2026年6月10日，arXiv上一篇名为《The Rise of Agentic Testing》的论文在测试社区炸开了锅。文章直接挑明：自动化测试正在从“写脚本”转向“说意图”。这不仅是理论探讨。前几个月，AutoGen在5月推出的v0.8版本和CrewAI的升级版，已经把“多步自我纠错”能力实打实地嵌进了DevOps流水线。
以前的AI辅助测试，模型写错Selenium脚本，QA还得手动擦屁股。现在的Agent框架换了玩法。以SWE-agent为例，输入“修复购物车并发结算时的库存超卖Bug”，它能自己拆解任务：读代码库、跑测试、看报错日志、定位代码、提交修改再跑一遍验证。测试要是挂了，它自动回滚换新策略，形成Self-Correction闭环。
AutoGen v0.8搞了个“反思-修正”循环。Agent A写完代码，单元测试没过，它不直接找人类，而是丢给负责审查的Agent B。B发现变量作用域写错了，A就自己回去改。CrewAI的升级版则把纠错放在团队协作里。5个Agent组个测试团队，监督者盯着其他人的输出，一旦发现跑偏（比如测错模块），立刻打回重做。
医云科技的六人测试局
2026年4月，上海一家叫医云科技的医疗SaaS公司把AI Agent塞进了集成测试。他们测试团队就6个人，要扛300多个微服务。以前跑全量回归测试得花3天，大把时间全耗在找Bug和复现上。
接了CrewAI升级版后，他们建了个闭环：探索Agent自动遍历API边界，发现异常就生成截图和日志；诊断Agent查知识库，判断是业务逻辑还是配置问题；修复Agent直接提Merge Request。从发现到提MR只要15分钟，人工处理得花2小时。为了抠成本和合规，他们用的是本地部署的DeepSeek模型。
代价也很扎眼。医云科技的CTO直言，Agent的Token消耗是GitHub Copilot那种编程助手的几倍，因为纠错要反复调大模型。监督者Agent权重设不好，修出来的代码还可能带新漏洞。
重构与动态Mock
在代码重构上，Agent也搞出了点动静。医云科技用本地部署的DeepSeek-R2驱动AutoGen，重构老旧的Java单体架构。Agent不光把代码迁了，还能认出重构后可能失效的集成测试点，动态生成新Mock数据。比如把同步接口改成异步消息队列，它会自动补上消息重复消费和超时重试的测试用例。以前这得资深架构师盯着看，现在CI/CD流水线里自己就能拦住。
烧钱与失控的边缘
Gartner在2026年初预测，年底大量常规测试用例将由AI Agent自动生成和执行。但多步纠错意味着Agent要拿更高的系统权限——读写代码、跑脚本、动数据库。没有人工熔断，极易翻车。
今年4月，深圳一家电商公司的Agent权限失控，4小时烧掉52万Token费用，还搞出几千笔未确认扣款。测试环境里，陷入死循环的纠错Agent可能会搞崩测试库，或者造一堆无效脏数据，让后面的测试全废。
8月2日，欧盟《AI责任指令》（ALD）迎来全面执法，自主性带来的合规压力更大了。测试Agent改代码时出的“幻觉”要是流进生产环境，算谁的责任？现行法规还是把板子打在人类开发者身上。
刹车还得人来踩
目前Agent对“幻觉型错误”（比如瞎编API参数）的纠错成功率很低。2026年6月，Meta在Llama 4里加了“校准置信度”机制，Agent不确定就标“低置信度”，喊人来管。AutoGen团队也发了Self-Correction Benchmark来评估纠错效果。
CrewAI在5月更新里加了“纠错成本面板”，实时显示每步纠错花了多少Token和推理时间。项目经理能看着面板判断，为一个UI错位调5次大模型到底值不值。
SWE-agent的最新实践里，开发者开始用“双重Agent”架构：一个负责生成和修测试，另一个审查修改有没有违反代码规范和安全策略。这种互相制约的机制，正变成企业级DevOps的标配。Agent在软件工程里终于从写注释、补全代码，干到了测试和重构的脏活累活。但方向盘交给Agent之前，踩刹车的脚还得是人自己的。
