思维模式质量模型：用 12 种视角发现 AI 测试中的盲区

把一份需求交给 AI，很快就能得到一份测试计划：正常流程、异常流程、边界条件、测试数据，甚至自动化脚本都列好了。内容排列得越整齐，越容易让人觉得分析已经完成。

但那些没有写进需求的问题，也被考虑到了吗？

Ady Stokes 在 Ministry of Testing 于 2026 年 10 月 5 日发表的《思维模式质量模型》（The Mindsets Quality Model），讨论的就是这个问题。他提出，测试人员有多种思维模式，可以通过主动切换视角，发现惯用分析方式容易漏掉的风险。

前面几篇文章分别讨论了如何理解陌生系统、如何让人参与质量协作，以及如何过滤 AI 噪音。这篇可以接着回答一个更具体的问题：当我们已经愿意思考，怎样让思考覆盖更多角度？

购物车案例可以把模型落到具体问题上，四轮演练则帮助我们练习切换视角。案例中的问题是待调查的假设，需要规则和测试结果来确认。

AI 可以加速产出，质量仍需要认真思考

Ady 用一句话表达了自己的立场，译成中文是：

AI 可以加速产出，但只有人类能真正思考。质量始于思考。

作者认为，AI 擅长识别模式、处理大量数据，以及生成看起来合理的需求、用户故事和测试用例。接受这些输出之前，仍然需要有人理解意图、识别歧义、推敲后果，并判断什么值得关注。

原文对 AI 的局限讲得很直接：它不会亲自感受软件带来的困惑、挫败或愉悦，没有人的记忆、文化和期待，也不会像人一样判断情境和后果；信息不完整时，它可能编出内容来填补空白。

我把作者这段论述理解为对质量工作的提醒：流畅的回答需要经过证据验证，不能直接当成理解充分的证明。 对“AI 能否思考”可以有不同看法，但需求中缺了哪些信息、谁负责判断、怎样验证，这些问题需要有人回答。

比如，一份包含 50 个测试用例的计划，可能把保存、恢复、删除和异常提示都写得很完整，却没有考虑用户是否把“保存”理解成“预留库存”，也没有询问保存行为会不会被用于用户未预期的数据分析。

AI 可以辅助调查这些问题，结果是否可靠，仍取决于上下文、分析方法和验证。有些初步整理可能从几小时缩短到几分钟，这里没有实测数据，只是在说明一种可能的变化。写得更快和发现了重要风险，需要分开评估。

Ady 由此提出，自动化和 AI 越普及，人的思考、感受和推理能力越值得投入。他所说的“想得比 AI 更深”，可以落实到测试工作中：发现一个输出没有解释的假设，追问一种没有被覆盖的用户处境，或者要求更多证据再做决定。

默认思维决定了我们最先注意什么

“测试思维”常被当成一个统一概念。看到需求，测试人员会问错误输入怎么办、接口超时怎么办、重复提交怎么办、状态不一致怎么办。这些问题有用，但只是思考的一部分。

Ady 主张用多种思维模式理解测试工作。有人习惯从风险切入，有人先找证据，也有人首先关注用户体验、系统关系或恶意使用。每一种方式都有强项，也都有盲区。

他把我们最自然的切入方式称为“默认思维”：一种受经验、岗位和情境影响的惯用倾向，可以随着任务变化而调整。

以“购物车稍后保存”功能为例，不同人的第一反应可能是：

惯用视角	最先提出的问题
功能行为	保存之后，商品能否正确恢复到购物车？
性能与容量	大量用户同时保存商品，会不会影响系统性能？
安全	修改请求参数后，能否访问其他用户保存的商品？
用户体验	用户能否分清当前购物车与稍后购买的商品？

这些问题都合理。认清自己的第一反应，才更容易发现还有哪些角度没有被考虑。

一个长期做 API 自动化的人，可能很快想到参数校验、状态码、数据一致性和接口异常处理，却未必会立即关注用户能否理解功能、结果是否公平、业务流程是否合理，以及其他团队是否因此增加了运营负担。

