项目 A：AI 效能中台（AI 测试工作台）行业场景
> AI 业务迭代速度快，传统测试工具割裂分散，接口、UI、性能、测试用例管理相互独立，缺少面向 AI 场景一体化测试工作台。测试人员需要在多个系统来回切换，测试数据构造繁琐，用例维护成本高，版本回归耗时长。本中台面向测试工程师，集成测试知识库、需求评审、数据工厂、用例生成、接口自动化、UI 自动化、性能测试、测试套件、执行历史、质量报告，解决 AI 项目测试链路碎片化，提升 AI 产品整体测试执行效率。
项目 B：AI 质量评测平台（RAG‑Eval）行业场景
> RAG 大模型知识库项目上线时，普遍缺少标准化评测能力。大多依靠人工抽样打分，评测结果不可复现，幻觉、召回错误难以批量发现。本平台面向 RAG、Agent 业务，支持企业自有题库与标准评测集两种数据源，完成批量 RAG 评测任务，可配置推理、并发、重试参数，输出评测指标与全链路追踪，解决 RAG 应用质量评估难、手工评测效率低下的行业痛点。
# 项目 A：AI 效能中台（AI 测试工作台）
AI 效能中台:
平台包含测试知识库、需求评审师、数据工厂、用例生成、接口测试、UI 自动化、性能测试、测试套件、执行历史、测试报告十大模块。支持 RAG 知识加载、AI 辅助需求评审、自动生成测试数据与测试用例；完成接口脚本编排、Web UI 回放、服务压测；支持测试用例套件批量执行，留存全部运行追踪记录，最后输出汇总质量测试报告，覆盖 AI 应用从需求阶段到回归测试完整测试流程。
AI 质量评测平台：
专为 RAG 大模型应用打造质量评测系统。支持两种数据源模式：企业自有导入题库、平台标准评测集；支持预览样本、配置推理参数、并发数、失败重试；发起批量评测任务，采集 RAG 回答结果，完成指标打分；记录全链路调用追踪，留存评测历史记录，区分严格质检、快速测试两套评测模板，输出预估 token、耗时等预估信息，用于 RAG 版本迭代回归校验。
项目 A：AI 效能中台:
本人独立完成前后端整体设计与开发。后端使用 FastAPI 搭建服务，前端基于 Vue3 开发，对接测试执行引擎。难点在于多类型测试任务调度，兼顾接口、UI、压测多种任务类型；实现任务队列管理、执行状态持久化；设计统一报告输出组件，解决不同测试类型数据格式差异，实现一站式测试工作台能力。
项目 B：AI 质量评测平台：
本人独立完成整套平台开发。后端 FastAPI，Milvus 向量库，集成 Langfuse 做链路追踪。难点是批量评测任务并发控制，防止大模型接口限流；兼容外部 RAG 服务接入；区分工具评分与人工复核流程；处理评测数据集导入解析，对评测任务做状态持久化，保证大批量评测任务稳定运行。
评论