浙商银行科技管理部副总经理 沈斌
浙商银行科技管理部 韩骁 程克
浙商银行科技管理部副总经理 沈斌
传统质量管控以测试为核心，重点关注测试用例覆盖度，但受需求质量、代码影响范围难评估等问题的制约，测试质效难以实现突破。精准测试、混沌测试、全链路压测等新兴测试技术，本质上仍只是对传统测试模式的优化与补充，并未从根本上改变现有测试格局。随着大语言模型能力的不断突破，AI在测试领域的应用从辅助分析向自动化执行快速演进。当前，AI测试工具普遍采用Prompt驱动模式，测试人员只需描述需求，即可生成测试代码或执行测试。但该模式存在明显短板：AI生成结果风格不一、对业务逻辑的理解不深、生成的测试代码难以与现有框架集成，且维护成本较高。
浙商银行积极探索AI测试应用，于2025年提出并持续迭代5A(即AI质检员、AI裁判员、AI分析员、AI小助理和AI教练员五类角色)测试智能体方案，以解决AI测试工具工程化约束不足的问题，持续完善准入检查、场景适配、人机交互确认等机制。在此基础上，浙商银行进一步提出构建测试驾驭工程，以规则驱动、准入检查、交互确认为系统化设计原则，推动AI测试能力从“能用”向“可靠、可重复、可工程化”跃迁。
有别于AI在传统软件工程中的测试实施路径，浙商银行提出通过AI实现业务全链路测试的思维，将业务风险与测试质控牢牢绑定，并通过5A测试智能体群(如图1所示)建设，打造具有业务风险管控特色的智能化质控体系。
1.智能化全链路测试体系构建
传统测试分析基于业务需求和测试方法实施，但受需求业务语义专业性强、结构不清晰等制约，AI分析生成的测试要点与案例采纳率仅约三成。究其根源，主要在于AI未结合业务风险开展分析。为此，浙商银行构建智能化全链路测试体系(以下简称“智链测试”)，以业务全链路风险分析为核心，将风险驱动方法论融入AI分析逻辑，显著提升测试要点及案例的精准度。
智链测试以四重链路测试思维为指引，正反双向挖掘资金、舆情、业务连续性等维度的潜在风险。例如，针对短信模板调整，除验证短信内容外，还需评估目标客群规模、异常场景下的短信监控和拦截机制、目标客群的数据质量等，从而规避短信误发带来的舆情风险。
2.5A测试智能体群角色构成
测试智能体由5A测试智能体群构成，其五类角色分别承担不同方向的专业职能。
AI质检员：智能审查助手，以发现问题为核心职责，通过模型调用，对代码和文档进行审查并识别问题。例如，在白盒测试代码审查中，具备对Diff代码自动审查的能力，该智能体可提供代码合并(MR)智能摘要、代码评审辅助建议、代码问题自动修复建议等功能，便于开发人员快速采纳并修改问题。
AI小助理：以赋能提效为定位，作为日常工作的得力助手，通常在知识问答、案例生成、智能造数等方面发挥重要作用。以知识问答场景为例，通过技术手段对接行内知识库系统，完成文档切片处理后，由大模型预测用户问题、生成问答对，并进行双向向量化处理，从而进一步丰富检索入口。
AI裁判员：以公平裁决为原则，作为规范管理的得力助手，在分歧判定、指标校验、问题定级等场景中发挥关键作用。以缺陷定级场景为例，借助自然语言处理技术解析缺陷描述、提取关键特征，并结合历史缺陷数据和业务规则自动完成缺陷定级和分类，有效规避人为主观偏差，确保评判公平公正。
AI分析员：聚焦风险评估，打造智能数字看板。将数据库表、说明文档以及优质SQL样例向量化后存入向量数据库，在用户提问时召回关联上下文，由大模型生成SQL；同时，结合反馈持续优化精度，联动图表服务实现可视化出图，无需开发即可完成数据展示。
