2026年AI认证测试工程师需求激增软件测试从业者的转型指南2026年软件测试行业的招聘风向正在悄悄改变。各大招聘平台上挂着的不再只是“自动化测试工程师”“性能测试工程师”大量“AI测试工程师”“AI测试开发工程师”“AI质量保障专家”的岗位开始冒出薪资普遍高出同级别传统测试岗位一截有些甚至直接对标算法工程师。很多做了三五年功能测试的同学一边刷着这些职位描述一边焦虑地问同一个问题AI到底会不会替代测试工程师是不是不转型就会被淘汰我的答案是AI不会让测试工程师消失但会让“只会按需求点按钮、只会写简单用例、只会背八股文面试题”的那批测试工程师加速失去竞争力。我倒不觉得这是坏事——测试这个职业憋屈太久了AI正好提供了一个把质量保障工作从“低技术含量”拉回“高技术门槛”的机会。这篇文章想结合我这些年带测试团队、做自动化测试落地、以及自己转型 AI 测试方向的实际经验聊聊AI认证测试工程师这个新物种到底在解决什么问题、需要掌握哪些能力、怎么设计一条可行的转型路径以及那些招聘JD里面不会写清楚的门道。我自己是功能测试入行后来转自动化再后来做测试平台建设和测试数据质量治理一路走过来最大的感受是每一次技术升级表面上是工具变了本质上是对“测试工程师到底在提供什么价值”的重新定义。AI这波也是一样。所以这篇转型指南我不会只罗列学习清单我还会尽量把每个选择背后的逻辑讲清楚让你不仅知道该学什么更知道为什么这个阶段要学这个。1. AI测试工程师需求爆发背后的逻辑测试行业正在被重新定价1.1 从自动化测试到智能测试为什么偏偏是2026年先说个扎心的事实软件测试行业喊“自动化”喊了十几年但大多数团队的自动化覆盖率依然惨不忍睹。我在几家不同规模的公司都待过最极端的一个项目提测前只能靠十几个人手工点三天自动化用例只有核心交易链路那几十条每次版本升级用例维护成本比写新用例还高。为什么因为传统的自动化测试其实是个“负资产开始、后期勉强回本”的生意——写脚本要时间、维护脚本要时间、环境不稳定脚本就批量失败而这些时间都得从本来就不宽裕的测试排期里挤。AI进入测试领域改变的不是“点击”这个动作本身而是改变了自动化测试的成本结构。以前写一条可靠的UI自动化用例要做元素定位、做等待策略、做数据准备碰到页面改版还得跟着改。现在基于大模型的应用理论上你只要说出一句“验证登录成功后跳转到首页且显示用户名”AI就能帮你把用例步骤拆解出来、生成脚本、甚至自动定位元素。这不是概念我看过实际的AI测试工具演示复杂表格的断言生成已经相当可用。1.2 AI到底替代了什么三种正在消失的测试工作形态经过这一两年的观察我认为有三类测试工作会最先被AI压缩这并不是危言耸听而是已经在发生的事第一类是重复性极高的功能回归测试。大量纯手工、用例固定、只需要看结果对错的回归测试目前已被证明AI能更高效地完成。一些头部公司的平台已经实现了缺陷自动识别和初步分类测试人员做的更多是审核AI的判断而非逐个验证。第二类是低层次用例设计。以前一个刚入行的测试工程师主要工作就是对着需求文档把常规流程、异常流程、边界值列出来。这些内容本质上是模式识别大模型在吃了海量需求和缺陷数据之后生成用例的广度和速度都远超初级人员。第三类是海量日志和数据的初步分析。测试结束之后那一大堆日志、截图、性能数据以前要人肉排查现在AI可以在一分钟内给出最可疑的几十个根因候选。但是与“替代网文”里的预期不同我观察到的是另一面AI解决的是“发现问题”的效率而“判断这到底是不是问题、影响有多大、该不该修复、修复风险如何”这整套质量决策链依然需要真正的测试专家。这就是为什么招聘方敢给“AI认证测试工程师”开高薪——他们招的不是会按按钮的人而是能驾驭AI工具、能训练AI模型、能对AI结果负责的质量Owner。2. 拆解AI认证测试工程师的核心能力清单这六项才是真金白银很多转行者最大的误区是以为AI测试工程师 会调用几个AI工具 会写Python。