企业官网建设流程全解析

摘要

腾讯技术岗目前采用 4—17 级专业职级体系。不同职级之间不仅有薪资差异，对工程能力、复杂问题处理能力和技术影响范围的要求也不同。对于测试开发岗位，2026 年腾讯公开招聘中已经出现模型训练、部署、推理、评测以及 Agent CLI 测试等要求。本文整理腾讯技术职级与薪资结构，并结合当前岗位要求，梳理测试开发社招及 AI 测试方向的面试重点。

腾讯测试开发社招现在需要准备什么？

除了 Python、接口自动化、测试平台、性能测试，还要不要准备 RAG、大模型评测和 Agent 测试？

可以先从腾讯技术岗位的职级和能力结构看起。

腾讯 2019 年将原有的“6 级 18 等”专业职级体系调整为4—17 级，共 14 个专业职级。2024 年起，专业职级不再在企业微信中公开展示，但职级体系仍用于员工职业发展和能力评价。

一、腾讯技术职级与薪资参考

下面按照技术研发岗位公开报薪样本平均值整理。

金额为人民币税前万元，折算月薪按照年度工资计算；年度总包还可能包含奖金和年度股权激励。

公开报薪样本更适合观察不同职级的收入量级，不能直接作为腾讯统一薪资标准。

例如样本中 6 级高于 7 级、8 级高于 9 级，原因可能来自业务线、城市、岗位、入职年份、绩效以及股票授予差异。

因此：

不同职级的样本收入差，不等于一个员工晋升后的实际涨幅。

二、腾讯不同技术职级分别看什么能力

职级提升对应的不只是工作年限。

对于软件开发、测试开发等技术岗位，可以从任务执行、独立负责、复杂工程问题、技术影响范围四个阶段理解。

4—5级：稳定完成工程任务

这一阶段主要建立工程基础。

测试开发岗位通常需要具备：

• 测试分析与测试设计；
• 接口测试；
• Linux；
• SQL；
• Python 或 Java；
• 基础自动化测试；
• 常见问题定位。

能力重点：

能够独立完成明确的测试和开发任务。

6—8级：独立负责业务或模块

到了这一阶段，要求开始从“完成任务”转向“负责结果”。

一个业务模块交过来，需要能够自己完成：

需求分析 → 风险识别 → 测试方案 → 自动化 → 问题定位 → 上线保障。

测试开发的能力也会从单点工具使用逐渐扩展到：

业务质量 + 自动化 + 测试开发 + 工程效率。

9—11级：解决复杂工程问题

9 级以上，对技术方案和复杂问题处理能力的要求进一步提高。

评价重点不再只是会不会 Selenium、Pytest、JMeter，而是：

• 为什么采用这个技术方案；
• 大规模用例如何稳定运行；
• 测试数据如何治理；
• 自动化平台如何持续维护；
• 性能瓶颈如何定位；
• 如何衡量质量平台的投入产出；
• 如何推动跨团队质量问题解决。

2022 年腾讯人才评估体系调整后，9—11 级的晋升评审权限也逐步下放至部门和业务线。

对于测试开发岗位，这一阶段通常会更多涉及：

测试平台、质量基础设施、稳定性、性能工程、效能工具和复杂系统质量保障。

12级及以上：专业深度与技术影响范围

腾讯 2025 年 ESG 报告继续采用专业通道 + 管理通道的双通道职业发展体系。

专业通道覆盖技术、产品/项目、设计、市场、专业五大职业族群，并进一步划分为多个专业发展子通道；管理通道则包括基层、中层和高级管理岗位。

因此技术人员并不需要通过“带团队”才能继续提升专业职级。

高阶专业岗位主要看两件事：

能够解决多复杂的问题，以及解决方案能够影响多大的业务范围。

三、腾讯薪资怎么看：固定工资、奖金和股票分开算

2024 年 7 月，腾讯调整薪酬结构，将原本年底发放的固定“服务奖”平均融入 12 个月月薪。

腾讯当时说明，服务奖本质属于固定薪酬的一部分；调整后，年终奖金更多回归业绩激励。

所以现在看腾讯 Offer，不能继续简单按照：

月薪 × 13 + 年终奖

计算全年收入。

更适合拆成三个部分：

级别越高，股票和浮动收入对总包的影响通常越值得关注。

比较 Offer 时，可以直接确认：

固定现金是多少、奖金怎么算、股票几年归属。

四、腾讯测试开发岗位正在加入 AI 质量保障

对于测试开发人员，2026 年更值得关注的是测试对象正在发生变化。

腾讯技术工程事业群在2026 年 9 月 20 日更新的“基模生产平台 QA”岗位中，已经直接列出了：

• 模型训练流程测试；
• 模型部署测试；
• 模型推理测试；
• 模型评估；
• 自动化平台和测试工具建设；
• Agent CLI 端到端测试；
• 复杂平台质量保障。

