当压测脚本可以“对话生成”、执行结果可以“AI解读”，性能测试的门槛正在被彻底击穿。一、开篇：那个被压测支配的夜晚凌晨两点，我盯着终端里不断滚动的 k6 日志，CPU 使用率曲线像过山车一样起伏。这是团队第 4 次尝试压测新上线的订单履约服务——前 3 次分别因为脚本语法错误、阈值设置不合理、以及忘记配置环境变量而失败。而这一次，测试跑了 15 分钟后，k6 突然报出ERRO[0015] unexpected EOF，整个压测进程崩溃。这不是个例。根据 Grafana Labs 在 2026 年 GrafanaCON 上的分享，性能测试长期被团队视为“事后补救”的工作，团队只在事故发生后才会真正重视它。而这种被动应对的心态，根源在于一个朴素的认知：为复杂系统编写性能测试脚本的成本太高。但 2026 年的技术 landscape 已经发生了根本性变化。k6 在 5 月 11 日正式发布了 2.0 版本，Anthropic 的 Claude Code 在同期推出了“自愈”功能。当性能测试工具遇上了 AI 编程助手，一个全新的可能性出现了：用自然语言描述测试意图，让 AI 生成 k6 脚本，执行后自动输出分析报告。本文将带你完整走一遍这条路径：从 k6 2.0 的 AI 辅助能力讲起，到 Claude Code 如何成为你的“压测副驾”，再到一个生产级的完整实践案例。