反复分析同一类问题可以积累经验。保留这些经验，再主动换一个角度，才有机会找到过去不会想到的问题。

四类十二种思维：把同一个问题看得更完整

原文把思维模式比作聚焦的透镜。每个透镜都能让一些问题更清楚，也会让另一些问题留在视野之外。价值来自识别这些限制，并组合适合当前任务的视角。

类别	包含的思维模式	主要作用
愿景与开放	蓝天、创意、探索、包容	想象惯常分析和 AI 输出可能没有覆盖的可能性
分析与务实	科学、怀疑、批判、风险	验证事实与理论，检查证据、假设和优先级
哲学与关联	伦理、整体、协作	理解关系，评估影响、后果和共同决策
黑暗与攻击	恶意	探索失效模式、攻击和故意破坏

这套模型提供的是分析视角，不是一套新的测试技术，也不是给人贴标签的性格分类。现有的测试方法和领域知识仍然要用。选几种适合当前任务的模式就能开始练习，不必先把十二种都练熟。

下面的角色名称沿用原文，购物车问题用来说明各个视角如何落到需求分析中。

愿景与开放：寻找需求之外的可能性

蓝天思维，对应创新者。 先放开眼前的实现限制，看看功能还能支持什么。用户是否希望在手机保存商品，再到电脑继续购买？这个问题可能引出跨设备恢复的需求，也可能因为当前范围而暂时不做；先把可能性说出来，才有机会讨论。

创意思维，对应愿景者。 把一种可能性转成不同的解决方式或使用场景。如果保存的商品下架，除了移除或提示不可用，是否可以提供替代商品？保存列表是否也会被当成愿望清单或比较工具使用？不同用法可能需要不同的反馈和规则。

探索思维，对应调查者。 通过操作、观察和调整假设去寻找未知行为。连续保存、恢复、修改数量，再切换账号，会不会出现意外状态？观察到的异常可以改变下一步探索方向，测试过程本身也在帮助我们学习系统。

包容思维，对应盟友。 想到与自己不同的使用者和交互方式。屏幕阅读器能否说明商品已移动到保存列表？只使用键盘的人，能否找到移动后的商品并继续操作？“我能完成”只覆盖了自己的使用方式。

这一组思维帮助我们发现需求没有明确写出、但用户可能需要的行为，也能让一些隐藏的设计假设浮出来。

分析与务实：让结论有依据

科学思维，对应现实者。 提出假设，再用实验、数据和逻辑支持或推翻它。例如，“保存商品不会影响结算接口性能”需要在怎样的负载下测量？观察哪些指标？什么结果会让我们否定这句话？

怀疑思维，对应分析者。 追问那些听起来已经确定的说法。需求写着商品“永久保存”，这个永久指什么？清除会话、换设备、长期不登录或关闭账号之后，规则还一样吗？把词语问清楚，通常比直接接受它更有用。

批判思维，对应评估者。 检查方案的逻辑、证据、强弱项和潜在偏见。为什么要单独建立一个保存列表的数据模型？现有购物车模型能否扩展？不同方案各自增加了什么复杂度？测试人员可以通过提问帮助团队审视方案。

风险思维，对应策略者。 考虑问题的发生可能性、影响和缓解方式，再决定验证顺序。价格变化、库存失效、结算总额计算错误，哪些更可能导致交易出错，影响又有多大？先检查什么、需要哪些监控、失败时如何恢复，都应该与风险相连。

提出这些问题后，还要说清楚假设是什么、证据在哪里、下一步怎么验证。团队才有办法继续调查，而不只是交换“我觉得可能有问题”的意见。

哲学与关联：看见功能带来的影响

伦理思维，对应道德者。 关注价值、公平、隐私、透明度、责任和可能的伤害。系统是否会把保存商品的行为用于用户没有预期的追踪或画像？用户是否知道用途、能否选择？功能能运行，并不代表这些问题已经得到回答。

