旧文。写的是我做测试开发和质量工程那十年，放这儿不删。现在的主线是全栈开发、企业信息化和大模型网关，跟这篇不是一回事，看 关于页。
这十年我做的是质量工程和测试开发，场景换过几轮：SaaS 客服系统、百度核心搜索、支付宝基金与个人养老金、ASR / 翻译 / TTS 实时语音，最后是 L4 无人配送车。到后期，我的活儿已经从「验证别人写的东西」变成需求梳理、界面交互、前后端、数据和部署自己一路做完，其中一套内部平台由我独立从需求做到上线。再往后就是正式转岗全栈。
该阶段的工作与开发成果
当时负责 L4 无人配送车业务的端到端质量。质量判断覆盖车端软件、云端服务、通信与数据链路，并延伸到 OTA、仿真与路测。除了验证单点功能，还要沿着任务下发、执行、状态回传和异常处理检查整条链路，判断一次变更会不会在真实运行中引入连锁问题。
我的重点是把分散的测试活动变成可重复的工程流程：根据业务风险确定范围，把高频检查沉淀为自动化，将执行和质量数据收进平台，再通过趋势与失败分布找到优先问题。这样既能让问题更早暴露，也能让版本是否具备发布条件有据可查。
在这一阶段后期，我已经以全栈方式开展业务开发与平台开发，把质量工程中积累的风险判断、自动化和稳定性经验带入需求分析、交互设计、前端、后端、数据与部署。AI 会参与方案比较、编码、调试和结果分析，但所有产出仍要经过正常的审查、测试和发布流程，并以真实业务中的使用效果作为完成标准。这条线后来成为我的主职——我已正式从测试开发转为全栈开发工程师。
2012 — 2016 · 计算机科学与技术本科。 学习过数据结构与算法、操作系统、计算机网络、编译原理和数据库等基础课程。工作后仍习惯通过写代码、跑实验和复盘线上问题来验证理解。
职业经历
-
L4 无人配送车质量与平台自研
负责端到端质量方案与关键版本验证，覆盖车云协同、OTA、仿真和路测。同期独立开发一套内部质量平台，从需求、界面、登录鉴权、前后端和数据库，一直完成到 CI/CD 与部署。
车云链路仿真 / 路测OTAFastAPIReact云效 / SAE -
App 与服务端测试负责人 / AI 评测基建
负责 VOIP / ASR / 翻译 / TTS 全链路质量。为同声传译建立 WER 自动化评估和翻译基准集，使用 LLM-as-a-Judge 做批量验证；推动接口测试从 JUnit 迁移到 Pytest，测试覆盖率提升 70%。
VOIPASRTTSWERLLM-as-a-JudgePytest -
基金与个人养老金 QA Owner
负责需求评审、测试策略、全链路压测、容灾演练、监控与应急预案。个人养老金项目重点覆盖开户、缴存、资金链路和对账场景，负责期间保持 0 重大事故。
QA Owner全链路压测容灾演练资金链路监控应急 -
搜索质量与垂类研发
参与核心搜索 VUI 和检索链路质量保障，使用 Python / Shell 开发自动化 diff 工具并接入 CI。后转研发，负责日历、天气垂类业务开发，以及向统一搜索架构的迁移和数据更新链路优化。
SearchVUIPython / ShellCITest → Dev -
Web、服务端与移动端测试
使用 Minitest 补齐 Ruby on Rails 后端单测，代码覆盖率提升到 80%+；使用 Selenium / Appium + Jenkins 建设端到端自动化，核心回归场景实现自动执行，单次回归耗时缩短 90%+。
Ruby on RailsMinitestSeleniumAppiumJenkins
平台交付 · 内部质量平台
这是我以全栈方式独立落地的项目之一，也是我转型全栈最完整的一次验证。围绕测试执行、质量度量和结果分析，我独立完成需求梳理、信息架构、界面交互、登录鉴权、前后端、数据存储、联调、CI/CD 和部署。平台将执行记录、质量数据和分析结果集中到同一处，减少在不同工具之间来回整理信息的成本。
内部质量平台 · FastAPI + React / TypeScript + MySQL / Tair + Docker + 云效 / SAE
FastAPI + Python 3.11 提供后端接口，SQLAlchemy / Alembic 管理数据访问和迁移；前端使用 React 18 + TypeScript + Vite，配合 Ant Design、Zustand 和 React Router。
使用 MySQL 8.0 / RDS 存储业务数据，Tair 缓存，EMQX 承接 MQTT 消息；通过 Docker、阿里云云效和 SAE 完成构建与部署。
根据测试执行数据归纳失败模式、标记可疑项并给出排查建议。每条分析都保留原始数据入口，由测试人员复核后形成结论；AI 用来缩小排查范围，不替代最终判断。
AI 在业务里的实际用法
AI 已经进入评测、开发、调试和结果分析这些具体工作；是否真正有用，最终看能不能提高交付效率、减少重复劳动，并让结果经得起复核。
在实时语音通话业务中，用 WER、翻译基准集和 LLM-as-a-Judge 对 ASR、翻译与 TTS 链路做批量验证和回归。指标用来发现变化，具体样本仍会回到人工复核。
在实际项目中使用编程 Agent 辅助拆解需求、比较方案、开发前后端、调试和排查问题。生成内容进入正常的代码审查、自动化测试和发布流程，由我对最终结果负责。这条线后来成为我的主职方向。
在内部质量平台中，让 AI 根据执行数据归纳失败模式、标记可疑项并给出排查方向，同时回链原始记录，方便测试人员快速确认或推翻它的判断。
目前已经在多个实际业务项目中使用这套工作方式。内部质量平台是链路较完整的一项，从需求、开发到部署由我独立完成，项目以真实业务中的使用效果作为完成标准。
那段时间我更关心三件事：AI 给出的判断能不能回到原始数据，生成的代码能不能进入正常的审查、测试和发布流程，做出来的工具能不能被团队持续使用。需要的新知识跟着业务问题补，不单独罗列框架清单。这三条到今天仍然成立。
常用技术
- 接口、Web、移动端和服务端自动化
- 白盒测试、覆盖率治理与 CI 质量门禁
- 测试平台、数据构造和执行调度
- 全链路压测、容量基线与性能分析
- 容灾演练、故障注入、监控与应急预案
- 资金链路、账户体系和对账场景
- JVM、Linux 和分布式链路诊断
- Redis / Tair、RocketMQ / Kafka 常见故障
- Prometheus / Grafana 指标与日志定位
- Tair、OceanBase、SOFA 体系与消息中间件
- 分布式事务、缓存一致性与消息异常处理
- 限流、熔断、降级、主备切换与多地容灾
AI 音乐创作
工程之外，我也使用生成式 AI 进行音乐创作。主题、情绪、叙事和最终取舍由我完成，AI 用来扩展旋律、编曲与声音表达的可能性。歌手名为 xueyuan，目前已入驻 网易云音乐与 QQ 音乐。本站播放器现收录 3 首作品：《King Without a Crown》、《Bunker Logic》、《Burning Low》。
一句话说明
这一阶段（2016—2026）我做的是质量工程与测试开发，后期已经用全栈方式独立交付平台与业务系统。现在我的岗位是全栈开发工程师，方向是企业信息化与大模型工程化，最新定位见 「关于」页。工程之外，我以 xueyuan 的名字创作 AI 音乐。