想像一下，如果你在公司裡負責開發，現在有了生成式 AI，寫程式碼的速度快了十倍，但你面臨的最大問題卻不是怎麼寫程式，而是怎麼證明你寫的東西是對的。這就是目前許多團隊遇到的 DevOps Velocity Gap，也就是開發速度與驗證速度之間的差距。
在傳統的自動化測試流程中，工程師需要花大量時間撰寫測試腳本。即使有了自動化工具，我們仍然得面對三個頭痛的問題：首先是速度，寫測試案例比寫功能程式碼慢得多；其次是覆蓋率，複雜的使用者路徑很難全部寫完；最後是維護成本，只要前端 UI 改了一個 ID 或 class，原本跑得好好的測試就會失敗，這就是我們常說的 Flaky Tests，指的是那些結果不穩定、時而成功時而失敗的測試案例。
為了打破這個瓶頸，Sauce Labs 推出了 Sauce AI for Test Authoring，它引入了一個核心概念叫做 Intent-Driven Testing，也就是意圖驅動測試。
簡單來說，意圖驅動測試是讓開發者或產品經理不再需要寫具體的程式碼腳本，而是直接用自然語言描述業務意圖。例如，你不需要寫如何定位按鈕、如何模擬點擊，而是告訴 AI：使用者應該能成功將商品加入購物車並完成結帳。AI 會將這種意圖轉換為可執行的測試套件，甚至能直接讀取 Figma 的設計稿或產品規格書來生成測試。
這種做法對 Junior 工程師或非技術人員來說非常重要，因為它降低了自動化測試的門檻。以往只有精通 Selenium 或 Cypress 等框架的專家才能寫自動化測試，現在 domain experts，也就是對業務邏輯最熟悉的產品經理或 QA 分析師，可以直接參與定義品質標準。
而 Sauce AI 能夠比一般通用 AI 更精準的原因，在於它擁有所謂的 Data Moat，也就是數據護城河。它利用了超過 87 億次真實世界的測試運行數據來訓練模型。這意味著它不只是在預測文字，而是理解真實應用程式在運行時的行為模式，因此在診斷問題根因時，速度能提升約 41%。
當然，這項技術並非萬能。雖然它能大幅縮短創建測試的時間，並透過自我學習機制減少維護成本，但業界仍有擔憂。在極其複雜的企業級應用中，AI 是否能處理所有邊緣案例 Edge Cases，以及在動態環境中是否真的能完全消除 Flaky Tests，仍需要在大規模實務中驗證。
目前市場上也有類似的競爭者，例如 TestMu AI 提供從舊框架遷移到 AI 測試的功能，而 mabl 則強調 Auto-healing 自我修復能力，當 UI 改變時自動調整定位方式。
總結來說，軟體工程的重心正在轉移。當 AI 讓產出程式碼變得廉價且快速時，驗證程式碼的正確性反而變成了最昂貴的成本。從手寫腳本轉向意圖驅動的自動化系統，是為了讓品質保證能跟上開發速度，讓團隊不再被繁重的測試維護工作拖累。
來源：infoq.com
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。