只会写用例、以手工测试为主的测试同学，半年内转 Agent 测试是可行的，核心是发挥你原本擅长用例设计、风险分析、质量评估的优势，补齐 Python 基础、大模型与 Agent 基础、评测体系、自动化工程能力，不要一头扎进复杂大模型算法，重点掌握 Agent 的评测思路、指标设计、工具调用校验、幻觉与安全测试，分阶段学习 + 持续产出实战项目，优先在内部承接 AI Agent 相关测试任务积累项目经验，最后整理项目作品集去面试 Agent 测试岗位。传统手工测试是判断结果是否精准匹配预期，Agent 测试不一样，它是多轮自主规划、会调用工具、存在幻觉的非确定性系统，不能只靠固定断言，需要搭建评测集、语义指标、LLM-as-judge、红队对抗用例；前两个月重点补编程和自动化底子，中间两个月吃透 Agent 架构、评测方法、主流框架，最后两个月做完整项目、沉淀简历、面试准备，每周稳定投入 5-7 小时练习，就能达到 Agent 测试岗位的入门要求。
一、传统测试和 Agent 测试核心差异对比
| 对比项 | 传统软件测试 | Agent 智能体测试 | 你的原有优势 |
|---|---|---|---|
| 结果判定 | 精确匹配、固定预期，Pass/Fail | 语义达标、任务完成率、幻觉率、工具调用正确性 | 风险场景、边界用例、异常场景设计 |
| 校验方式 | 固定断言 | 评测集、LLM 打分、人工复核、指标基线对比 | 编写测试计划、输出质量报告 |
| 测试重点 | 功能、接口、UI、性能 | 规划能力、工具调用、记忆、幻觉、提示注入、安全护栏 | 缺陷分析、回归策略、线上风险把控 |
| 稳定性 | 输入固定，输出稳定 | 同样输入，输出存在波动 | 善于设计多轮、异常、对抗场景 |
二、半年分阶段学习计划（6 个月）
第 1-2 个月：补齐工程基础（最优先）
- 学习 Python 基础：变量、循环、函数、类，掌握 requests、pytest，能独立写简单接口自动化脚本
- 熟悉 Git、Linux 基础命令，学会把代码提交到 GitHub
- 吃透 HTTP 协议、接口调试，看懂请求响应、JSON 结构
- 产出小成果：基于公开 API，写一套简单接口自动化用例集
目标：摆脱 “只会写用例，不会写代码” 的短板，看得懂 Agent 的接口调用日志
第 3-4 个月：Agent 与大模型评测体系学习
- 基础概念：LLM、Token、Prompt 工程、RAG、Agent 架构（规划器、工具、记忆、执行器）、MCP 协议
- 评测指标：任务完成率、幻觉率、工具调用准确率、拒绝率、召回率、精确率
- 评测工具：DeepEval、Promptfoo、RAGAS，学会用 LLM-as-judge 做语义评估
- 安全测试：提示词注入、越狱、越权调用工具、敏感信息泄露的对抗用例设计
- 产出小成果：搭建评测集，对一个简单 Agent 做批量评测，输出评测报告
第 5-6 个月：实战项目 + 求职准备
- 学习 LangChain、LangGraph、Dify、Coze，搭建简易 Agent，理解工具调用流程
- 独立完成 1-2 个完整项目（推荐贴近测试场景）：
- 项目 1：文档自动生成测试用例 Agent，并搭建评测体系评估它生成用例的质量
- 项目 2：日志故障分析 Agent，校验它定位问题、调用查询工具的正确性
- 把项目代码、评测数据集、评测报告整理到 GitHub，写清楚项目说明
- 简历改造：把原有手工测试经验，往 Agent 风险评估、评测集设计、异常场景测试方向迁移，准备面试口述项目
三、日常落地小技巧（在职转型）
- 优先在现有公司内部争取机会：承接 AI 助手、知识库、智能 Agent 的测试任务，不用等跳槽再接触
- 不要死磕算法：Agent 测试不需要训练大模型，重点是怎么测 Agent，而不是怎么开发大模型
- 持续沉淀用例库：整理 Agent 的边界用例、对抗注入用例、多轮对话用例，这是你的核心竞争力
- 多看真实 JD：Agent 测试岗位最看重评测方案、指标设计、工具调用校验、安全风险识别
【相关 FAQ】
问题 1：只会写用例的测试，半年转 Agent 测试，需要深度学习算法吗？
回答 1：只会写用例的测试转型 Agent 测试，不需要深度学习算法，Agent 测试核心是评测方案、指标设计、工具调用校验、幻觉与安全测试，重点掌握评测工具和测试思维，不用学习模型训练、微调相关算法。
问题 2：只会写用例的测试，转型 Agent 测试优先学 Python 还是 Java？
回答 2：只会写用例的测试转型 Agent 测试优先选择 Python，绝大多数 Agent 评测框架、LangChain、DeepEval 等工具原生支持 Python，上手更快，更适配 Agent 测试的脚本开发与评测流水线搭建。
问题 3：Agent 测试和普通大模型问答测试有什么不一样？
回答 3：Agent 测试除了大模型输出正确性，还要重点校验 Agent 任务规划、工具选择、参数传递、多轮记忆、失败重试逻辑，普通大模型问答测试大多只校验单次对话的回答质量，不涉及工具调用链路。
问题 4：没有 Agent 业务项目，半年转型 Agent 测试怎么积累实战经验？
回答 4：没有 Agent 业务项目，可以用 Dify、Coze 搭建简易 Agent，自建评测数据集，使用 DeepEval、Promptfoo 跑批量评测，把整套评测流程、脚本、报告上传 GitHub，作为 Agent 测试的作品集项目，面试可以演示。
问题 5：Agent 测试里的 LLM-as-judge 是什么，转型 Agent 测试必须掌握吗？
回答 5：LLM-as-judge 是用大模型充当裁判，对 Agent 输出做语义打分，是 Agent 测试主流评测手段，转型 Agent 测试需要掌握它的使用方式、提示词编写、结果校验逻辑，用来解决非确定性输出无法固定断言的痛点。
【参考资料】
[2026-10-21]（AI Agent 测试开发工程师岗位介绍）腾讯招聘
[2026-10-10]（资深测试开发工程师 (Agent 测评工程师)）滴滴招聘
[2026-09-03]（分享一下 AI 给测试开发工程师的靠谱转型建议）CSDN 博客
[2026-08-28]（我的免费 AI 测试开发学习路线，开源了！）InfoQ 写作社区
[2026-07-23]（AI 测试岗位 JD 里反复出现的三个词：Agent、RAG、工作流编排）腾讯云开发者社区
[2026-06-01]（Manual QA to Agentic SDET: 6-Month Roadmap）SDETLab
【免责声明】
本文为只会写用例的测试人员转型 Agent 测试的学习路线参考，Agent 测试相关技术、评测框架、岗位要求会持续迭代；路线周期、学习时长受个人每日投入时间、基础能力影响，不保证一定在半年内成功转岗；文中项目方案、工具选型仅用于学习实践，线上 Agent 产品评测方案请结合业务风险、合规要求单独设计，不构成求职保证与生产方案。