整体思维，对应连接者。 把保存列表放回整个系统，观察它与库存、优惠券、价格、推荐系统和订单的关系。商品被移出当前购物车后，结算总额、缓存和持久化数据是否同步？页面显示正确，也需要继续检查相关状态。

协作思维，对应伙伴。 主动与其他角色交流，建立共同理解。产品、开发、测试和运营是否对“稍后保存”有相同解释？谁知道价格变化的规则，谁处理客服投诉，谁负责保存数据的维护？讨论可以补上单个人拿不到的信息，并帮助团队一起做决定。

这些视角适合放进需求评审、技术方案讨论和跨团队质量分析，帮助团队理解功能之外的后果。

黑暗与攻击：考虑系统会怎样被滥用

恶意思维，对应破坏者。 暂时站在故意操纵、利用或破坏系统的人一侧，寻找正常操作不容易暴露的薄弱处。

比如，能否批量保存商品耗尽资源？能否访问别人的保存列表？能否绕过库存或价格校验？异常请求是否会留下不一致的数据状态？

这些问题帮助团队识别滥用路径。深入的安全验证仍然需要相应能力和授权；普通需求分析可以先把值得调查的路径记录下来。

四轮演练：识别、理解、扩展，再反思

原文的“思维切换演练”分为四轮：识别自己的默认思维，理解它的来源，尝试不同视角，最后反思。每轮都需要留出思考时间，不必急着做完。

练习对象是零售网站的“购物车稍后保存”功能：当前购物车中的商品有一个“稍后保存”按钮。点击后，商品从本次结算总额中移除，进入购物车下方的持久化保存列表。用户准备购买时，可以再把它移回当前购物车。

它对应两项用户需求：暂时减少本次订单金额，同时保留商品供以后购买；准备好后，能方便地恢复商品继续结算。这里“持久化”究竟覆盖哪些场景，仍然值得确认。

你也可以换成自己的工作需求。功能本身不是练习的重点，关键是记录自己怎样开始思考，以及换视角后看见了什么。

第一轮：先记录第一反应

如果准备实际练习，先写下答案，再对照模型。已经读过本文的人，也可以暂时不看模式清单，独立记录自己的第一反应。

你最先想测试什么？
你最担心什么？
开始测试之前，你想问什么，还缺哪些信息？

随后识别主要默认模式、次要模式，以及很少或从不使用的模式。如果主要模式在两个视角之间难以选择，可以把两个都记下来。主要和次要模式来自同一类别也没有问题。

这一轮用来认识自己的习惯，不需要把测试清单写得最全。

第二轮：理解这些问题为什么先出现

回看自己的记录，追问第一反应从哪里来。

为什么先注意这些行为？是否总会向产品或开发提出同一组问题？为什么担心这些风险？预想的缺陷来自过去的真实经历，还是来自尚未验证的假设？

处理过价格事故的人可能会先盯价格，长期负责接口的人可能会先看数据。这些经验有价值。解释来源，可以帮助我们判断当前风险是否有依据，以及注意力是否被习惯带到了某个固定方向。

第三轮：用三个不熟悉的视角重新分析

从很少使用的模式中选三个。可以主动选择，也可以随机选择；尽量选平时不会自然使用、甚至有点不舒服的视角。新视角带来的不习惯，通常值得进一步观察，不需要把它当成失败。

每次只用一个视角，重新审视同一功能，分别记录观察和可能的缺陷。比如，偏重功能与接口验证的人，可以尝试包容、伦理和整体思维。

新视角	观察或问题	需要调查的可能缺陷
包容	屏幕阅读器能否感知商品已移动？	页面更新后没有可感知的状态反馈
伦理	用户是否知道保存行为会用于数据分析？	数据用途与用户预期不一致，缺少必要说明或选择
整体	保存价格与当前结算价格怎样协调？	恢复时使用过期价格，或保存商品仍被计入当前总额