岗位同时要求扎实的编码能力，以及独立开发测试工具的能力。

这类岗位的测试对象已经从传统 Web、App、接口系统继续扩展到：

模型平台、LLM 应用和 Agent 系统。

传统测试能力没有消失。

接口、数据库、Linux、网络、缓存、消息队列、自动化和性能测试仍然属于测试开发基本能力。

在这套基础上，又增加了一层：

AI 系统质量保障。

五、腾讯测试开发社招主要准备哪些内容

社招测试开发和校招最大的差别之一，是面试会花更多时间验证：

你实际做过什么，以及为什么这么做。

技术知识仍然会问，但项目经验、工程方案和问题处理通常会被连续追问。

可以按照五个方向准备：

六、腾讯测试开发社招项目面试题

以下问题按照当前测试开发岗位能力要求整理，不是腾讯官方题库。

① 介绍一个你主导过的测试开发项目

回答不要停留在：

“项目使用了 Python、Pytest、Jenkins。”

更适合按照：

项目背景 → 质量问题 → 你的职责 → 技术方案 → 难点 → 结果

展开。

常见追问：

• 为什么要做这个项目？
• 哪部分是你独立设计的？
• 最大的技术问题是什么？
• 方案还有什么缺陷？
• 如果重新设计一次，会改哪里？

② 一个新业务上线，怎么设计测试策略

可以从以下几个方向拆：

业务风险 → 核心链路 → 接口与数据 → 异常场景 → 性能 → 安全 → 自动化 → 上线监控

社招面试更关注的是：

能不能从业务风险推导测试方案。

③ 线上接口突然大量超时，怎么排查

可以按照调用链定位：

客户端 → 网络 → 网关 → 应用 → Redis → MySQL → RPC → 下游服务

再结合：

CPU、内存、线程池、连接池、慢 SQL、GC、缓存命中率和下游 RT 分析。

七、自动化与测试平台面试题

④ 如何设计一套接口自动化测试框架

至少要考虑：

用例管理 → 数据驱动 → 请求封装 → 环境管理 → 断言 → 执行 → 日志 → 报告 → CI/CD

高级岗位还可能继续问：

• 如何并发执行；
• 如何隔离测试数据；
• 如何降低用例耦合；
• 如何治理失败用例；
• 如何做 Mock；
• 如何做失败归因。

⑤ 自动化覆盖率是不是越高越好

不是。

自动化价值更适合综合考虑：

业务风险 × 执行频率 × 场景稳定性 × 自动化成本

高频、稳定、核心回归场景通常更值得自动化。

低频、高变化、高维护成本的场景，不一定适合追求自动化覆盖率。

⑥ 测试平台做出来以后，怎么证明有价值

可以从几个指标回答：

• 回归时间；
• 自动化覆盖；
• 缺陷发现阶段；
• 人工投入；
• 用例执行次数；
• 线上漏测；
• 故障恢复时间；
• 平台使用率。

社招测开需要的不只是“做过平台”，还要能够说明：

平台解决了什么工程问题。

八、后端与系统工程面试题

这部分通常围绕测试工作中的真实技术场景展开。

可以重点准备：

⑦ Redis 缓存穿透、击穿、雪崩分别是什么？

⑧ Kafka 出现消费积压，怎么定位？

⑨ 如何测试消息重复、丢失和乱序？

⑩ 一条 SQL 突然变慢，怎么排查？

⑪ MySQL 索引什么时候可能不生效？

⑫ 分布式系统的数据一致性怎么测试？

⑬ TCP 三次握手解决什么问题？

⑭ HTTP、HTTPS、Cookie、Session、Token 有什么区别？

测试开发岗位回答这些问题时，可以再多走一步：

这个机制如何设计测试场景验证。

九、性能与稳定性面试题

⑮ 一个接口从 100ms 变成 2s，怎么定位

先确定时间花在哪里：

客户端 ↓ 网络 ↓ 网关 ↓ 应用 ↓ 缓存 / 数据库 ↓ RPC ↓ 下游服务

再结合 Trace、日志和监控定位具体瓶颈。

⑯ 如何设计一次容量压测

完整的压测至少包括：

目标 → 流量模型 → 用户模型 → 测试数据 → 环境 → 监控 → 瓶颈 → 容量结论

QPS、TPS、RT、P95、P99 这些指标也需要理解具体应用场景。

十、AI 测试已经需要单独准备

腾讯当前的基模生产平台 QA 已经明确涉及模型训练、部署、推理、评估以及 Agent CLI 测试。

准备 AI 测试面试时，不需要只背大模型名词。

测试开发更应该理解：

AI 系统怎么运行，以及每一层应该怎么测。

⑰ RAG 是什么，RAG 系统怎么测试

典型 RAG 链路：

