一份 GitHub 开源项目最近在测试圈被反复提及：13 章、10 个阶段、4 个实战项目的 AI 测试开发学习路线，全部免费，两周内拿下数千 Star。我们关心这个项目，不是为程序员，而是因为它把一个被忽视的岗位缺口推到了台前 — AI 应用开始批量进入企业，谁来给它们把关质量，成了新问题。

这是什么

这份路线图把传统「测试开发工程师」（SDET，即「用代码做质量保障」的岗位）和 AI 时代的新任务拼在一起。旧部分是接口自动化、性能压测；新部分包括：用 AI 写脚本、归因失败日志，以及 — 关键在这里 — 给 AI 应用本身做评测，比如回答不固定时怎么断言、安全红线怎么卡、上线前怎么设门禁（不允许通过的最低标准）。

后者要求测试员懂业务、能搭评测集（用来打分 AI 输出的题目库），还得理解 RAG（让 AI 查资料回答的技术）和 Agent（让 AI 自主完成任务的程序）这些 AI 产品的内部机制。这不是「用 AI 帮忙干活」，而是「反过来检查 AI 靠不靠谱」。

行业怎么看

支持方认为，开源路线图的出现本身就是一个信号 — 过去两年大厂卷的是「模型能不能用」，现在开始卷「应用能不能稳定交付」。一个岗位一旦有人愿意花时间做体系教程，说明需求已经在招人。

但反对意见也很明确：第一，一份个人教程不等于行业缺口，更多是作者的内容产品；第二，AI 应用评测目前没有统一标准，今天学的「门禁规则」半年后可能过时；第三，对企业来说更现实的问题是「测完发现不行，业务要不要砍」 — 测试是手段，不是答案。

我们倾向后者更接近现状。AI 测试是真实存在的小切口，但离「比会造 AI 的人更缺」还有相当距离 — 模型研发的人才紧缺，目前仍然更显著。

对普通人的影响

对企业 IT：如果公司正在或打算上线 AI 客服、知识库等应用，「谁来验收」会比「谁来开发」更早成为问题，提前指定一个懂业务、又愿意学 AI 的人，比临时外包更靠谱。

对个人职场：对想挤进 AI 行业但写不动模型的工程师，这是一条门槛更低的入口 — 传统测试功底补上 AI 评测这一两章，就有机会进入 AI 团队的 QA（质量保证）岗，不必和算法工程师硬碰硬。

对消费市场：短期没有直接影响，但中长期 AI 产品一旦有专人验收，「上线即翻车」的体验会减少，AI 客服和助手的可靠性会逐步抬高。