这些记录还不能证明存在缺陷。它们提供了新假设，需要业务规则、实现信息和实际测试来支持。

第四轮：把发现变成下次能用的经验

回顾哪个视角最自然，哪个最不舒服，以及为什么；换视角时是什么感受，是否出现意外发现？哪些问题以前不会想到，或者需要更长时间才会想到？

选几个下次评审还想用的视角，记下什么时候用。例如，需求涉及数据用途时提醒自己看伦理，功能跨多个系统时提醒自己看整体关系。

反复练习后，可以形成个人思考工具箱。原文也鼓励读者画自己的思维图、扩展模式，并提供了电子工作表。你可以根据岗位和业务调整这套工具，保留能帮助提问、分析和决策的部分。

第一阶段：让 AI 引导练习，给人留出思考空间

原文附有 AI 引导提示词，用来限制 AI 过早给答案：一次问一个问题，等人回答；第一轮先独立回答，再展示十二种模式供人选择。练习过程中，AI 不代写测试、风险或观察，也不夸奖或反复总结答案。

这和直接让 AI 从十二种视角生成测试计划，有不同的用途。前者帮助人练习提问，后者生成候选分析。练习默认思维时，需要先看见自己会怎样思考。

下面是结合原文规则改写的中文提示词，可复制到 AI 助手中使用。

请根据“思维模式质量模型”，引导我完成四轮思维切换演练。
练习功能：购物车中的商品可以移到持久化的“稍后保存”列表，
移出本次结算总额，之后可以恢复到当前购物车。
如果我提供自己的功能，就使用我的功能。

依次完成：识别默认思维、理解默认思维、尝试三个新视角、反思。
每次只问一个问题，等待我回答后再继续。
在第一轮独立回答完成、需要选择模式之前，不展示十二种模式。
练习过程中不要替我提出测试、风险、缺陷或观察。
如果我要求你代答，请把话题转回一个帮助我思考的问题。
保持回复简短，不夸奖，不反复总结我的答案。
中文每次回复不超过 160 字；英文每次回复不超过 80 词。

只有四轮全部结束后，才可以补充最多五条我没有想到的候选观察。
明确标注这些是 AI 补充的内容，不能写成我已经发现的缺陷。
现在从第一轮的第一个问题开始。

原文英文提示词把回复限制在 80 词以内，上面的中文版本调整了长度单位，保留逐问等待和最后才补充的规则。如果 AI 提前给了答案，可以重新说明规则；练习是否按规则推进，也需要检查。

第二阶段：让 AI 补充分析，并说明证据需求

完成独立思考和四轮反思后，我建议再邀请 AI 提出候选问题。

比如，可以让 AI 从科学、怀疑、风险、包容、整体和恶意六种视角补充分析。具体用哪些视角，要看当前需求，不必每次机械执行全部十二种模式。

下面是需求、已确认的业务规则，以及我完成独立分析后的记录。
请分别从科学、怀疑、风险、包容、整体和恶意六种思维模式补充分析。

每个候选问题都说明：
1. 对应的假设，以及它是否已得到确认。
2. 可能影响哪些用户、业务或系统。
3. 需要哪些证据，当前缺少哪些信息。
4. 下一步可以怎样验证。

区分已知事实、候选风险和待确认事项，不把推测写成已确认缺陷。
对重复问题合并说明；没有足够上下文时提出问题，不编造业务规则。
最后单独列出你补充、而我的原始记录没有涉及的视角。

例如，“恢复商品时可能使用过期价格”还需要查清保存的是价格快照还是商品引用，以及恢复时是否重新定价。确认规则后，才能设计价格变化前后的检查，并判断结果是否构成缺陷。

