学习这件事，似乎真的永无止境。近我还挺享受不断尝试各种新工具的过程，并努力在脑海中梳理它们的逻辑。从战略角度，我希望能清晰阐述AI如何支持质量工程领域，尤其是测试自动化方向。
以下是我这周尝试的一些工具和体验：
1. Anthropic’s Claude：计算机交互实验
我重新回顾了最初用 Claude 进行计算器功能的实验（详见领英动态：链接），并尝试通过其 Beta 功能深入学习。尽管此前从未在本地使用过 Docker（是的，你没听错！），但通过 Docker Desktop 配置 Claude 的过程比预期简单得多。
关键发现：Claude 在处理结构化查询和代码生成时表现出逻辑连贯性，适合用于自动化脚本的初步设计。
2. GitHub Copilot：战略化辅助编码
我正尝试从战略层面思考如何使用这款工具：如何在不脱离人工审核的前提下，利用这个强大的扩展切实增强现有测试自动化框架？
实践场景：在编写 Selenium WebDriver 测试用例时，Copilot 能快速生成元素定位和流程编排的基础代码，人类工程师只需聚焦业务逻辑验证和断言设计。
注意事项：需避免直接使用 AI 生成的复杂逻辑（如动态验证码处理），始终保留人工代码审查环节。
3. OpenAI’s ChatGPT：日常开发助手
听起来有些奇怪，但我讨厌在每个网站手动关闭 Cookie 弹窗，而 ChatGPT 能直接提供答案，省去了这些繁琐步骤（只需一次性配置）。
近期用途：
- 头脑风暴：设计测试用例时，通过提问 “如何覆盖电商 checkout 流程的异常场景？” 获取灵感。
- 调试支持：当使用命令行运行 Docker 启动命令报错时，ChatGPT 提示 “需使用 GitBash 运行 Unix 命令”，快速定位 Windows 系统兼容性问题。
4. 《Software Testing with Gen AI》书籍实践
本周我收到了 Mark Winteringham 所著《Software Testing with Gen AI》的实体书。我为这本书写了书评——是那种真正动手验证的书评！ 我不仅阅读了内容，还购买了 API Token 来验证书中提示是否有效，甚至搭建了 RAG（检索增强生成）流程。
我还录了一段开箱视频，当然，我的猫也加入了，用它惯有的方式霸占了包装盒 🐈⬛。这本书是一份非常可靠的参考资料，随着我在 AI 学习之路上越走越远，我相信还会不断回顾它的内容。
5. napkin.ai：可视化内容生成
受 Gabrielle Earnshaw 最近发布的视频启发，我开始探索 napkin.ai。我使用它为之前的一篇博文添加了视觉元素。
一开始我还走了弯路——我在手机端用 ChatGPT 搜索 napkin.ai 的 agent，结果发现并不是我需要的。后来我看了 Gabby 的视频，按她的操作指南在电脑端访问了 napkin.ai Beta，这才发现真正的“魔法”所在。
最终我生成了一份 PDF 文件，嵌入到博文中。我非常高兴能掌握这个工具，因为这类看似简单的可视化内容，自己做起来却常常要花上好几个小时。napkin.ai 对我来说将是个巨大的省时利器。
6. 谷歌 AI 教育者认证：未来技能储备
虽然这已经是几周前的事了，但我还是想提一提——我完成了 Google 推出的 “面向教育工作者的 AI 课程” ，并获得了证书。
我希望未来有机会能培训他人学习 AI，因此对 Google 如何为教育者传递 AI 知识体系非常感兴趣。
核心收获：课程强调 “AI 伦理” 与 “跨学科应用”，例如通过 AI 辅助语言学习（如自动生成语法练习）或数据分析教学。
总结：AI 与质量工程的融合路径
- 效率工具：Copilot、Claude 用于加速代码生成，ChatGPT 用于快速问题定位。
- 质量保障：结合人类经验审核 AI 输出，避免逻辑漏洞（如测试断言缺失）。
- 持续学习：通过书籍、认证和实践案例（如 napkin.ai 的可视化应用），构建 “工具 - 场景 - 方法论” 的完整知识体系。
AI并非替代人类工程师，而是延伸我们的能力边界。在探索过程中，保持 “工具为我所用” 的清醒认知，方能在技术浪潮中稳步前行。
