性能测试、性能基线与回归门禁
查看所有标签
面向 Senior SDET 的 Agent 性能压测，不应停留在“用 Locust 或 k6 打接口”的层面，而要把真实用户旅程、工作负载模型、性能 SLO、可观测证据和 CI 门禁连接成一条端到端质量链路。Locust 更适合表达复杂业务行为、动态数据准备和多步骤用户流；k6 更适合在工程流水线中固化阈值、趋势指标和快速回归门禁。对 AI Agent 来说，核心指标必须同时覆盖 TTFT、E2E 完成耗时、业务成功率、阶段耗时、错误分桶和降级结果，否则很容易出现“压测曲线好看，但用户任务失败”的假阳性结论。
面向：资深测试开发（Golang Ginkgo / Python Playwright / API Testing / K8s）
关键词：Performance Regression / k6 WebSocket / Locust / TTFT / P99 / Ginkgo E2E / Playwright / Scenario Asset
Day 24 讨论了 AI Agent 的混沌工程：通过受控故障验证系统是否可用、可解释、可恢复。Day 25 继续把质量能力向“可持续运营”推进：把性能压测从一次性的专项活动，升级为可复用的场景资产库和 CI/CD 回归门禁。重点不再是“跑通一份脚本”，而是让每条真实用户旅程都能沉淀工作负载、指标、阈值、证据与复盘结论。
Agent：这里是【每日 AI 学习笔记】 Day 22 的博客归档版本，基于 AI_Learning_Note_Day22_2026-05-07.md 整理，聚焦如何在 AI Agent 场景下用 Locust / k6 做端到端性能压测：既关注 TTFT/P99 等体验指标，又兼顾工具链路、RAG、模型推理等子阶段的稳定性。
面向：资深测试开发（Golang Ginkgo / Python Playwright / K8s / API Testing） 关键词：TTFT / TPS / P99 延迟 / 成功率 / 稳定性 / 压测模型 / 基线门禁 / CI Gate / 可观测