TCLAI测试工程师

1.针对LLM幻觉与随机性难题进行专项治理，构建确定性保障机制。确保AI生成的用例与脚本在多轮执行、异构环境下保持高度一致，建立团队对人机协同的信任基线； 2.破解AI决策“黑盒”痛点，搭建覆盖“意图-生成-执行-判定”的数字孪生与追溯系统，实现过程秒级回溯，满足核心业务对合规性与安全性的严苛要求； 3.将AI测试从“实验室Demo”推向生产环境，设计支持万级并发的调度引擎（可用性99.99%）。引入对抗样本与变异测试，建立AI测试本身的防篡改机制； 4.抽象云底层资源，赋予AI自主管理环境生命周期的能力。通过自然语言交互实现复杂拓扑的一键拉起、故障注入与销毁，极大提升研发效能； 5.基于MCP理念打磨测试脚手架，开发针对存储、数据库、大数据等业务的专属插件库（Tools/Skills），以“绿叶”精神赋能兄弟团队快速接入。

1.参与AI系统（如机器学习模型、NLP/CV应用、大语言模型等）的质量保障工作，设计并执行测试用例； 2.针对AI模型特性，完成性能测试（如推理速度、资源占用）、效果测试（如准确率、召回率）及稳定性测试（如对抗样本鲁棒性、数据漂移检测）； 3.开发自动化测试脚本，搭建测试工具链，提升AI模型迭代效率； 4.分析测试结果，定位AI模型或数据问题，与算法/工程团队协作优化解决方案； 5.探索AI测试前沿技术（如模型可解释性测试、公平性评估等），推动测试流程标准化； 6.探索AI辅助测试落地测试项目。

1. 智能测试架构设计：基于MCP（模型上下文协议）设计测试智能体（Test Agent）架构，实现测试计划生成、用例编写、脚本维护的自动化闭环。 2. Skill封装与工程化：将传统的测试经验（如代码审查、异常分析、边界值设计）封装为可复用的AI Skills，构建企业级测试技能库，赋能团队提效。 3. 自动化与自愈体系建设：利用AI技术解决UI自动化测试中的元素定位不稳定问题，实现脚本的自适应修复与智能调试，降低维护成本。 4. 全链路效能提升：推动“质量左移”，利用AI进行代码提交阶段的缺陷预测与风险识别，构建从需求分析到线上监控的智能质量防护网。

1. 负责AI全栈测试，涵盖大语言模型（LLM）、视觉模型（CNN/Transformer等）的精度验证、性能测试。 2. 负责AI工具链测试，包括模型编译优化、量化部署相关固件互联等功能与性能验证； 3. 负责RISC-V工具链测试，包括调试工具（GDB扩展/Trace）及编译器（LLVM/GCC定制）的测试； 4. 设计和执行测试方案，覆盖单元测试、集成测试、系统测试全流程，开发自动化测试用例； 5. 负责AI推理服务全流程测试，包括模型加载、动态批处理、精度验证、资源监控等； 6. 开展AI推理性能基准测试，分析硬件加速效率与瓶颈，提出优化建议；构建高并发压力测试框架，评估服务在QPS、P99延迟、错误率等指标下的稳定性；