用户问题 ↓ Query 处理 ↓ Retriever ↓ 召回 ↓ Reranker ↓ 上下文 ↓ LLM ↓ 回答

测试也可以分层。

检索层：

Recall、Precision、Hit Rate、MRR、NDCG。

生成层：

正确性、相关性、完整性、Faithfulness、幻觉。

系统层：

延迟、并发、稳定性、Token 成本、安全和权限。

⑱ Embedding 模型换了以后，怎么判断效果更好

不能只通过几个问题人工体验。

可以建立固定测试集，对比：

• Recall@K；
• MRR；
• NDCG；
• Top-K 命中率；
• 最终问答正确率。

这样才能判断模型升级到底改善了什么。

⑲ 为什么 RAG 会使用混合召回

向量检索更擅长语义匹配。

关键词检索对错误码、型号、ID、专有名词和精确字段更敏感。

因此实际系统经常采用：

Vector Search + Keyword Search → Merge → Rerank

测试时还需要验证：

召回、融合、去重和排序。

十一、Agent 测试怎么问

⑳ 一个 AI Agent 应该怎么测试

Agent 和普通聊天机器人不同，它不仅输出文本，还可能自主选择和调用工具。

完整链路可能包括：

用户任务 ↓ 任务理解 ↓ 规划 ↓ Tool / MCP 选择 ↓ 工具执行 ↓ Observation ↓ 再次决策 ↓ 任务完成

Agent 测试至少需要验证：

• 工具选择是否正确；
• 参数是否正确；
• 调用是否成功；
• 失败后能否恢复；
• 是否出现死循环；
• 是否重复调用；
• 是否越权；
• 多轮上下文是否丢失；
• 最终任务是否真正完成。

十二、LLM 输出不固定，自动化断言怎么做

㉑ 大模型每次回答不一样，怎么自动化测试

传统接口测试经常采用：

assert actual == expected

大模型输出通常不能完全依赖 Exact Match。

可以组合：

结构校验 + 规则判断 + 关键词 + 语义相似度 + 事实校验 + LLM Judge + 人工抽检

不同场景采用不同评估方法。

例如 JSON 输出可以重点做 Schema 校验；

知识问答可以重点检查事实正确性和 Faithfulness；

开放式生成则更适合综合评分。

㉒ LLM-as-a-Judge 能不能直接作为测试结果

不能单独作为绝对标准。

Judge 的结果可能受到：

• Judge 模型能力；
• Prompt；
• 输出顺序；
• 回答长度；
• 参考答案；
• 模型偏好

影响。

工程上更适合组合：

确定性规则 + 传统指标 + LLM Judge + 人工评测

十三、大模型升级以后怎么做回归测试

㉓ 模型从旧版本升级到新版本，怎么验证

可以建立固定 Benchmark，对比：

模型升级的结论应该能够回答：

哪些能力提升了，哪些能力发生了退化。

十四、算法和编码仍然是测试开发基本功

AI 测试能力增加以后，Python、Java、数据结构和算法并没有变得不重要。

测试开发依然属于工程技术岗位。

社招可以重点准备：

• 数组与字符串；
• 哈希表；
• 链表；
• 栈与队列；
• 二叉树；
• 二分查找；
• 滑动窗口；
• DFS / BFS；
• 时间复杂度和空间复杂度。

对于测试开发来说，代码能力直接决定了：

能不能把测试思路真正工程化。

十五、2026 年测试开发能力结构

从腾讯当前公开 QA 岗位可以看到，测试开发的能力边界正在继续扩展。

过去比较典型的路线是：

测试基础 → 自动化测试 → 测试开发 → 测试平台

现在部分 AI 业务已经继续延伸到：

测试基础 → 编程开发 → 自动化 → 测试平台 → 系统工程 → AI 系统测试

其中 AI 测试主要包括：

大模型评测、RAG 测试、Agent 测试、Tool / MCP 调用测试以及模型应用的性能、安全和稳定性。

腾讯当前公开招聘已经把模型生产流程和 Agent 产品列入 QA 工作内容，这类能力正在从“了解 AI”逐渐进入实际的软件质量保障工作。

对于准备腾讯以及其他大厂测试开发社招的人来说，可以按照五个方向检查自己的能力：

测试基础、编程开发、自动化与平台、系统工程、AI 测试。

这五部分连起来，基本就是当前测试开发岗位比较完整的一套能力结构。