---
title: AI QA / LLM QA Engineer 轉職指南 — 這職位在做什麼、怎麼轉、薪資多少
date: 2026-06-26
category: career
description: AI QA / LLM QA Engineer 是 2026 最熱的新興 QA 職位。這篇拆解它到底在測什麼、跟一般 QA 差在哪、該補哪些技能、薪資範圍、以及一條從現職 QA 轉過去的實戰路線。
tags: [ai-qa-engineer, llm-qa, career-transition, new-role, qa-salary]
faq:
  - q: AI QA Engineer 跟一般 QA 到底差在哪？
    a: 測的東西不一樣。一般 QA 測「功能對不對」（輸入 A 一定得 B）；AI QA 測「機率性輸出好不好」（同一個 prompt 每次答不同、要評估品質、幻覺、安全、偏見）。技能上多了 eval 設計、prompt 測試、RAG/agent 驗證、紅隊測試。
  - q: 完全不懂 ML 能轉 AI QA 嗎？
    a: 能。AI QA 不是訓練模型、是測試模型「行為」。你需要的是測試思維 + 會用 API + 懂 eval 概念、不需要會寫 PyTorch。多數 AI QA 來自傳統 QA 轉型、不是 ML 工程師轉來。會測試反而是核心優勢。
  - q: 轉 AI QA 要先學什麼？
    a: 三層:1) 會用 LLM API（Python 呼叫、temperature/token 概念）；2) 會設計 eval（怎麼量化「答得好不好」）；3) 懂 AI 系統測試（RAG 檢索品質、agent 多步驟、紅隊找漏洞）。先從你公司的 AI 功能開始測、邊做邊補。
  - q: AI QA 的薪資真的比較高嗎？
    a: 平均高 15-30%、且需求大於供給。原因是會「測 AI」的人還很少 — 多數 QA 不懂 eval、多數 ML 工程師不懂測試。卡在這個交集的人很稀缺。但別只為薪資轉、要真的喜歡測不確定性的東西。
---

# AI QA / LLM QA Engineer 轉職指南

2026 最熱的 QA 新職位是 **AI QA / LLM QA Engineer**。需求暴增、供給稀缺、薪資溢價。但很多人不知道它到底在做什麼、也不知道自己能不能轉。這篇講清楚。

> 還在判斷 AI 對 QA 是危機還是機會？先看 [AI 時代 QA 還有未來嗎](/career/ai-era-qa-future.html)。

## 一般 QA vs AI QA — 測的東西本質不同

```mermaid
flowchart TB
    subgraph Normal["一般 QA · 確定性"]
        N1["輸入 A → 一定得 B"]
        N2["pass / fail 二元"]
        N3["測功能正確性"]
    end
    subgraph AIQA["AI QA · 機率性"]
        A1["同 prompt → 每次答不同"]
        A2["品質分數 / 信心區間"]
        A3["測幻覺·安全·偏見·一致性"]
    end

    style Normal fill:#06b6d4,color:#fff
    style AIQA fill:#a855f7,color:#fff
```

關鍵差異：一般功能你能寫死 expected value;AI 輸出是**機率性**的、沒有單一正確答案、要評估「夠不夠好」。這就是為什麼需要一個專門角色。

## AI QA 到底測什麼

```mermaid
mindmap
  root((AI QA 測試範圍))
    LLM 輸出品質
      正確性 eval
      幻覺率
      一致性
    RAG 系統
      檢索準不準
      引用對不對
    AI Agent
      多步驟對不對
      工具呼叫正確性
    安全與紅隊
      jailbreak
      prompt injection
    偏見與合規
      公平性
      敏感內容
```

| 測試類型 | 在測什麼 | 站上深入文章 |
|---------|---------|-------------|
| **LLM Evaluation** | 輸出品質量化 | [LLM Evaluation Testing](/ai-qa/llm-evaluation-testing.html) |
| **RAG 測試** | 檢索 + 生成品質 | [RAG 系統測試](/ai-qa/rag-system-testing.html) |
| **Agent 測試** | 多步驟決策 | [AI Agent 系統測試](/ai-qa/ai-agent-testing.html) |
| **紅隊測試** | 找安全漏洞 | [LLM Red Teaming](/ai-qa/llm-red-teaming.html) |
| **多模態** | 圖/音/影測試 | [Multi-modal AI Testing](/ai-qa/multi-modal-ai-testing.html) |