真要这么简单市场上就不缺人了。结合我看到的实际JD要求和我自己团队做AI测试平台的经验真正有含金量的能力是下面六项。2.1 测试基本功AI时代反而更值钱的“找问题直觉”这一点我必须放在最前面说因为太多人本末倒置。AI能生成用例、能写脚本、能分析日志但AI无法替你理解“这个业务场景下用户真正在意的是什么”。举我自己的例子我们测过一款理财产品AI自动生成的用例完全覆盖了金额计算、利息展示、转出规则但它没有测试“用户在网络不稳定时看到页面数字显示成NaN”这种情况。为什么因为这类缺陷的根因在于前端格式化函数对非法输入的兼容处理这与业务场景、历史线上事故经验密切相关。AI验证测试工程师的第一能力恰恰是最传统的能力需求分析、业务理解、缺陷敏感度、探索式测试思维。我面过不少简历上写着“精通AI测试”的候选人一聊发现他们对AI工具怎么用讲得头头是道但你给他一个稍微复杂一点的实际模块他根本不知道该从哪些角度切入测试。这种人在团队里是撑不起来的。所以转型的第一步永远不是急着学AI而是先把手头负责的业务测明白把你的“业务脑”和“风险脑”练出来。2.2 AI工具应用与提示词工程和模型高效对话是基本素养AI测试工程师和传统测试工程师最直观的区别是你得学会和模型“协作”而不是“提问”。同样让AI帮忙设计接口测试用例初级用法是直接甩一句“帮我设计下单接口的测试用例”得到的往往是网上都能搜到的大而全的模板看似什么都有实际什么重点都没抓住。稍微高阶一点的做法是把约束条件给足。我自己常用的方式是给AI喂一份结构化的“测试任务上下文”包含下面几个部分被测接口/模块的功能描述和业务规则已识别的高风险逻辑点比如金额、状态机、权限我准备使用的测试数据形态期望输出的用例格式模板包括优先级、前置条件、预期结果当你这样做的时候AI给出的用例质量完全不一样很多可以直接用。这个能力在行业里有个专门的叫法——提示词工程Prompt Engineering)。对于测试领域它不是一个纯技巧问题更重要的是你有没有把测试的思考框架带进去。提示词的本质是沟通协议沟通协议的质量取决于你对业务和风险的把握。2.3 测试代码能力不要求你成为开发专家但必须能改脚本这里我想给一些“文科背景转测试”的同学吃颗定心丸AI测试工程师要求的代码能力并没有传说中那么高。传统自动化测试时代你写脚本至少得自己解决元素定位、请求封装、断言逻辑这些对新手来说是要啃一阵子的硬骨头。但AI时代不一样了——很多代码是AI辅助生成的你更需要的是一个“能看懂、能改、能判断对错”的能力。什么意思呢AI生成的测试脚本大概率不是一次就跑通的你要能把报错信息读懂能判断是环境问题、数据问题还是断言逻辑问题能在AI给出的修复建议里选出正确的那种。这就好比开手动挡车考官不要求你会造发动机但你必须知道离合器和油门的配合逻辑否则车子一抖你就不知道是操作问题还是车坏了。我个人建议转型期间花三个月系统过一遍Python基础和接口测试库就足够了目标是能独立读懂一份中等复杂的pytest测试脚本并能在AI的辅助下完成70%以上的维护修改工作。2.4 AI模型基础原理为什么“知其所以然”反而更吃香这一点可能是争议最大的。很多人都说AI测试工程师是应用层的工作不需要理解模型内部原理。我的观点相反你可以不知道transformer内部每一层的数学公式推导但你绝对不能不知道下面这几个基本概念大模型的幻觉问题AI会一本正经地生成一个看起来合理但完全错误的预期结果如果一个测试工具用错了断言你相信它就等于放走了一个线上故障提示词上下文的限制你无法把整个系统文档都塞给模型需要考虑如何切片、如何摘要、如何分轮次交互模型输出的不确定性同样的提示词多次运行可能产生不同结果这对测试断言来说是致命的你必须设计重试和校验机制懂这些概念你与AI测试工具交互的方式会完全不一样。