版本一改、地图一换，测试脚本就得人工重写。前置、重试、异常恢复各写一套，用例之间还难复用——这是自动化测试长期没解决的痛点。

腾讯 Agent 端到端落地负责人赵旭峰把这件事拆得更细：测试失败往往只留一行 fail，没有前后帧、没有埋点，定位全靠人反复复现。同一个问题反复出现，却说不清是环境、工具还是业务缺陷。踩过的坑留在个人脑子里，换人换模块就从零再来。

投入的时间买到的是一次性交付，而不是可沉淀的能力。赵旭峰已确认出席 QCon 全球软件开发大会上海站“Agent 自主进化：从记忆到持续学习”专题，演讲题目是《失败一次，受益多次：测试 Agent 从记忆到持续学习的工程实践》。

先定数据结构，再定 Agent 行为

团队给出的方向顺序很明确：先设计稳定的数据结构——知识库、脚本、执行产物，再设计 Agent 行为。让 AI 自主探索界面，把模糊需求结构化，自动生成脚本与执行计划。

失败时的处理是这套闭环的关键：基于截图、报告、埋点等证据自动归因、升版重试，跨机协同，把测试能力从“一次性交付”沉淀为“持续复用、越测越准”。

演讲提纲把问题定义成一句话：如何从完成任务到积累能力。其中要讲清单次自愈与持续学习的本质区别，以及如何从“每次重新探索”走向“能力持续积累”。

经验记忆怎么设计

选型部分涉及几个具体取舍：长上下文与外置记忆的职责边界在哪；成功路径、失败经验与负向知识各自的价值不同；模型反思、运行证据与人工审核之间如何权衡可信度。

方案层面是分层记忆与持续学习闭环：不同生命周期下的记忆分层，经验的检索、调度与动态上下文构建，以及经验在调用反馈中持续修订与演化。

案例讲的是滚动查找能力的跨任务演化——动态界面中的非首屏目标定位问题，局部提示优化的有效性，以及它的迁移局限。

实践中的边界也说得很直白：Agent 目前无法 100% 自闭环，复杂问题和阻塞需要 human-in-loop 处理。前沿亮点则落在两处：Agent 探索需求、设计测试方案的能力，以及基于证据的自愈闭环。

赵旭峰先后在自动驾驶、地图导航与游戏三个高复杂度业务领域做质量保障与测试开发，测试对象覆盖从物理世界感知系统到大规模在线竞技系统。现负责腾讯某大型竞技类游戏的测试开发，主导 Agent 驱动的端到端自动化测试体系建设。

对听众来说，收益被归纳成两条：一套可复用的 Agent 工程化方法论，用结构化数据替代提示词堆砌来设计工作流，可直接迁移到测试之外的 Agent 开发场景；以及失败驱动升版的自愈闭环经验，通过多维证据对失败归因分型，区分环境问题、工具故障与业务缺陷。

QCon 上海站定于 2026 年 10 月 22 日—24 日举办，围绕 AI Native 架构、Agent Runtime、AI Infra、Agent 安全与可观测、Loop Engineering 等 20 个专题论坛展开，届时将有来自不同企业的 100+ 资深专家在现场分享。