摘要：

2026 年百度职级体系已经正式调整。

从 5 月 1 日开始，中管层以下统一使用 5—12 级数字职级，过去大家熟悉的 T、P、E、Band、M 等字母标签不再沿用。([界面新闻][2])

这篇不绕旧职级，直接看三个大家最关心的问题：

百度现在怎么分级、技术岗薪资大概多少，以及 2026 年百度测试开发到底在面什么。

2026 年 4 月，百度宣布调整职级体系；从 5 月 1 日开始，中管层以下专业和管理发展通道统一，职级改为：

5级—12级。

百度给出的原因也很直接：AI 时代需要同时具备专业能力和领导力、能够独当一面的人才。

一、百度现在的职级怎么分？

目前统一采用：

5级、6级、7级、8级、9级、10级、11级、12级。

过去技术研发使用 T 序列，产品运营、管理、职能等又有各自的体系；这一轮调整，把中管层以下统一到了同一套数字职级里。

对准备找工作的技术人来说，这个变化其实很好理解：

同样是测试开发，有人负责业务质量，有人负责自动化平台，有人负责性能稳定性，还有人已经开始做大模型评测和 AI Agent 测试。

岗位负责的问题越复杂、影响范围越大，对人的要求自然越高。

二、百度技术岗薪资大概是什么水平？

按照目前技术研发岗位的公开薪酬样本，采用平均值整理，大致如下。

单位均为人民币税前：

12 级目前不放数据。

这里先强调一下：

这是一组公开薪酬样本平均值，用来观察不同职级大致的收入量级，不是百度官方统一工资表，也不能直接当成今年新 Offer 的标准报价。

比如表里会看到一个挺有意思的现象：

9 级月薪 6.6 万，10 级反而是 6.3 万。

别理解成“升职还降工资”。

因为它们本来就是不同员工的薪资样本。

三、百度高职级的收入，差距主要出在股权

看 9 级和 10 级就很明显。

按照这组公开样本：

9 级年度工资约 78.7 万，年度股权约 62.9 万；

10 级年度工资约 76.1 万，年度股权则达到约 139.9 万。

所以从 9 级到 10 级，总包一下从约 156 万到了 236 万，主要并不是月薪突然翻倍，而是：

股权占比明显增加了。

这也是看大厂薪资最容易踩的坑。

看到：

年包 200 万

不要自动理解成：

一年现金工资 200 万。

总包通常要拆成：

固定工资 + 奖金 + 股权。

尤其到了高职级，两个看起来都是“年包 150 万”的 Offer，现金部分完全可能差几十万。

真到谈 Offer 的时候，把三部分分别问清楚，比单独记一个总包数字有用得多。

四、百度现在需要什么样的测试开发？

这部分，我觉得比单纯看职级表更值得测试同学关注。

看百度目前还在招聘的测试开发岗位，传统测开的底子依然非常扎实。

比如百度用户产品方向的测试开发，工作已经覆盖：

服务端测试、测试工具、自动化框架、持续集成、代码评审、问题定位和研发效率提升。

岗位要求里也明确写了 Java/C++、Python/Shell、数据结构、算法、Linux 和自动化测试框架。([百度校园招聘][4])

换句话说：

百度测开的“开发”两个字一直都是真的。

只会写测试用例肯定不够。

代码、系统、数据库、网络、自动化、问题定位，本来就是这类岗位的基本能力。

但 2026 年还有一块变化非常明显：

AI 测试已经正式进入百度测试开发岗位。

百度今年校园官方招聘的 AI 测试开发工程师，工作内容已经明确包括：

大模型输出准确性评测、多轮对话一致性、内容安全、鲁棒性、性能稳定性、AI Agent 测试、Benchmark、评测数据集，以及利用大模型生成测试用例、构造测试数据和辅助缺陷定位。

百度智能云的 AI 计算测试岗位，也已经涉及模型训练、推理测试以及 AI 计算产品的功能、性能和自动化质量保障。

所以今年准备百度测开，传统能力不能丢，但 LLM、RAG、Agent 测试已经值得单独准备。

五、2026 年百度测开面试，开始明显问 AI 了

我们最近整理百度测试开发面试反馈时，有一个变化很直观。

过去测开常见的：

项目、Java/Python、SQL、Linux、网络、性能、算法

今年依然都在。

但与此同时，大模型测试的问题明显进入了正式面试。

比如 2026 年 8 月，学生老学员百度测开面试中，就出现了：

LLM-as-a-Judge 怎么设计？

大模型评测数据怎么处理？

LLM 测试和传统服务端测试有什么区别？

RAG 测试集怎么设计和迭代？

Agent 怎么找到正确的 Skill？

Agent 和 Skill 的匹配机制怎么验证？

到了 9 月，题目还在继续往 Agent 工程层深入：

Agent 输出怎么评测？

并行节点冲突怎么处理？

Trace 怎么做？

Agent 结果不理想怎么定位？

Checkpointer、State、Skill、MCP 怎么理解？

怎么用 Codex 做自动化测试？

这就不是简单问一句：

“了解大模型吗？”