举个最简单的例子用AI做API接口的模糊测试时如果模型的输出不稳定同一个接口一会儿返回字段A缺失、一会儿返回字段B类型错误你以为发现了好几个缺陷实际上可能是模型自己的幻觉。有经验的AI测试工程师会加一层“输出校验过滤”或者用温度参数把输出确定性调高只有在这个基础上的异常才值得记录。这些坑没有原理认知的人根本想不到。2.5 测试数据工程能力AI测试最容易被低估的瓶颈我做了这么多年的测试平台和测试数据治理有一句很有感触的话AI测试的上限由模型决定但是下限由数据决定。AI生成的用例再完美如果测试环境里没有对应的数据用例也跑不起来AI要做历史缺陷分析如果你们公司的缺陷库全是“一句话描述无重现步骤”那AI再聪明也学不到什么东西。所以AI测试工程师必须具备一定的基础数据工程能力具体来说三个方向一是测试数据的构造与脱敏。你得能在测试环境里构造出符合业务规则、边界条件和异常形态的数据同时确保不触碰生产数据安全和隐私的底线。二是数据标注与质量治理。你如果希望AI学习你团队的缺陷特征你需要把历史缺陷库整理成结构化的“标注样本”比如给每条缺陷打上模块标签、缺陷类型标签、根因标签。这些工作又脏又累但这就是AI测试落地的核心竞争力。三是能读懂简单的数据质量和统计分析结果。不是要求你成为数据科学家但至少你要能看懂覆盖率报告、模型评估报告能分辨“指标变好了”到底是真改进还是数据偏差。2.6 质量策略与流程重塑能力从执行者变成设计者最后一个能力也是拉开薪资差距最大的一个你能不能帮团队重新设计一套“AI人工”协作的质量保障流程。举个例子一个团队以前是测试工程师花两天写用例、花三天执行回归、花一天整理报告。引入AI之后你会发现用例生成和执行时间大幅度压缩那么省下来的时间应该投到哪里是继续多加用例还是加强测试环境稳定性建设还是去做更深层次的探索性测试我看到最好的团队的做法是把节约出来的时间投入到两个方向第一对线上真实用户行为日志进行分析反过来补充测试场景的覆盖率第二搭建自动化缺陷分类和知识库沉淀系统让团队的经验不再只存在老员工脑子里。能做这些事情的人已经不叫“测试执行者”了而是质量架构师。雇主愿意为这样的人才支付溢价是因为你的价值从“按时完成测试任务”变成了“持续提升整个团队的测试效率和风险发现能力”。3. 从传统测试到AI测试的十八个月转型路径我建议你这样走说完了能力模型接下来是大家都关心的实操路径。从传统功能测试工程师转型到AI测试工程师我认为比较现实的周期是12到18个月除非你本身已经有扎实的自动化基础否则不用信那些“三个月速成”的营销话术。我自己设计了一条按阶段推进的路线每个阶段都有明确的目标和产出物。3.1 第一阶段1到3个月把手头工作AI化快速建立正反馈这一阶段的目标不是“学会AI测试”而是“让AI先服务你现在的日常工作”。好处是压力小、见效快、不脱离现有岗位。我建议从三个最轻的场景切入第一个场景是需求分析和用例设计辅助。你可以把需求文档喂给AI工具或大模型让它帮你列出可能的测试场景清单然后你来筛选、补充、调整优先级。这里我推荐一个我常这么做的小技巧让AI“扮演”三种不同角色分别提意见——一个做正向流程验证一个专门找漏洞一个站在用户角度挑毛病。这样得到的用例清单远比直接问“怎么测”丰富得多。第二个场景是测试报告和缺陷描述的规范化。我知道很多人写缺陷就是一句话“XX页面报错了”这种描述到开发那里又要来回扯皮。你可以用AI把你的原始记录重写成符合你们团队模板的缺陷描述包含前置条件、复现步骤、实际结果、预期结果、环境信息。这看起来很低级但它能实实在在地提升整个团队的协作效率而且马上就能在团队里赢得口碑。第三个场景是线上问题和日志的初步分析。如果你有权限拿到部分线上日志可以试着用AI辅助做一些关键字提取和规律总结有时候真的能发现一些隐藏的异常规律。在这个阶段你不需要买任何课程也不需要考任何证书核心就是把“AI辅助工作”变成你每天的习惯。