AI教练员：致力于人员培养，一方面构建个人能力雷达和人才画像，结合工作产出与日常行为数据、项目实施经历与个人技术能力，实现精准人才评估，优化团队资源配置；另一方面利用AI大模型提炼规范重点内容，自动生成考题供员工自测，强化员工对规范的理解与掌握。
3.智能体协同实现端到端质量管控
在原5A智能体能力底座之上，浙商银行进一步沉淀出面向端到端质量管控的三大业务角色，实现质量管控全覆盖。
一是AI测试工程师：实现“需求分析—要点生成—用例生成—用例评审—用例执行—缺陷提交—知识沉淀”正向链路测试智能化，推动测试人员逐步转型为数据治理、智能体调试的专业人员，并由智能体协作完成分析执行工作。
二是AI代码审计师：实现“历史故障—扫描规则—工程代码—存量隐患—需求文档—增量代码”逆向链路测试智能化，结合历史代码与业务场景，提炼业务扫描规则，精准挖掘潜在隐患；同时，比对增量代码，研判风险与改造内容的关联度，从源头把控项目质量。
三是AI产品分析师：实现“历史故障—业务架构—提炼风险因子—需求文档—业务风险”逆向链路风险评估智能化，从业务侧分析评估场景背后的业务风险。
二、乘风破浪：
驾驭测试工程重塑测试模式
5A测试智能体群的能力建设，标志着AI能力正逐步融入传统测试工程，为测试从业者提质增效提供了新思路。随着应用场景持续深化，原有Prompt驱动模式的短板日益凸显：输出结果不稳定、难以深挖业务逻辑、故障根因定位能力不足。究其根源，在于AI测试工具缺乏工程化约束——缺少准入检查校验、缺少场景适配与人机交互确认机制，导致测试人员在使用AI的过程中面临诸多不确定性，难以沉淀可重复、可审计、可传承的测试资产。
为有效解决上述问题，测试驾驭工程应运而生。它通过规则驱动、准入检查、交互确认的系统化设计，推动AI测试能力从“能用”升级为“可靠、可重复、可工程化”。测试驾驭工程由一套结构化的规则、模板和技能约束构成，旨在确保产出的一致性和可复用性，具体包括以下三个机制。
一是准入检查机制。该机制在测试活动执行前自动完成四项前置检查：配置完整性检查，校验源码路径、服务地址、测试账号是否配置齐全；需求文档检查，根据测试场景校验对应文档是否存在；源码可访问性检查，校验配置的源码目录是否有效；服务连通性检查，校验前后端服务是否可连接。任一检查不通过，系统将提示具体缺失项并阻止执行。
二是场景适配机制。测试驾驭工程针对不同场景设计了差异化的准入要求和执行策略。新建系统场景须提供需求规格文档和技术规格文档，执行策略为全量扫描源码，覆盖所有接口和页面，产出UI测试、接口测试、性能测试全套测试资产；增量迭代场景须提供存量业务文档、基线测试规格和变更说明，执行策略为通过代码差异分析识别变更范围，生成增量测试并回归基线测试，从而使测试效率随项目成熟度持续提升；重构项目场景须提供重构前接口契约、重构前测试规格和重构方案，执行策略为对比重构前后接口契约，识别接口变更，验证行为等价性，确保重构不改变外部行为。
三是交互式执行机制。该机制涵盖分析源码、生成测试、执行测试、输出报告四个步骤，每完成一个步骤，AI即输出当前结果并询问测试人员是否继续。测试人员可通过审查分析报告的准确性、评估生成用例的覆盖度等，判断是否继续执行测试。这种“AI执行、人工确认”的模式，既兼顾自动化效率，又保留人工研判能力，实现效率与质量的动态平衡。
