不是岗位变少了，是同一张JD下面，坐着两个完全不同的人

大家好，我是某互联网大厂的质量保障团队负责人，今年深度参与了秋招面试。

先说一件让我印象很深的事。

今年秋招提前批，一个候选人面试走到三面。前两轮技术面都过了，代码写得干净，自动化框架也搭过。三面的时候，面试官打开一张架构图——用户请求进来，经过网关，打到后端服务，后端服务调用一个AI Agent做意图识别，Agent再调下游的大模型API做推理，结果回传，后端决策后返回给用户。

面试官指着图上Agent那个节点，问了一句：“Agent调用失败，你怎么兜底？ ”

候选人前一秒还在流畅地讲项目，下一秒卡住了。憋了十几秒，说：“加重试机制，失败了再调一次。”

面试官没追问，把图关了，开始聊别的。

面试结束后，面试官跟我确认结果。我说：“前两轮分数都不低，三面这个回答差在哪？”

面试官说了一句话，我到现在都记得：

“他准备的所有东西，和这个岗位真正需要的东西，中间隔着一整条断层。”

一、先看一个数字：37.56%

据脉脉高聘人才智库发布的《抢占AI新生代——2026年名校生求职招聘洞察》，2026年前5个月，新发校招AI岗位同比增长47.3%，新发岗位AI渗透率从26.41%升至37.56% 。

什么意思？每10个新发校招岗位里，接近4个和AI相关。

这个数字放到测试岗上，传导速度比想象中快得多。

手工测试岗位需求同比下降了47%。初级测试工程师的替代率已经达到70%。AI可以自动生成80%以上的测试用例。与此同时，全栈测开岗位需求同比暴增了340%。 中高级测试开发工程师的供需比达到1:8。某头部互联网公司今年的校招测试开发岗，薪资包反而涨了15%，仍然一将难求。

再看薪资。根据2026年5月一线互联网公司校招硕士offer数据：AI测试开发岗年薪35-45万，全栈测试开发25-35万，传统测试开发16-18万。

同一个岗位序列，差了一辆特斯拉。

但真正值得关注的，不是数字本身，是数字背后那个正在发生的变化——测试校招正在分成“两种人”。

二、“旧测试”和“新测试”，到底差在哪？

我先说清楚一件事：功能测试、接口测试、UI自动化、性能测试，这些东西不会消失。企业的软件照样需要上线，接口照样需要验证。

但问题在于：会不会消失，和还值不值以前的钱，是两回事。

如果一个测试工程师的主要工作依然是写测试用例、执行测试用例、提交Bug、做回归、写一些固定的接口/UI自动化脚本，那AI带来的最大冲击未必是直接替代——更可能是，以前5个人完成的基础执行工作，未来3个人配合AI和自动化工具就能完成。

企业真正愿意增加预算的，会越来越集中在另一种人身上。

我们面试的时候，心里其实有一张能力对照表。用两组人来对比更直观：

“旧测试”画像（面试中会被快速略过）：

• 简历核心词：熟练使用Jira、掌握黑盒测试方法、编写测试用例2000条
• 面试回答：“我用Selenium定位元素，用Postman发请求，用JMeter做压测”
• 面对Agent兜底问题：“加重试机制”
• 核心竞争力：执行

“新测试”画像（面试中会被追问20分钟）：

• 简历核心词：Pytest框架设计、CI/CD质量门禁、Agent测试、RAG评测
• 面试回答：“Agent调用失败分四层兜底——调用层、推理层、模型层、消费层”
• 面对Agent兜底问题：能拆解AI特有的失败模式
• 核心竞争力：判断

这两个人可能在同一个学校、同一个专业、甚至刷过同一套LeetCode题。但面试官拿起简历的那一刻，心里已经有了判断。

三、那道面试题，考的是什么？

回到开头那道“Agent调用失败怎么兜底”的题。它其实是2026年测试校招最真实的切片。

很多人把它当异常处理题来答。但面试官想考察的根本不是“怎么重试”。

本质是面试官在考察你对“AI系统质量保障”有没有工程层面的理解。 他不是在找一个会写try-catch的人，他是在找一个能体系化思考“当AI组件不可靠时，整个系统怎么保持可控”的人。

一个完整的Agent调用链路，工程上可以切成四层：

调用层：后端服务发起请求，网络超时、连接拒绝、限流被拒。这些是传统分布式系统就有的问题，重试、熔断、降级可以兜住一部分。

推理层：Agent处理输入，编排工具调用。提示词没写好、工具调用出错、上下文窗口溢出。这些是AI独有的问题，传统手段基本失效。

模型层：大模型API推理。模型返回了但结果是错的（幻觉）、格式不符合预期导致下游解析失败、超时了但部分token已消耗。

消费层：Agent把结果返回，后端解析并决策。内容越权、不安全、不符合业务规则。

传统系统挂了，熔断降级三板斧下去基本能兜住。但AI Agent挂了，你得知道它“怎么挂的”——这才是2026年测试岗的核心竞争力。

大多数校招生卡在哪？卡在他们准备的是“确定性系统”的测试方法，而面试官问的是“非确定性系统”的质量保障。

四、新测试的能力模型长什么样？

最近Agent、MCP、RAG、Harness这些词特别火。但我一直不建议追着名词学。今天DeepSeek Harness火，你学Harness；明天另一个Agent火，又换一个框架。最后工具学了一堆，能力体系还是散的。