每天花一小时研究提示词怎么写更精准你会发现本来平平无奇的测试工作突然开始有了一些“技术含量”的成就感。3.2 第二阶段4到9个月系统学习AI测试工具链跑通一个完整项目第一阶段让你尝到甜头之后第二阶段就要开始上强度了。这个阶段的目标是完整掌握一到两套AI测试工具链并真正应用到实际项目里产出可量化的结果。工具链学习方面我建议至少覆盖四条线路AI辅助自动化测试平台如基于大模型生成的接口测试、UI测试框架学习怎么让AI从一个自然语言描述生成可运行的测试脚本以及随后的人工修正和维护流程AI赋能测试数据生成与脱敏掌握用模型生成虚拟测试数据、边界测试数据甚至学习根据生产流量的正则化规律生成仿真数据智能缺陷分析与质量分析平台这类平台能自动对测试失败进行根因聚类、对线上缺陷进行智能路由学习怎么解读这些工具产出的报告、如何校正误判自建AI测试助手的探索如果你有编程基础试试用大模型的API搭建一个简单的内部测试助手可以是用例生成器也可以是测试报告摘要器。这一步会极大提升你对AI能力边界的认知工具链这种事只看教程永远是“眼睛会了手不会”。我强烈建议在这一阶段至少完整跑通一个项目哪怕是自选的开源项目也要走完从需求分析、AI生成用例、执行测试、维护脚本到输出报告的全流程。过程中你会碰到各种意想不到的坑比如AI生成的脚本在本地环境跑不通、断言写得太弱导致缺陷漏报、测试数据依赖没准备好导致一片失败。解决这些问题的过程才是你真正值钱的经验。3.3 第三阶段10到18个月深耕垂直场景建立个人壁垒到了这个阶段基础工具能力你已经具备了接下来要做的不是继续铺开去学更多工具而是选定一个垂直场景做深做透。全能的AI测试工程师并不存在但“某个垂直领域里最懂AI测试的人”非常值钱。结合市场需求我认为这几个场景尤其有前景物联网设备软件测试、金融业务系统测试、音视频与实时通信质量测试、AI大模型应用本身的评测测试。以物联网设备测试为例它和普通Web测试完全不同。物联网设备涉及硬件交互、网络协议多样、离线场景、设备状态同步、OTA升级稳定性等测试难点传统自动化手段几乎很难覆盖。如果你能在这一领域摸索出一套“AI模拟网络弱网环境自动化校验设备状态同步大模型分析协议日志”的测试方案那你在就业市场上就拥有了稀缺性。这个阶段我建议完成两件事一是把项目经验提炼成一套方法论比如写成技术分享或内部培训材料二是开始关注市面上含金量相对较高的AI测试相关认证考取一到两个证书来作为敲门砖。认证具体怎么选我在后面单独用一节来讲。4. AI测试工具与认证的真实面貌行业里没人明说的选型逻辑4.1 工具不是越多越好三类AI测试工具的实测体验与选择标准这两年冒出来的AI测试工具、测试平台非常多有的是在传统自动化框架上加了AI辅助能力有的是完全基于大模型重构的智能测试平台。到底怎么选我用自己的实测体验和踩坑经历给你做个参考。第一类是AI辅助用例生成工具典型形态是插件或独立平台你给它一份需求描述或者接口文档它帮你生成测试用例甚至脚本。体验评级作为辅助非常香但需要你能识别哪些用例可用、哪些是“看似合理实则无效”的废话。选型时注意看它是否支持自定义字段模板以及是否能与你们的需求管理平台打通不能打通的工具在真实工作中基本用不起来。第二类是智能自动化测试平台核心能力是页面元素自动定位、录制回放增强、失败用例自动分析。这类工具适合那些UI层面居多、版本迭代频繁的团队。实话实说这类平台在炫酷Demo之外实际落地效果参差不齐一些平台在复杂业务页面上识别率并不高。选型时一定要争取试用期拿你们自己最复杂的几个页面去跑不要被官方宣传片迷惑。第三类是测试智能分析与质量平台关注的是整个研发过程中的缺陷聚类、风险预测、质量度量。应用门槛比较高需要团队有一定的数据沉淀和技术基础。这类工具适合有一定规模的团队对测试工程师个人来说早期接触的主要价值在于学会读它的分析报告、发现报告中的误判并建立人工审核机制。