在今年3月写过一篇文章：又一次被震惊：从生成和细化需求到应用各种方法设计测试用例 ，展示了chatGPT生成测试用例，而且可以用不同的方法生成测试用例，在我们的引导下它还能补充测试用例、完善测试用例。半年之后，chatGPT的能力强大许多，而且是多模态的，如下面例子所表现，所以我们更能借助LLM完成从生成验收标准、生成测试计划、生成测试用例、生成测试脚本到生成测试报告等全测试周期所需的交付件。

（基于简单的描述生成非常规范、完整的测试用例。）

（基于流程图生成E2E的测试用例）

自然不能用这些相对简单的例子（基于流程图生成E2E的测试用例也不简单，是真实案例）或几行字来回答标题所提出的问题：大模型真的会让软件测试人员下岗吗？即使大模型真的有潜力让软件测试人员下岗，也不是现在，而是3-5年后。为什么这么说呢？那是因为在长沙、在沈阳，一些专家和学者在讨论“大模型会成为软件工程的银弹吗？” 多数人认为很有可能，而且在未来3-5年或更长时间（10年）这一时刻会出现。

类似开发人员，人们会说：大模型会淘汰码农，但不会淘汰软件工程师。也就是说，如果你只是一个平庸的程序员，缺乏业务素质、工程能力、沟通协调能力，只会写代码、完成具体功能的代码实现，很有可能被淘汰，因为具体任务的代码很有可能由AIGC自动生成。虽然现在代码采用率不高，但可以由资深程序员来review和完善，因为有40-50%的工作被LLM干了，人员是可以优化的。如果要优化，那么上面说的“码农”被优化掉的可能性很大。

测试人员也有类似的场景，如果只是能干一些简单的测试设计、测试执行的工作，那很有可能会被淘汰。因为在普遍使用LLM情况下，大量的验收标准、测试用例、测试脚本、测试计划、测试报告被自动生成，测试团队自然也会被优化，而能力弱的、只会干简单工作的测试人员被优化掉的可能性也是很大的。

从这个角度看，其实是会用大模型的测试人员淘汰不会用大模型的测试人员。

我们如何成为会用大模型的测试人员呢？简单地说，就是拥抱大模型，躬身入局，不断实践、应用大模型，不断学习新的知识和新的工具，与时俱进，持续进取。具体说，分三步走。

第一步就是一面学习提示工程、一面在chatGPT或相应的工具上去实践。

提示工程，可以好好理解下面两张图，理解提示的结构和技巧（Few-shot Prompting）。如果可能，可以进一步了解思维链（CoT）等内容。还可以加约束，设置输出模板或Markdown格式。

例如，生成按文档模板要求的、规范的测试计划、测试用例。

第2步，在这基础上，可以多了解其他同事、其他公司的一些优秀实践，或多看一些和测试领域应用大模型技术相关的论文，例如Adaptive Test Generation Using a Large Language Model，了解Transformer机制、预训练和fine-tuning等方面的知识，深度了解如何训练出一个测试大模型，提升自己的理论水平。

第3步，尝试部署开源大模型（如Llama 2），在此基础上，尝试用自己的测试数据精调（fine-tuning）出自己的测试大模型，应用于实际工作中。这一步，的确有挑战，从数据的准备、清洗和优化到数据构造，然后开始进行fine-tuning。在fine-tuning过程中，可以调整模型的超参数，如温度系数、学习率、窗口大小等，甚至可以学习高效微调技术（如LoRA）。然后使用验证数据集对fine-tuning后的模型进行验证，以评估模型的性能。这个过程会经过多次训练、验证，最终达到一个好的性能才算结束，最后将模型部署到研发环境中，供大家使用。

经过这样一个过程，自己以后就拥有了一个强大的测试助手，自然对公司的价值更大，使自己立于不败之地。
当然，也没有这么简单，看了一篇简单的文档，自己就飞起来了，不可能。需要在工作中要脚踏实地去实践、去思考、再实践；需要走出去，多取经、多学习。