而是已经开始考：

你到底会不会测试一个真实的 AI 系统。

六、AI 测试到底应该准备到什么程度？

这里不用一上来就研究模型训练公式。

对测试开发来说，先把几个最常见的问题搞明白。

比如：

RAG 怎么测试？

至少不能只回答：

准确率、召回率。

应该把链路拆开。

用户问题进来以后：

检索到了什么？

正确资料有没有被召回来？

相关内容有没有排到前面？

模型最终回答是否基于检索内容？

有没有幻觉？

答案是否真的解决了用户的问题？

也就是说，RAG 测试不是只测最后一句回答。

检索和生成两段都要测。

Agent 怎么测试？

Agent 比普通接口麻烦的地方就在于：

它不是一次调用。

一个任务可能经历：

理解任务 → 制定计划 → 选择 Skill / Tool → 调用工具 → 获取结果 → 再判断 → 最终输出。

中间任何一步都可能错。

比如：

工具选错了；

参数错了；

调用失败；

无限重试；

上下文丢了；

结果明明错误，Agent 却认为任务完成。

所以测试 Agent 时，需要看的已经不只是最终答案。

还要看：

任务成功率、工具调用正确率、执行轨迹、失败恢复、上下文状态和最终结果。

这也是今年百度测开面试里开始问 Trace、State、Skill、Checkpointer 的原因之一。

七、传统测开基础，一样不能丢

AI 题多了，不代表传统基础不考。

2026 年百度测开面试里，同样还能看到：

SQL；

数据库索引；

MySQL 与 Redis；

Linux；

Kubernetes；

TCP 三次握手、四次挥手；

Java 面向对象；

快速排序；

链表；

接口测试；

登录功能测试。

所以准备百度测试开发，我反而不建议把时间全部砸在“背 AI 名词”上。

一个比较合理的能力结构应该是：

测试设计 + 编程 + 数据库 + Linux / 网络 + 自动化 / 性能 + AI 测试。

AI 是今年新增的重要变量。

但基本功仍然决定面试能不能往下走。

八、百度测试开发，这些题建议提前过一遍

如果最近准备百度测试开发，可以先看看下面这些问题能不能完整讲出来：

• 百度搜索、网盘下载或者登录功能，你会怎么设计测试？
• 一个接口突然从 100ms 变成 2 秒，你怎么定位？
• MySQL 索引为什么能提升查询性能？
• Redis 缓存和数据库不一致怎么办？怎么测试？
• MQ 出现重复消费、消息积压怎么验证？
• UI 自动化元素经常定位失败，框架层怎么解决？
• 大模型测试和普通接口测试最大的区别是什么？
• RAG 怎么设计评测集？检索和生成分别怎么评估？
• LLM-as-a-Judge 怎么设计，怎么验证 Judge 自己靠不靠谱？
• Agent 怎么测试 Tool / Skill 选择是否正确？
• Agent 执行到一半失败，状态恢复和重试怎么测？
• Python / Java、SQL、Linux 和常见算法题能不能现场写出来？

如果这些问题大部分只能讲两三句话，准备还不算到位。

如果能顺着一个问题继续往：

系统设计、异常场景、数据、性能、监控和故障定位

往下讲，面试的底气会完全不一样。

写在最后

从 2026 年 5 月开始，百度已经进入 5—12 级的新职级体系。

对技术人来说，数字只是最后贴在岗位上的标签。

真正决定一个岗位能走多高的，还是你能处理多复杂的问题。

这点放在测试开发上尤其明显。

刚开始可能是：

把功能测对。

再往后是：

把自动化、性能和质量平台做好。

而现在百度部分测试开发岗位面对的已经是：

大模型、RAG、Agent、模型评测和 AI 测试平台。

技术一直在换。

但测试开发最核心的几件事其实没有变：

代码能写，系统能看懂，问题能定位，质量能评估。

如果再往前一步——

当测试对象从普通软件变成 AI Agent，你依然知道该怎么判断它到底做对了没有。

这可能就是接下来几年，测试开发岗位新的分水岭。

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。