专题演讲嘉宾：赵旭峰

测试脚本的迭代开发和维护是自动化测试长期痛点：版本一改、地图一换，测试脚本就要人工重写，前置、重试、异常恢复各写一套，用例之间难复用；测试失败往往只留一行fail，没有前后帧、埋点等证据留存，定位全靠人反复复现，同一问题反复出现却说不清是环境、工具还是业务缺陷；踩过的坑也留在个人脑子里，换人换模块就要从零再来，投入的时间买到的是一次性交付，而非可沉淀的能力。我们的思考方向是：先设计稳定的数据结构（知识库、脚本、执行产物），再设计Agent行为，让AI自主探索界面把模糊需求结构化，自动生成脚本与执行计划，失败时基于截图、报告、埋点等证据自动归因、升版重试，跨机协同实现测试能力从"一次性交付"沉淀为"持续复用、越测越准"的智能闭环。

1. 问题：如何从完成任务到积累能力
   • 端到端测试 Agent 的痛点与不确定性来源
   • 单次自愈与持续学习的本质区别
   • 从“每次重新探索”走向“能力持续积累”
2. 选型：经验记忆的关键设计
   • 长上下文与外置记忆的职责边界
   • 成功路径、失败经验与负向知识的不同价值
   • 模型反思、运行证据与人工审核的可信度取舍
3. 方案：分层记忆与持续学习闭环
   • 不同生命周期下的记忆分层
   • 经验的检索、调度与动态上下文构建
   • 经验在调用反馈中持续修订与演化
4. 案例：滚动查找能力的跨任务演化
   • 动态界面中的非首屏目标定位问题
   • 局部提示优化的有效性与迁移局限
5. 总结与展望
   • 从个体 Agent 记忆走向团队共享能力
   • 从被动经验复用走向主动预测与规避

实践痛点：

• Agent目前无法100%自闭环，复杂问题和阻塞需要human-in-loop处理

前沿亮点：

1. Agent探索需求、设计测试方案能力
2. Agent基于证据自愈闭环

听众收益：

• 一套可复用的 Agent 工程化方法论：如何用结构化数据（知识库/脚本/执行三层产物）替代提示词堆砌来设计 Agent 工作流，可直接迁移到测试之外的其他 Agent 开发场景。
• 失败驱动升版的自愈闭环实践经验：了解如何通过截图、报告、埋点等多维证据对失败进行归因分型（区分环境问题、工具故障与业务缺陷），获得一套可落地的证据驱动迭代范式。