夜雨聆风
整理编辑｜TesterHome社区
近期，软件质量工程平台厂商Tricentis宣布收购AI编程平台Tabnine。根据Tricentis公布的信息，交易完成后，Tabnine的Enterprise Context Engine（企业上下文引擎）将被整合到Tricentis的Agentic Quality Engineering Platform中，用于增强AI Agent对企业软件环境的理解能力。双方并未披露交易金额。
这起收购表面上看，是一家软件测试公司向AI Coding领域进一步延伸，但如果放到整个软件工程的发展趋势中来看，其意义显然不止于此。过去两年，生成式AI首先改变的是软件开发环节，GitHub Copilot、Cursor、Tabnine以及各种Coding Agent不断提升开发人员的代码生成效率。随着AI开始参与需求理解、代码编写、修改和Code Review，软件生产速度正在快速提高。
但一个新的问题也随之出现：代码可以由AI快速生成，谁来验证这些代码是否真的可靠？
这实际上正在形成软件行业新的“验证鸿沟”。
AI把代码生成速度提高之后，测试可能成为新的瓶颈
传统软件开发流程中，开发和测试之间存在相对稳定的节奏。开发人员完成代码后，测试团队再通过自动化测试、回归测试、性能测试等方式验证软件质量。
但AI Coding改变了这种节奏。
过去开发人员可能需要几个小时甚至几天完成一项功能，而现在AI Coding Agent可以在很短时间内生成大量代码，甚至直接完成一个完整功能模块。开发效率提升之后，测试环节却不可能以同样的速度增长。
于是一个新的矛盾出现了：Software Generation越来越快，而Software Verification没有同步变快。
如果继续使用传统测试模式，就很容易出现一种情况：开发团队已经能够快速产生大量代码，但测试团队仍然需要按照原来的方式编写测试用例、维护自动化脚本、执行Regression Test，再人工分析测试结果。
从这个角度来看，Tricentis此次收购Tabnine实际上是在回答一个非常现实的问题：当AI开始大规模生产软件之后，软件质量保障应该如何跟上？
这也是Agentic Quality Engineering受到关注的重要原因。
从“AI辅助测试”走向“AI执行质量工程”
过去几年，AI进入软件测试领域，最常见的应用仍然是辅助测试人员完成一些具体任务，例如自动生成测试用例、生成Playwright或Selenium脚本、分析测试日志、生成测试数据以及维护失效的自动化脚本。
这些能力当然有价值，但它们本质上仍然属于AI辅助测试人员完成测试工作。
Agentic Quality Engineering的思路则更进一步。
它希望AI Agent能够理解软件系统的上下文，然后自主决定应该测试什么、如何测试、测试结果意味着什么，以及是否需要进一步验证。
例如，一个开发人员修改了订单服务中的一段代码。
传统自动化测试可能会按照既定测试计划运行一批Regression Test。但对于AI Agent来说，它理论上可以先理解这次代码变更，再分析相关API、服务之间的依赖关系以及可能受到影响的业务流程，然后动态确定测试范围。
流程就会从过去的：写代码 → 执行固定测试 → 查看结果
逐渐变成：理解代码变更 → 分析影响范围 → 判断质量风险 → 生成测试策略 → 执行测试 → 分析结果 → 再验证
这实际上已经不是简单的“AI测试工具”，而是在尝试让AI参与软件质量决策。
为什么企业上下文如此重要？
这也是此次Tricentis收购Tabnine最值得技术人员关注的地方。
AI要真正参与企业级软件质量工作，首先必须“理解”企业的软件。
一个大型企业的软件系统通常不是一个简单的Web页面，而是由大量代码仓库、API、微服务、数据库、第三方系统和基础设施组成。一个看起来很小的代码修改，可能影响多个服务和业务流程。
因此，AI如果只理解当前打开的代码文件，实际上很难判断这次修改可能带来的完整影响。
Tabnine此前推出的Enterprise Context Engine，就是试图解决这一问题。它能够建立企业软件环境的结构化上下文，让AI理解代码仓库、服务、API、依赖关系和架构等信息。
这意味着AI获得的不是简单的“代码上下文”，而是更加接近企业软件的整体知识图谱。
对于测试来说，这一点尤其重要。
因为测试工程师真正关心的往往不是：“这个函数有没有问题？”
而是：“这次修改可能影响哪些功能？哪些服务需要重新验证？哪些测试应该优先执行？”
如果AI能够理解这些关系，那么测试自动化才有可能从“固定脚本自动执行”进一步发展到“根据软件变化动态决定测试”。
Coding Agent和Testing Agent可能走向同一个体系
把这次收购与过去两年AI Coding的发展放在一起，会看到一个非常明显的趋势。
AI Coding Agent正在解决：如何更快地生产软件。而AI Testing Agent解决的是：如何更快地验证这些软件。
未来，两者很可能不会再是完全独立的工具，而会逐渐成为同一个Agentic Software Development Lifecycle的一部分。
一个理想的流程可能是：开发人员提出需求后，Coding Agent负责实现功能；随后Quality Agent理解代码变化和系统上下文，自动分析风险并生成测试；测试Agent执行验证，如果发现问题，再将结果反馈给Coding Agent进行修改。之后系统再次测试，直到满足质量要求。
在这种模式下，测试不再只是开发完成之后的一个阶段，而是贯穿整个软件生命周期。
这也是为什么近年来“Quality Engineering”这个概念越来越受到关注。
它强调的已经不只是传统意义上的“找Bug”，而是从需求、开发、测试、发布到生产环境，对软件质量进行持续管理。
软件测试行业可能进入一个新的阶段
对于测试工程师而言，这可能是这次收购最值得思考的问题。
测试工程师未来可能会从传统的Test Executor逐渐向Quality Engineer转变，并进一步掌握AI Agent Testing、AI Evaluation、风险分析、测试策略设计以及AI系统质量保障等能力。
换句话说，未来测试工程师可能不是简单地“被AI测试”，而是需要学会如何设计、监督和验证AI测试Agent。
如果把软件测试过去二十年的发展简单归纳，大致经历了几个阶段：
- 人工测试解决“人来验证软件”的问题；
- 自动化测试解决“机器重复执行测试”的问题；
- AI辅助测试解决“AI帮助测试人员提高效率”的问题。
而现在，Agentic Testing正在尝试解决：“AI能不能自主完成一部分质量工程工作？”
Tricentis收购Tabnine，就是这一趋势中的一个典型案例。
它真正值得关注的地方并不是一家测试公司收购了一家AI Coding公司，而是AI Coding和AI Testing正在逐渐走向同一个软件工程体系。
过去，软件行业最重要的问题之一是：如何更快地写出软件？
而AI已经在很大程度上解决了这个问题。
接下来行业可能越来越关心另一个问题：如何证明AI写出来的软件是可靠的？
这也许才是未来几年软件质量工程真正的机会。
当代码生成越来越便宜、越来越快之后，“验证软件”的能力反而可能变得更加稀缺。
而这意味着，软件测试不会因为AI Coding的发展而简单消失。
相反，它可能正在经历一次更深层次的变化：从测试执行，走向质量工程；从自动化测试，走向Agentic Testing；从验证代码，走向验证整个AI驱动的软件工程过程。
Tricentis与Tabnine的这次结合，或许只是这一变化的一个早期信号。
AI测试初创公司LambdaTest宣布更名，押注AI代理，创始人为印度裔