AI生成功能设计用例｜得物技术

一、AI背景

人工智能生成内容（AIGC，AI-Generated Content）技术的快速发展正在改变内容生产的方式，并逐渐渗透到各个行业，例如：在自媒体平台自动编写文案并发布，快速分析数据，写小说，画漫画等。强大的文本生成能力已经实现了生产力超过生产资料，提供了更加高效的生产力，将AI引入到工作中成为发展的方向。

目前公司编写测试用例为人工编写，存在手工编写用例的普遍痛点，例如：重新编写，费时费力，边界遗漏，兼容遗漏等。AI拥有自动生成文本并快速整合的能力，以AI辅助功能用例编写成为推动行业创新和效率提升的关键点。

AI编写用例的优点：

※ 效率提升

AI可以快速生成大量测试用例，显著减少人工编写所需的时间，提升整体测试效率。

※ 测试覆盖提升

AI能够自动识别潜在的测试场景和边界条件，从而提高测试覆盖率**，确保更全面的检测。

※  一致性和准确性提升

AI生成测试用例具有较高的一致性和易理解性，减少人为错误，增强测试的可靠性和准确性。

AI热词：

二、设计方案

本部分介绍使用AI编写测试用例的的设计方案，包括使用流程和架构图。

AI编写用例流程图

AI编写用例架构图

三、设计核心介绍

本部分介绍如何使用AI辅助生成功能用例，详细讲解了从PRD文档->测试点->测试用例->Xmind用例->使用采纳，整条链路的核心设计与实现。

PRD文件解析器

平台支持飞书PRD文档中文本、多维表格、电子表格内容的解析，暂不支持对图片、流程图解析。文档读取分为6个步骤，分别为：获取飞书token、获取用户token、获取文件block列表、Table表格解析、电子表格解析、解析结果组装。以下主要介绍解析部分内容：

结构组成设计：

实现方案详情

※  飞书文档读取

※  Table的提取与sheet表格的提取

• Table提取：提取表格过程中需要将表格相关的块与子块关联绑定，递归解析所有的数据。并根据第一行各字段的长度<20做是否为表头判定，默认第一行为表头信息。
• sheet提取：在飞书表格提取过程中需要使用多个递归，分别获取表格所有内容与元素

※  AI解析PRD文档：

• PRD解析：通过与AI交互将文本内容解析为：需求关键字、测试背景、测试需求详情三部分，并按照特定字段将数据存储。
• 结构设计：

PRD解析结构设计

核心代码逻辑：

※  获取关联测试需求业务背景：

• 根据PRD解析关键字信息匹配最相关的测试用例模块，使用向量和关键字双权重对RAG**模块做测试用例提取：

1. keyword_weight:0.3
2. vector_weight:0.7
3. 同时设置AI模型准确度为0.85

• 匹配过程中分别针对不同的关键字，从RAG数据中提取热度最高的3个测试模块，合并后提取所有模块中热度最高的三个模块作为业务历史背景。
• RAG提取架构设计

• 核心代码逻辑

模型设计

测试点生成器

测试点生成器为AI生成用例的核心，实现PRD到测试点的转换。生成过程中结合需求背景、关键字、需求详情、业务背景、测试分析等信息作为业务背景，以更准确的生成测试用例。核心结构如下：

结构组成设计

实现方案详情

模型设计

测试用例生成器

测试用例生成器为AI用例生成器，负责将AI测试点转换为Xmind测试用例，主要实现两个功能，第一步将AI测试点转换为markdown结构的测试用例，包括用例名称、前置条件、执行步骤、期望结果等。第二部负责将第一步测试用例转换为Xmind结构。

实现方案详情

※  测试点解析生成markdown格式用例：

生成markdown格式用例

解析结果

※  AI markdown格式转换为Xmind结构用例

转换Xmind结构

生成结果

模型设计

知识库搭建

LLM大模型有通用的推荐能力，针对公司业务场景是无法准确识别相关功能的，针对“最后一公里”问题，平台使用搭建测试用例知识库的方式，以提升推荐准确度。

平台会以历史测试用例与业务需求文档作为历史业务背景。在推荐功能用例过程中自动匹配历史业务背景，以提升推荐准确度。

知识库搭建

※  知识库涉及范围

※  实现方案详情

• Xmind测试用例转换知识库

• 业务文档转换知识库

※  模型设计：

•   测试用例转换文本AI模型

•   业务文档转换业务文档模型

四、实现结果展示

五、总结 & 规划

目前平台侧已经实现自动生成功能用例的功能，实现了从 PRD自动解析->测试点生成-> Xmind用例生成->同步平台的完整流程。可以一定程度上提升用户编写用例效率。

后续规划

1. 支持PRD文档图片/流程图等多模态数据解析
2. 持续完善RAG模型与测试用例知识库的维护

往期回顾

1.从零实现模块级代码影响面分析方案｜得物技术

2.以细节诠释专业，用成长定义价值——对话@孟同学 ｜得物技术

3.得物可观测平台架构升级：基于GreptimeDB的全新监控体系实践

4.得物自研DGraph4.0推荐核心引擎升级之路

5.大语言模型的训练后量化算法综述 | 得物技术

文 / 执一

关注得物技术，每周更新技术干货

要是觉得文章对你有帮助的话，欢迎评论转发点赞～

未经得物技术许可严禁转载，否则依法追究法律责任。