我更愿意先独立思考，再让 AI 补充和挑战，最后根据证据修正结论。这样可以利用它的分析速度，同时保持验证责任清楚。

把视角沉淀到 AI 原生测试流程中

这套模型也可以成为可复用质量分析方法的一部分。下面是把它接入工作流的设计建议，仍需要在实际项目中验证。

理解需求。 整理业务目标、用户、流程、规则、约束和未知信息。
选择视角。 根据功能特点选择适合的思维模式，说明为何需要它们。
提出假设和风险。 保留不同视角的观察，区分事实、推测和待确认事项。
建立验证依据。 将重要问题转成可以核对的需求、验收标准、探索任务或测试任务。
根据结果复盘。 对照实际缺陷和遗漏风险，调整下一次分析的视角。

如果与技能（Skill）、智能体（Agent）和评测（Evals）结合，可以让技能描述分析步骤，让智能体组织上下文与任务，让评测检查输出是否有规则依据、是否误把猜测写成缺陷，以及是否提出可执行的验证方法。

把视角写进技能，只能规范流程，不能证明 AI 已具备人的经验和判断。提到了十二种模式，也不能证明分析全面。评测要检查输出中的具体问题，业务结论仍然需要证据和适当的人工参与。

例如，一条候选风险只有“注意价格一致性”几个字，下一步仍然不清楚。把业务规则、受影响的状态、所需证据和验证步骤说出来，才更方便团队继续调查。

测试覆盖还需要检查分析视角

功能覆盖、代码覆盖和需求覆盖都有各自的作用。但一个团队可能验证了全部书面需求，却没有认真考虑用户差异、系统关联、伦理后果或故意滥用。

复杂需求评审时，可以补问一句：

我们从哪些角度分析过，还留下了哪些没有讨论的角度？

这种检查可以帮助发现盲区，不能替代正式覆盖指标，也不适合简单换算成“用了八种模式，所以覆盖率是三分之二”。视角数量没有说明风险的重要性，更没有证明验证已经发生。

AI 可以减少测试用例编写、脚本开发和信息整理中的一部分工作量。测试人员仍然要决定什么值得测、哪些风险更重要、什么证据足以支持结论，以及哪些结果需要继续调查。执行能力仍然重要，判断会更直接地影响执行方向。

如果每次读到需求都立刻接受 AI 给出的完整计划，短期可能省时间，长期也可能削弱主动提问、形成假设和验证判断的习惯。这是值得留意的协作风险，不是本文已经测得的长期结果。

质量是否改善，要回到真实问题和验证结果，不能只看测试计划写得有多快。

给自己的思考留下一套工具

Ady 把质量工作者称为“以思考为工作的人”：我们被雇来理解问题、质疑假设、分析风险和做出判断。投入“怎样思考”，也就在投入工作结果的质量。

这篇文章可以留下三个行动建议：

识别默认思维，理解它擅长发现什么、容易忽略什么。
刻意切换视角，调查隐藏风险、假设、其他解读和不明显的线索。
建立个人思考工具箱，把有效方法带入日常探索、分析和决策。

下一次评审，可以先记录自己的第一反应，再选三个不熟悉的视角重新看一遍，留下观察和证据需求。AI 可以引导练习、补充候选问题，也可以挑战假设；最终的判断仍要经得起验证。

能发现一个以前没注意过的问题，并说明怎样查证，就是这次切换值得保留的收获。

参考与延伸阅读

本文基于 Ady Stokes 的原文整理，结合学习笔记加入了购物车扩展示例、第二阶段 AI 协作方式，以及技能、智能体和评测流程建议。

原文作者：Ady Stokes；平台：Ministry of Testing；原文发布日期：2026 年 10 月 5 日。

思维模式质量模型：https://www.ministryoftesting.com/insights/the-mindsets-quality-model/

如何测试一个你不理解的系统：https://inaodeng.com/zh-cn/blog/ai-testing/how-to-test-a-system-you-dont-understand/

永远是人的问题——AI 测试背后的真相：https://inaodeng.com/zh-cn/blog/ai-testing/its-always-a-people-problem-ai-testing/

AI 时代测试的信号与噪音：https://inaodeng.com/zh-cn/blog/ai-testing/signal-vs-noise-ai-testing/