我的选型建议用三个标准来判断简称三问它能不能直接落进我的日常流程它的维护成本是我现有团队能承受的吗它的输出结果我可不可控、能不能审核任何无法满足其中两个的工具都要谨慎引入。4.2 AI认证值不值得考证书含金量的四个判断维度现在市场上已经出现不少打着“AI测试工程师认证”“AI质量保障专家认证”旗号的证书价格从几百到大几千都有。作为经历过技术认证潮起潮落的人我对证书的看法逐渐变得务实。首先明确一点证书永远不会是能力的替代品但可以是机会的敲门砖。尤其是当前AI测试这个方向还没有形成统一的行业标准时一份被市场上招聘方认可度较高的认证确实能帮你在简历筛选环节多获得一些面试机会。判断一个认证值不值得考我建议看四个维度背书机构的可信度是大厂官方认证、行业协会认证还是一家不知名培训公司自己印的证书大厂的认证至少说明你接受过体系化训练培训公司的证书往往只是交钱的收据考核方式的实践性纯线上刷题的证书价值极低“需要提交项目案例答辩”的认证相对有价值因为整个准备过程本身就是一次能力梳理课程内容的时效性AI技术发展太快如果一个认证课程还在教五年前的传统自动化内容再挂个“AI”的名头那纯属割韭菜市场端招聘JD的认可度你在招聘网站搜“AI测试工程师”看看那些你心仪的岗位描述里有没有点名提到哪个认证。提到哪个哪个优先级就高我自己干了这么多年一个非常深刻的观察是认证的最大价值经常不是你拿到那张纸而是你为了准备认证而系统化梳理知识和项目的过程。很多测试工程师工作三五年后技能树长得跟野生灌木一样东一榔头西一棒子。准备一个像样的认证会逼着你把能力体系理顺这个收获往往比证书本身大得多。4.3 企业落地AI测试的真实瓶颈给想转型的人提个醒很多同学在刷招聘JD时会看到企业写着“负责AI测试工具平台建设”觉得自己进去就能大展拳脚。实际情况要冷静很多。我在推动团队引入AI测试的过程中真实遇到的瓶颈有三个第一是测试数据质量太差。AI工具需要高质量数据喂但大多数团队的历史缺陷库和测试用例库都处于半瘫痪状态不是缺字段就是格式混乱。进去后第一件事往往是干最枯燥的数据清洗活而不是马上用AI大杀四方。第二是管理层期望错位。老板觉得AI测试应该马上让团队减员增效但实际上AI工具引入初期的磨合成本会让效率暂时下降。如果组织没有这个耐心项目很容易被中途叫停。第三是团队能力断层。传统测试团队里可能只有你自己学了AI技能其他人不会用也不愿意学。你搭好的平台没人用最后变成你一个人的独角戏。给你这些提个醒不是劝退而是让你提前做好心理准备。正因为落地过程有这些难点企业才愿意高薪招一个“既能搭工具又能推落地还能让大家用起来”的复合型人才。如果你在面试时能流利地讲出你们公司或你自己项目中遇到的数据瓶颈、组织推进问题以及你的应对思路你拿到Offer的概率会成倍提升。5. 转型路上的五个大坑我见过太优秀的人在这上面摔跟头最后聊几个转型的常见坑。我这两年看了很多想转型AI测试的同行也带过一些转岗的团队成员有几个典型失败模式几乎重复出现。既然叫转型指南这些坑值得你提前看见。5.1 坑一被“无审核AI工具”之类的热门词带偏脱离测试主业网络上关于AI的热搜和各种工具推荐的词很多有些看起来好像和测试耗资相关其实完全是两码事。转型AI测试工程师首先要锚定自己是做软件质量保障的而不是变成一个到处玩AI工具尝鲜的“杂学家”。我见过最可惜的一个案例是原先做得不错的资深测试花了三个月去研究各种AI绘画和AI视频生成工具觉得“都是AI嘛先学会再说”。结果简历上写出来之后面试官完全不知道他想干什么反而暴露了职业方向不清晰的问题。AI应用领域极广测试工程师的转型一定要围绕“质量保障”这个内核所有学的工具和技能都要能服务于这个内核宁可学得窄一点、深一点也不要为了追上所有热词而把自己学成四不像。