Learning Roadmap
测试工程师成长路线
这不是一张需要一次学完的技能清单，而是一条从“会执行测试”走向“能设计质量体系”的实践路线；完成主线后，还可以根据职业目标继续进阶。
如何使用这条路线
以能力和项目产出为准，不以看完文章为准
先评估
从能够独立完成的阶段开始。已经具备的能力可以跳过，但建议用“完成标准”重新校验。
边学边做
每个阶段选择一个真实业务项目，把知识转化为测试方案、脚本、报告或质量机制。
持续回看
后面的数据和架构测试会反过来提升前面的用例设计能力，路线允许循环学习。
测试基本功
先学会发现风险，再学习工具
阶段目标
能够把一段需求转化为结构清楚、可执行、可评审的测试方案，而不是只会照着页面操作。
重点能力
- 需求分析与测试范围
- 等价类、边界值、判定表和状态迁移
- 用例标题、步骤、预期结果与优先级
- 缺陷描述、证据收集、复现与根因沟通
阶段实践
选择登录或订单模块，完成需求拆解、测试点、用例、缺陷单和测试报告的完整交付。
完成标准
- 能说明为什么测、测什么和不测什么
- 用例能够被其他测试人员直接执行
- 能够按业务影响而不是个人感觉划分优先级
Web / App 业务测试
把页面、接口和数据看成一条业务链
阶段目标
能够独立负责一个 Web 或 App 功能，从用户操作一直验证到接口、数据库和异常状态。
重点能力
- 业务流程、页面状态和异常分支
- 角色权限、数据范围、越权与访问留痕
- 接口契约、鉴权、数据准备与断言
- 浏览器、设备、抓包、SQL与移动端调试
阶段实践
完成一个登录—下单—取消订单流程的 Web/App 测试，覆盖接口、数据和兼容性。
完成标准
- 能从页面问题继续定位到接口或数据层
- 能覆盖正常、异常、边界、权限和状态流转
- 能使用SQL、日志和抓包信息提供定位证据
自动化测试工程化
从会写脚本到能稳定回归
阶段目标
把稳定、重复、价值高的测试场景沉淀为可维护的自动化资产，并接入持续集成。
重点能力
- Python、pytest、fixture与测试数据设计
- 造数、隔离、清理、脱敏与环境漂移治理
- 接口客户端、Playwright、分层断言和测试桩
- 失败报告、并行执行、环境配置和CI门禁
阶段实践
为一个业务模块建立接口与UI自动化回归，做到一条命令执行并输出可定位的报告。
完成标准
- 自动化用例可以重复运行且互不依赖
- 失败信息能区分环境、脚本和产品问题
- 知道哪些场景值得自动化，哪些应保留人工验证
分布式系统与数据链路
验证最终一致，而不只验证请求成功
阶段目标
面对微服务、缓存、消息队列、数据仓库和批处理链路，能够设计跨系统的一致性测试。
重点能力
- 服务调用、超时、重试、幂等与补偿
- 缓存、消息队列和最终一致性
- ETL全量与增量、映射、聚合和对账
- 性能瓶颈、安全边界与故障恢复
阶段实践
验证订单取消后的库存、优惠券、退款、消息事件和ETL报表，形成全链路对账脚本。
完成标准
- 能画出数据和状态流转图
- 能验证重复、延迟、乱序和补跑场景
- 能用控制总额、明细抽样和异常差集定位数据问题
测试架构与质量体系
从执行测试升级为经营质量
阶段目标
能够基于业务风险制定测试策略，设计质量门禁、可观测指标和团队级测试资产。
重点能力
- 风险驱动的测试策略和分层测试
- 规则、测试点、风险、用例和缺陷的版本追溯
- 质量指标、发布准入、可观测性和复盘
- 测试资产库、机器校验、评审机制和效能度量
阶段实践
为一个真实项目设计质量保障方案，并建立从需求规则、风险、用例到缺陷与版本总结的可追溯资产链。
完成标准
- 能解释测试投入与业务风险的对应关系
- 能回答每条用例来自哪条规则、在哪个版本发生变化
- 能用数据说明质量变化并让保障流程稳定运行
测试开发工程化路线
从测试工程师到质量工程师的工程能力进阶
什么时候进入这条路线
SDET 是 AI Quality 的工程底座：没有自动化执行、CI/CD 门禁、测试平台和数据治理能力，就无法建设可持续运行的 AI 评估与回归体系。这条路线补齐编程基础、接口与服务自动化、测试基础设施、质量平台与高级质量工程能力。
查看路线教程自动化测试基础
Automation Foundation把重复验证变成可持续执行的工程能力：先补测试需要的编程功底，再学会把测试组织成可维护的框架，而不是只会写脚本。
接口与服务自动化
API Engineering从发送请求升级为验证整条服务链路：参数、状态、数据、业务规则、幂等与异常恢复，并用契约控制服务演进。
测试基础设施
Infrastructure把测试环境、执行和反馈接入工程基础设施：容器化可重复环境与 CI/CD 质量门禁。
质量平台工程
Quality Platform从脚本走向平台：用例管理、自动执行、报告中心、规则引擎与资产追溯，让测试资产可治理、可复用。
高级质量工程
Advanced SDET面向分布式系统、数据链路与企业级质量体系，从执行测试升级为设计质量保障系统。
数据质量专项
从数据链路到数据智能的企业级质量保障
什么时候进入这个专项
数据质量是连接 SDET 与 AI Quality 的桥梁：ETL、数据一致性、数据治理和文档智能，既是传统测试的深水区，也是 RAG、OCR 等 AI 应用的质量基础。结合金融与数据交付场景，这是最具差异化的专项能力。
查看数据相关教程数据基础与治理
Data Foundation从 SQL 查询与数据核对开始，把测试数据作为工程资产管理：造数、隔离、脱敏、清理与跨层一致性。
ETL 与数据质量体系
ETL Quality围绕抽取、转换、加载、增量同步、控制总额与质量校验，建立完整的数据质量保障体系。
AI 测试工程师强化支线
面向大模型与智能应用的可选进阶路线
AI 质量基础
AI Quality Foundation先理解概率性输出为什么不能只用 Expected = Actual，再学会构建评估集、金标、评分器、人工复核和回归机制。
AI 应用专项质量
AI Application Quality沿 RAG 与文档智能处理链逐层定位问题，区分解析、切分、检索、生成、引用、识别、抽取和业务校验失败。
智能体质量保障
Agent Quality从回答进入执行，验证工具选择、参数、轨迹、状态、副作用、权限、终止条件和人工审批。
AI 可靠性与安全
AI Reliability & Safety把安全、稳定、性能、成本、可观测性、模型漂移和线上评估纳入生产质量。
AI 原生测试工程
AI-Native QA Engineering把需求、规范、缺陷和业务规则组织成高质量上下文，再封装为 Skill，并编排成有人机门禁的测试工作流。
贯穿主线与强化支线的实践方法
每学一项，就留下一个可以复用的工程资产
建议保留的作品
- 需求分析与风险矩阵
- 测试点、用例和缺陷报告
- 接口与UI自动化项目
- 数据对账脚本与质量报告
- 项目测试策略和质量看板
- AI评估集、评分规则与人工审核记录
判断是否真正掌握
- 能够向别人讲清楚方法适用的场景和限制
- 能够在新项目中独立复现，而不是照抄示例
- 能够用数据或证据证明测试结果
- 能够沉淀模板、脚本和检查清单供团队复用