使用 Jev 模型提速 App 测试智能体公开课 | 决策模型与 Token 压缩赋能实现 10x 速度提升

关注 霍格沃兹软件测试开发 公众号，回复「资料」, 领取人工智能测试开发技术合集

你的 App 测试智能体，是不是也卡在“想太多”上？

一条并不复杂的用例，智能体却要反复观察页面、反复判断“下一步点哪”、反复把整棵 UI 树和历史操作塞给大模型。结果就是：模型不算弱，流程却跑得慢；用例写得不少，真正能高频跑起来的没几条。

问题往往不在“模型够不够大”，而在决策架构太粗。大量高频、低不确定性的判断——选哪个元素、走哪条路径、弹窗怎么处理——都在消耗一次完整的大模型往返。App 测试智能体要进入日常高频使用，速度是第一道门槛，架构是第一把钥匙。

本次公开课围绕 Jev 模型 + 决策模型 + Token 压缩，拆解 App 测试智能体实现 10x 速度提升的工程路径。

这堂课，不讲空泛的“AI 测试趋势”，只讲可落地的提速结构

课程从 App 测试智能体的完整回路讲起，逐层拆解：

1. App 测试智能体介绍智能体如何完成感知、决策、执行、断言的闭环？速度瓶颈到底卡在哪个环节？先建立一张完整的架构地图，才知道该从哪里下手。

2. App 测试智能体工具测试智能体依赖哪些工具完成页面感知、元素操作、状态校验？工具链的粒度如何影响整体执行效率？工具选型和封装方式，直接决定智能体“跑得顺不顺”。

3. App 测试智能体技能一个合格的测试智能体需要具备哪些核心技能？如何规划测试路径、处理异常分支、完成状态验证？技能边界划清楚，才能判断哪些该交给大模型，哪些不该。

4. 决策模型介绍与应用：Jev / LayaJev 是什么？它为什么不生成自然语言，而是直接对预定义选项返回带置信度的结构化答案？Laya 的开源本地路线又适合什么场景？这一部分讲清楚 System One 决策模型的能力边界与适用条件。

5. 使用决策模型加速 App 测试智能体把“点哪个元素、走哪条路径、如何处理弹窗”这类高频判断从大模型剥离，交给 Jev / Laya 快速决策；大模型只保留规划、异常归因和复杂推理。再叠加 Token 压缩，让每次上下文传递只带“该带的”，从决策成本和输入成本两端同时压缩，10x 提速才有架构支撑。

听完这堂课，你会带走什么？

• 一套 快慢决策分层方法：哪些判断交给 Jev / Laya，哪些留给大模型；
• 一条 Token 压缩的落地思路：截图、UI 树、历史操作分别怎么瘦身；
• 一个 10x 提速的工程判断框架：不靠换模型堆算力，而靠重新分配“谁该做哪种判断”。

适合谁听？

• 正在做 App 自动化测试、想引入 AI 智能体的测试开发工程师；
• 负责测试平台/质量效能建设的技术负责人；
• 对 AI Agent 架构、决策模型、Token 优化感兴趣的研发同学；
• 受够了“Demo 很惊艳、真跑很慢”的 AI 测试实践者。

课程信息

• 课程形式：公开课
• 报名方式：扫码报名

提速的本质，不是换一个更快的模型，而是重新分配“谁该做哪种判断”。

大模型保留规划与复杂推理，Jev / Laya 接管高频步骤决策，Token 压缩控制每次输入成本——三层合在一起，App 测试智能体的 10x 提速才不是孤立的模型指标，而是一条可落地、可复验的工程路径。

公开课见。