测试驾驭工程以Spec规格驱动为核心，通过沉淀标准化规格文档，并以此驱动AI生成代码与测试用例。在规格说明书驱动开发(SDD)模式下，开发人员的工作重心从编写代码转向编写和维护规格说明书，AI则根据规格说明书生成代码。规格说明书既是开发输入，也是测试输入，开发与测试共用同一规格资产，从而消除需求理解偏差。测试驾驭工程天然支持SDD模式——规格既驱动代码生成，也驱动测试用例和脚本生成，堪称AI原生测试工程的缩影。当前，测试驾驭工程落地仍面临AI难以吃透业务、测试结果不稳定、验收长流程难以贯通等诸多挑战，为此，浙商银行规划了三大发展方向，持续优化AI原生测试工程。
一是将代码资产作为AI原生测试所需规格的重要组成。传统测试仅依托业务需求书和软件需求书，而这类需求的规格化迭代周期长，管控不足易导致AI编码失控。为此，浙商银行搭建了代码知识图谱，通过代码知识抽取中间层，完成源代码解析，将源代码转换为结构化的抽象语法树表示，并提取类结构、方法签名、调用关系、数据流向等关键信息，作为测试依据。代码知识图谱具有三重价值：第一，辅助AI理解代码，借助知识图谱快速定位关键逻辑，理解方法的输入输出和调用链路；第二，支持变更分析，通过对比不同版本的知识图谱，自动识别代码变更的影响范围，生成增量测试；第三，关联业务上下文，联动需求与接口文档，确保AI在生成测试时能够兼顾业务规则与潜在风险。
二是复用5A智链知识库，将四重链路测试思维转化为测试驾驭工程的规则和技能。基于链路思维，浙商银行将测试工程模板分解为三个层级：第一层是规则约束层，负责提炼智链知识库中的规则并纳入约束，如安全测试不允许对外联环境发送高并发请求等；第二层是强制执行层，通过强制执行机制校验测试用例生成的覆盖率，如根据场景风险等级动态校验，确保异常测试用例占测试用例总数的比重超过50%；第三层是技能执行层，将四重链路测试思维转化为测试技能，使AI识别到规格内容时自动生成用例。三个层级协同，推动AI从自由创作模式转向填空作答模式。
三是AI原生测试范围向业务验收延伸。测试驾驭工程的技术架构天然具备向验收领域延伸的能力，这也是浙商银行下一阶段的重点规划方向。业务验收关注业务流程正确性，其攻坚重点在于多系统联动。为构建上述能力，需优先解决多系统调度的流程编排、流程状态中断、数据核对和证据链采集管理等问题。只有上述问题全部解决，企业级验收工程能力才能得以落地。随着大模型能力和数字人技术的持续发展，AI原生验收工程有望成为银行业下一代质量工程的重要组成部分。
展望未来，AI测试主要呈现出四大发展趋势：一是从单系统分层测试迈向业务全链路测试，并通过跨系统编排实现端到端的业务流程验证；二是从测试执行迈向质量内建，在编码阶段即开始沉淀测试资产，实现编码即测试；三是从工具能力迈向基础设施，将测试驾驭工程的规则、模板、技能形成标准化资产，实现跨项目、跨团队复用；四是从AI辅助迈向AI主导，在标准化场景下自主完成测试设计、执行、分析全流程，使测试人员聚焦于复杂场景和体系优化。
从5A测试智能体到测试驾驭工程，浙商银行正在探索一条以业务风险为核心、以知识资产为基础、以工程治理为保障的AI测试工程实践路径。未来，浙商银行将持续深化AI与软件工程融合创新，推动测试模式从经验驱动向智能驱动转型，为银行数字化转型和高质量发展提供更加坚实的技术支撑。
本文刊于《中国金融电脑》2026年第10期
《中国金融电脑》杂志不收取作者版面费用，不会以所谓的“本刊代理/编辑部”或“发表定金”“手续费”等名义收取费用。购刊收款账户为对公账户，请勿对任何个人账户汇款。另，本刊开具发票不收取任何额外费用。如有异常，请作者立即与本刊编辑部查证核实，以免给自身造成风险或损失。
本刊编辑部联系方式：
010-51915111-816
投稿邮箱：