5.2 坑二把提示词工程当成万能钥匙忽略系统化测试设计能力现在市面上关于“Prompt Engineering”的课程铺天盖地很多人学了几个提问技巧就觉得掌握了AI测试的精髓。实际上提示词工程只是AI测试能力图谱里很小的一环。你用AI生成用例前提是你自己先有测试设计的思维框架你让AI分析缺陷前提是你自己先有缺陷根因分析的逻辑。工具放大的永远是你已有的能力它不会从零帮你长出一种能力。这也是为什么我在这篇文章前面花了大量篇幅讲测试基本功。如果你的系统化测试设计能力本来就是短板比如只会按需求一条条验证流程是否走通那么AI测试工具对你来说仅仅是“更快地完成低质量的测试”而已。低质量测试做得再快也救不了产品的质量更救不了你的职业前途。5.3 坑三只学工具不积累项目经验面试被一票否决简历上写“熟悉XXX平台、用过YYY工具”的人太多了面试官根本不缺这类人。他们会追问一个问题你用这个工具在实际项目中解决过什么具体问题带来了什么可量化的改进如果没有真实项目经验的支撑你在简历上写的每一个工具名都会成为面试时的一道夺命题。所以我在前面第三阶段才强调一定要完整跑通至少一个项目。这个项目不一定非是公司的商业项目——我见过有人拿一个开源电商系统作为测试对象用AI辅助做完全部接口自动化测试然后把整个过程写成技术博客。这同样能证明你的实战能力效果甚至比在公司里“参与了一部分”更扎实。关键是你要能讲清楚问题、过程、结果和反思——这种叙事能力是AI永远替代不了的。5.4 坑四忽视业务赛道脱离业务场景谈AI测试很多测试工程师有个老毛病觉得自己是“搞技术的”对业务价值不敏感觉得那是对产品经理的要求。但在AI测试工程师这个岗位上业务理解深度反而是核心壁垒。为什么因为AI工具会产生大量看似合理的“垃圾输出”识别“垃圾”的唯一方法是你真正懂这个业务应该长什么样。比方说测电商优惠券系统如果你不知道凑单门槛、优惠叠加规则、退款后退券逻辑这些业务细节AI生成的用例就算表面覆盖了所有规则你也没办法判断它对不对。而AI技术的更大价值恰恰体现在复杂、多规则、多状态流转的业务里——功能极其简单的时候人力和AI的差别没那么大。我建议你在选择转型方向时优先留在自己最熟悉的业务赛道——你懂金融就做金融系统的AI测试懂电商就做电商系统的AI测试懂物联网设备就在物联网方向做深。业务理解是你的存量优势AI技术是你的增量杠杆二者叠加才是真正的稀缺竞争力。5.5 坑五只盯着测试执行岗位忽略测试基础设施和平台方向最后这个坑是想冲击高薪的同学需要注意的。AI测试工程师薪资高的岗位往往不是“用AI测试工具执行测试”的人而是“建设AI测试工具和平台”的人。前者的薪资上限大概就是高级测试工程师的水平后者的薪资可以往上再跳一个等级。所以如果你代码基础还不错我建议你把相当一部分学习精力放在测试基础设施方向上比如测试数据构造平台、自动化测试执行平台的AI改造、测试结果智能分析管道的搭建。这些都是偏工程向的工作竞争门槛天然更高。就算你最终不直接做平台开发理解这些平台的架构逻辑也能让你在面试和实际工作中比别人多一个视角。最后的几句话一点个人体会回头看我自己的转型经历最大的感触其实是AI时代测试工程师的焦虑本质不是担心被机器取代而是长期处于一种“忙碌但没有成长”的状态带来的价值危机。以前我们太习惯沉浸在执行细节里——今天点这个页面、明天查那条数据、后天写那份报告——很少抬头想想自己到底提供了什么独特价值。AI给了我们一个顿悟的机会把大量低层次的执行工作接走逼着我们把精力放到真正重要的事情上理解业务、判断风险、设计策略、建设工具。如果你现在还在犹豫要不要转型我的建议是不要等到所有条件都成熟再开始先从这个星期开始每天花一小时用AI辅助你完成一项日常工作就可以。等这份工作做完你会明显感觉到AI的可用与不可用边界在哪里也会找到自己下一步该学什么的方向。然后一步一个脚印地走下去十八个月后回头看你会感谢现在开始行动的自己。