## 該補的技能(3 層)

```mermaid
flowchart LR
    L1["第 1 層 · 基礎<br>LLM API · temperature<br>token · prompt 結構"] --> L2["第 2 層 · 核心<br>eval 設計<br>怎麼量化『好不好』"]
    L2 --> L3["第 3 層 · 進階<br>RAG / agent / 紅隊<br>AI 系統測試"]

    style L1 fill:#06b6d4,color:#fff
    style L2 fill:#a855f7,color:#fff
    style L3 fill:#10b981,color:#fff
```

**最該先練的是「eval 設計」** — 怎麼把模糊的「這答案還不錯」變成可重複、可比較的分數。這是 AI QA 的命根、也是多數人卡住的地方。

## 從現職 QA 轉過去的路線

```mermaid
flowchart TB
    S1["先測公司現有 AI 功能<br>(有就從這開始)"] --> S2["學會用 LLM API<br>寫第一個 eval script"]
    S2 --> S3["挑一類深入<br>RAG 或 agent 或紅隊"]
    S3 --> S4["做出成果<br>建 eval pipeline / 抓到 AI bug"]
    S4 --> S5["對外輸出<br>履歷 + 面試講 AI QA 經驗"]

    style S1 fill:#06b6d4,color:#fff
    style S5 fill:#10b981,color:#fff
```

沒有公司 AI 功能可測？用 side project — 接一個 LLM API、做一個小 RAG、自己寫 eval。**有實作經驗比證照值錢**。

> 完整轉型節奏可參考 [手動 QA 轉型 AI-Augmented QA 90 天](/career/manual-to-ai-augmented-qa.html);技能取捨看 [AI 取代不了的 QA 技能](/career/ai-proof-qa-skills.html)。

## 薪資與市場

| 面向 | 現況 |
|------|------|
| **薪資溢價** | 比同年資一般 QA 高約 15-30% |
| **供需** | 需求 >> 供給(會測 AI 的人稀缺) |
| **競爭者** | 多數 QA 不懂 eval、多數 ML 不懂測試、卡交集者吃香 |
| **風險** | 領域新、標準還在變、要持續學 |

**稀缺的原因**:它卡在「測試思維 × AI 理解」的交集。傳統 QA 補 AI 比 ML 工程師補測試容易 — 這是你的機會。

## 反模式

```mermaid
flowchart TD
    Anti[轉 AI QA 反模式] --> A1["以為要先會訓練模型"]
    Anti --> A2["只考證照不做實作"]
    Anti --> A3["用測功能的方式測 AI<br>(寫死 expected)"]
    Anti --> A4["只為薪資轉、不喜歡不確定性"]
    Anti --> A5["不學 eval、只會手動試 prompt"]

    style A1 fill:#ef4444,color:#fff
    style A2 fill:#ef4444,color:#fff
    style A3 fill:#ef4444,color:#fff
    style A4 fill:#ef4444,color:#fff
    style A5 fill:#ef4444,color:#fff
```

## 給 QA 的 5 句

1. **AI QA 測的是機率性輸出、不是確定性功能**
2. **不用會訓練模型、要會測模型行為**
3. **eval 設計是命根、先練它**
4. **有實作經驗比證照值錢**
5. **卡在「測試 × AI」交集的人最稀缺**

## 最後

AI QA 不是另一個職業、是 QA 的**進化版**。你既有的測試思維是最難補的部分、AI 知識反而好補。從測公司現有的 AI 功能、或一個 side project 的 eval 開始 — 半年後你就站在這個稀缺交集裡。

延伸閱讀：
- [AI 時代 QA 還有未來嗎](/career/ai-era-qa-future.html)
- [AI 時代 QA 薪資與加薪談判](/career/qa-salary-ai-era.html)
- [AI 取代不了的 QA 技能](/career/ai-proof-qa-skills.html)
- [LLM Evaluation Testing](/ai-qa/llm-evaluation-testing.html)