Automation Test Engineer - AI

优缺点分析

角色解读

• 技术路线：从AI测试工程师发展为测试架构师或AI系统专家，主导更复杂的智能化平台
• 管理路线：在项目推动中积累协调经验，可转向测试团队管理或技术项目经理
• 横向扩展：可向AI研发、开发工具链、DevOps等方向延伸，成为全栈智能化专家
• 设计并实现基于大语言模型（LLM）和多模态模型（VLM）的智能测试系统，实现测试意图理解、任务自动拆解和工具调用
• 构建自动化测试闭环，涵盖日志采集、状态监控、脚本执行和知识库构建（RAG），推动测试平台化
• 针对PC笔记本的BIOS、驱动、Windows系统等核心模块，开发智能化测试方案，提升测试覆盖率和效率
• 精通Python，具备系统设计能力，能独立搭建测试框架和工具链
• 深入理解LLM/VLM/AI Agent技术，熟悉Function Calling、ReAct等机制，以及LangGraph、AutoGen等框架
• 熟悉PC软硬件体系，包括Windows、驱动、BIOS等场景，具有自动化测试或研发工具链建设经验

申请策略

• 在面试中展示对智能测试闭环的系统性思考，以及如何将AI技术落地到具体测试场景
• 关注联想在AI领域的布局和产品方向，体现对公司业务的理解和兴趣
• 突出LLM/VLM/AI Agent项目实战经验，特别是Function Calling、Agent框架的应用案例
• 强调自动化测试框架或平台建设经历，展示从0到1或规模化落地的成果
• 体现对PC软硬件体系的理解，如Windows、BIOS、驱动等相关项目背景
• 若缺少AI Agent经验，可快速学习LangGraph、AutoGen等框架，并做一个小型演示项目
• 补充RAG和知识库相关知识，了解向量数据库和检索增强生成技术
• 深入理解PC笔记本的软硬件架构，特别是BIOS和驱动测试场景

面试指南

• STAR法则：描述场景、任务、行动和结果，突出个人贡献和技术难点
• 系统设计思维：从整体架构出发，分模块阐述功能、技术选型及原因
• 落地导向：强调方案的可实现性、指标量化（如效率提升百分比）和迭代优化过程
• 请描述你设计的一个基于LLM的自动化测试系统的架构，并说明关键组件
• 你在Agent框架（如LangGraph）中如何实现测试任务拆解和工具调用？
• 针对Windows系统的电源管理测试，你会如何设计智能化测试方案？
• 如何处理LLM测试中的不确定性（如幻觉）？你有哪些策略保证结果可靠性？
• 在跨团队推动平台落地时，你遇到过哪些挑战？如何解决的？