标验证」三段式回答：先说清要解决什么问题、成功标准是什么，再讲技术方案取舍，最后给可量化结果
• 讲 Agent 相关问题时，主动拆成规划、工具、状态、评测四层，并说明每一层的失败模式和你设计的兜底机制
• 讲项目经历时用 STAR 结构，重点突出你个人的判断和决策，而非团队整体工作
• 如果要设计一个做 Web 自动化验证的 AIQA Agent，你会怎么划分任务规划、工具调用和状态管理？
• Agent 执行中出现超时、工具失败或上下文超长时，你的异常恢复与重试策略是怎样的？
• 你如何评测一个 Agent 的测试效果？会设计哪些指标来判断它比原来更好？
• 如何降低 Agent 生成测试用例的误报和漏测？你会从哪些环节入手？
• 讲一个你排查过的复杂问题，你是如何结合代码、日志和执行轨迹定位并推动闭环的？