真正值得构建的，是三层能力。

第一层：传统测试开发基本功——但企业看它的角度变了。

Python/Java、Linux、SQL、HTTP、接口测试、Web/App自动化、CI/CD、Docker。这些东西没有过时。甚至恰恰因为AI能帮你写代码了，企业会更关注：你能不能判断AI写出来的东西对不对。

不会测试工程，只会Prompt，很难成为AI测试开发工程师。

第二层：开始真正理解AI应用——这是第一道分水岭。

至少要理解：LLM、Prompt、Embedding、向量数据库、RAG、Function Calling、MCP、Agent。

不是要求去训练大模型。而是当研发团队说“我们这个产品接了一个RAG知识库和Agent”，你应该知道怎么拆测试对象。

一个RAG系统回答错了，到底可能是什么问题？是文档解析？Chunk切分？召回？Embedding？Rerank？Prompt？还是模型产生了幻觉？

这就是传统测试思维和AI应用结合后的新能力。

第三层：从“自动化脚本”走向“测试智能体”——这是拉开差距的地方。

传统自动化是：工程师写流程→框架执行流程。Agent带来的变化是：工程师给目标→Agent规划→调用工具→执行→获取反馈→再决定下一步。

Web测试智能体、接口测试Agent、用例生成Agent、日志分析Agent、缺陷定位Agent——这些不是概念，是已经在落地的东西。真正值得学的不是某一个产品，而是它们背后的 Agent + MCP/Tool + 测试框架 + 业务系统 这套组合。

五、2026届该怎么准备？

字节2026年春招“测试开发工程师-开发者AI”岗位，硬性要求里出现了一句话：“对AI Agent有深入理解和实践经验”。阿里“通义实验室-技术专家-测试开发”岗位，要求“熟练掌握机器学习算法原理”。另一家大厂的质量工程师岗位JD里，直接写着要“熟悉大模型应用工程化全流程（Prompt Engineering / RAG / Agent框架 / 向量数据库 / 对话状态管理等）”。

给你三条能直接执行的建议。

第一，从“我会用AI”变成“我测试过AI系统”。

不要只写“熟练使用ChatGPT、DeepSeek等AI工具”——这句话已经很难构成竞争优势。做一个能拿出来讲的AI测试项目：测一个RAG系统的回答准确性、测一个Agent的任务完成率、用Skill封装一套测试流程。面试官一定会追问项目细节，那才是你真正的加分项。

第二，补齐一条AI基础链。

建议至少补齐这套：LLM基本概念 → Prompt → RAG → Function Calling → MCP → Agent → AI应用测试。不要求训练大模型，但至少知道今天企业里的AI应用怎么搭起来，也知道这种系统应该怎么测。

第三，简历上换一批关键词。

把“熟练使用Jira”“掌握黑盒测试方法”换成：Pytest、Playwright、CI/CD、Agent测试、RAG评测、Skill封装、知识库构建。企业想看到的东西，你一个字没写，简历就是废纸。

六、避坑指南

坑一：以为“AI渗透率37.56%”只影响算法岗。

它影响的恰恰是测试岗。因为AI应用需要测试，而传统测试方法测不了AI应用。企业不是不需要测试了，是需要能测AI的人。

坑二：以为“会写Prompt”就等于“懂AI测试”。

Prompt只是入口。面试官问的是“Agent调用失败怎么兜底”，不是“你写过什么Prompt”。你需要的是系统级的质量保障思维，不是单点工具的使用技巧。

坑三：等到“准备好了”再投。

面试本身就是最好的准备。每面一场，你就知道哪里是短板。投了不一定有，但不投一定没有。

最后

2026年测试校招正在分成两种人。

一种人还在准备“确定性系统”的测试方法——写用例、跑回归、提Bug。另一种人已经在准备“非确定性系统”的质量保障——Agent兜底、RAG评测、Skill封装。

37.56%的AI岗位渗透率，不是一个背景数字。它是一道正在合上的门。

门的这边，是还在背八股文、刷LeetCode、简历上写“熟练使用Jira”的候选人。门的那边，是能拆解Agent调用链路、能判断AI输出质量、能把测试经验封装成可复用能力单元的人。

两道门之间的距离，不是三年工作经验，是一套完全不同的能力模型。

你现在的位置，在哪边？

关于我们

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。