TestMu AI（前身为LambdaTest）是全球首个由智能体AI驱动的质量工程平台。该平台在其自然语言测试工具Kane CLI中引入了“从需求到判定”(Source-to-Verdict)闭环。在Kane CLI从浏览器自动化工具不断演进的基础上，该闭环能够将产品需求转化为发布决策：自动编写测试、在本地浏览器中运行测试、收集证明、根据实际执行情况衡量覆盖率，并最终返回判定结果。

当AI智能体负责编写、运行和修复测试时，一个绿色的对勾已不再可靠：什么都不检查的步骤可能会通过；针对几周前已变更的规格编写的测试可能会通过；甚至点击根本没有生效，智能体却报告“已完成”的情况也会显示通过。在每个仪表盘上，“空的绿色”和“获得的绿色”颜色相同，数字在攀升，但风险并未消除。Kane CLI填补了这一空白：它将需求直接转化为判定，并为每一个步骤提供证明。

一个闭环：从需求到判定。

你不再需要交给Kane CLI测试脚本，而是直接提供需求。九个阶段构成一条可追溯的链路：

需求来源→业务用例→场景→验收标准→test.md→执行→证明→覆盖率→判定

前半部分是AI执行测试工程；后半部分则是证明。最终的数字由机器读取，绝非人工输入或主观臆断。

• 兼容任意输入源。将Kane CLI指向产品需求文档(PRD)、Jira工单、Confluence规范、Figma框架或演示视频，它即可将其拉入上下文——没有其他工具能将Figma节点或mp4视频作为需求来源。
• AI设计测试，并在必要时主动提问。它会提取业务用例，将其拆解为场景，并将每个场景锚定到验收标准。当两个来源存在冲突时，它会暂停并询问哪个是最新的，而不是盲目猜测。
• 人类可读的测试，自带覆盖率映射。输出结果为test.md：人类可编辑的纯Markdown格式，其中每一步都声明了它所证明的标准。可追溯性内置于测试中，而不是依附于测试的独立电子表格。
• 在真实浏览器中的确定性执行。编写阶段是宽松且基于意图的；执行阶段则重放录制的运行过程，循环中没有大语言模型(LLM)参与，因此每次行为都保持一致。只有当产品真正偏离预期时，自动修复(Autoheal)才会介入，且流程可执行超过50个步骤。
• 每次运行生成一个One.evidence证明包。它不仅是截图和日志，而是完整的运行记录：智能体的执行轨迹、网络请求（HAR格式）、出现分歧的DOM状态、控制台信息、视频，以及任何失败的根因分析报告。它以分层页面的形式打开——L0（极简）、L1（覆盖率与质量信号）、L3（签名、认证及逐文件哈希）。
• 每个对勾背后有三个评分。证据支撑（通过是否真实）、合法性（智能体是否真正执行了操作——空操作点击会显示legit:false）以及确定性（是否可复现）。
• 允许下降的覆盖率。覆盖率是根据证明包计算得出的，而非由运行工具自行断言。严格模式会降低那些针对已变更规格通过的测试的评级——只有允许下降的百分比，在上升时才值得信任。
• 最终由人工签字。覆盖率、置信度、未覆盖的标准和过时的来源会汇总为一个最终判定（发布或暂停），作为必需的检查项发布在拉取请求上，并附带证明链接。机器提供证明，由人来做出最终决定。

“现在的软件在发布时，已有智能体参与循环，负责编写测试、运行测试和修复故障。绿色对勾是为人类逐行阅读代码的时代设计的，它从未被设计为在智能体介入的循环中运行。Kane CLI将需求一路推进到发布决策并展示其工作过程，留下一份团队成员、智能体和审计人员都能据此采取行动的记录。” TestMu AI联合创始人兼增长负责人Mudit Singh表示。

.evidence是完全开放的。证明包并不锁定在仪表盘内，而是采用纯YAML和Markdown格式，支持版本控制、在git中进行差异比对，且人类、智能体和审计人员均可读取。团队即使不采用Kane CLI本身也可以使用该格式，并且证明包可以导出为CTRF和JUnit等CI格式。你可以把它看作是“测试证据的PDF”。

关于TestMu AI

TestMu AI（前身为LambdaTest）是全球首个由智能体AI驱动的质量工程平台，通过将自主测试能力与现实世界的验证相结合，帮助团队在AI优先的时代充满信心地构建、测试和发布软件。