上一篇文章介绍了如何在 AI 测试平台中集成接口自动化能力,让接口自动化测试能够在系统中完成管理和执行。
本文继续介绍平台中的另外几个核心功能:需求管理、知识库管理和 AI 测试用例生成。
这几个功能主要围绕测试工作中的前期准备和用例设计展开。通过接入大模型和 RAG 技术,将需求文档、项目知识和测试用例串联起来,减少人工整理需求、查阅资料和编写用例的工作量。
下面结合系统实际操作,看看这些功能是如何实现的。
上个视频和大家介绍了我搭建的AI测试平台整体功能概览,不过每个模块内部还有很多细节能力。接下来我会按模块拆解,逐一讲解各功能点的使用方法与设计思路。今天分享的是需求管理模块。
需求是所有测试工作的起点,这块的能力设计和维护也是非常重要的。
一、需求管理
首先是需求的新建。
在实际工作中,需求文档的格式往往不统一,可能是 PDF、Word、Markdown,也可能直接以图片或文本的形式提供。
因此,平台在需求创建时支持多种格式的内容导入,包括 PDF、图片、DOCX、MD 等,也支持直接输入文本。后续还可以考虑接入飞书云文档等在线文档,减少手动上传的操作。
需求文档创建成功后,系统提供了需求分析、测试计划等能力,可以基于导入的需求内容进一步开展测试工作。
1. 需求分析
需求分析是测试工作中非常重要的一环。
实际项目中,经常会遇到需求描述不够详细、业务规则不明确、异常场景缺失等问题。有些需求文档只是简单描述了功能目标,具体实现细节还需要测试人员进一步确认。
如果直接基于这些内容编写测试用例,很容易遗漏测试场景,后续还可能因为需求理解不一致导致返工。
为了解决这个问题,系统接入了大模型,对需求文档进行结构化分析,主要输出以下三部分内容。
(1)功能清单
通过分析需求文档,提取其中涉及的功能模块和具体功能点,形成一份功能清单。
这份清单可以帮助测试人员快速了解本次需求涉及哪些功能,明确测试范围,也可以作为后续测试点拆分和用例设计的基础。
(2)界面描述
对于涉及页面交互的需求,系统还会提取页面相关信息,包括页面布局、功能区域、操作入口以及主要交互行为等。
这部分内容能够帮助测试人员快速了解页面的组成和功能分布,为后续的页面测试和用例设计提供参考。
(3)待澄清项
这是需求分析中比较实用的一项能力。
AI 会尝试识别需求中描述不清晰、前后存在矛盾,或者缺少必要业务规则的地方,并将这些问题整理成待澄清项。
例如:
- 某个操作是否有权限限制?
- 输入数据为空或者超出限制时应该如何处理?
- 操作失败后是否需要回滚?
- 某些业务状态之间是否存在流转限制?
测试人员可以将这些问题整理后反馈给产品,由产品补充和确认,避免在测试过程中才发现需求存在遗漏。
除了在线查看和编辑,系统也支持将分析结果导出到文档中,方便进一步修改和整理。
同时,页面右侧提供了 AI 对话窗口。如果对某部分分析结果不满意,可以直接通过对话要求 AI 补充、调整或重新梳理,不需要重新分析整份文档。
需要注意的是,AI 输出的内容仍然需要人工确认,尤其是涉及业务规则和异常处理的部分,不能直接将模型的推测当成最终需求。
2. 测试计划
除了需求分析,测试计划也是测试工作中比较重要的产出物。
传统方式下,测试人员需要根据需求内容,手动整理测试范围、测试策略、环境准备、人员安排以及风险等信息。
现在,系统接入大模型,可以根据当前需求文档自动生成测试计划初稿。
效果如下:
这些内容不需要一次性全部定稿。如果对生成结果不满意,可以继续通过右侧对话框调整,例如修改测试范围、补充测试策略,或者重新评估人员投入。
尤其是人力和人天估算,AI 给出的结果只能作为初步参考,实际还需要结合项目复杂度、团队经验和历史数据进行修正。
确认内容无误后,就可以将生成的结果写入系统中的测试计划。
二、知识库管理
需求文档主要描述本次需要实现什么功能,但对于一个已经运行一段时间的项目来说,仅靠需求文档往往不足以支撑完整的测试设计。
例如,系统的技术架构、接口约定、业务规则、历史问题以及一些特殊处理逻辑,可能分散在不同的技术文档中。
如果每次设计用例都需要人工查找这些资料,不仅效率低,也容易遗漏重要信息。
因此,系统增加了知识库功能,用于统一管理项目相关文档,并为后续 AI 分析和用例生成提供上下文。
首先,创建一个知识库。
创建完成后,就可以向知识库中上传相关文档,例如技术设计文档、接口文档、业务说明文档等。
这些资料可以作为后续用例设计的补充依据,让 AI 不仅理解本次需求,还能结合项目已有的技术和业务背景进行分析。
文档上传成功后,系统会对文档进行解析和处理,并生成对应的数据分块。这里也支持查看每个文档的分块内容。
这里用到的是 RAG(检索增强生成)技术。
简单来说,RAG 会先将原始文档解析成文本,再按照一定的规则切分成多个文本块,并建立相应的索引。
当后续需要生成测试用例时,系统可以根据当前需求和提问内容,从知识库中检索相关文本块,再将检索结果提供给大模型作为参考。
这样就不需要每次都把整个项目的技术文档交给模型,而是尽量检索与当前任务相关的内容。
另外,不同类型的文档,适合的分块粒度也不一样。
如果分块太大,检索时可能带入较多无关信息;如果分块太小,又可能导致上下文不完整,丢失原本的业务含义。
因此,系统也提供了分块参数配置,可以根据实际文档内容调整分块粒度,让检索结果更加符合使用场景。
三、AI 测试用例生成
前面介绍了需求管理和知识库管理,接下来就是将两者结合起来,应用到实际的测试用例设计中。
进入功能测试模块,可以看到 AI 生成用例的入口。
点击进入后,可以在对话框中引用前面创建的需求文档。
除了需求文档,还可以选择前面创建的知识库,指定本次用例生成需要参考的技术和业务资料。
此外,系统还提供了用例评审维度的选择,可以根据实际需要,从不同角度检查生成的用例,例如功能覆盖、边界值、异常场景以及业务逻辑等。
在生成模式上,目前支持两种方式:
快速生成:
直接根据选择的需求文档、知识库以及用户补充的描述,一次性生成测试用例。
这种方式操作比较简单,适合需求比较明确、范围相对清晰的场景。
分步生成:
分步生成会将用例设计拆成多个阶段,通过多轮对话逐步补充信息,再生成测试点和最终用例。
对于业务逻辑复杂、需求描述不够明确的场景,这种方式更方便测试人员参与和控制生成过程。
下面以分步生成为例,看看具体流程。
选择好需求文档、知识库、评审维度和生成模式后,点击发送。
AI 会结合当前需求和知识库内容进行分析,并根据缺失的信息向测试人员提出问题。
这些问题通常与业务规则、操作条件、异常处理等有关。测试人员可以直接在对话中补充答案,帮助 AI 进一步明确测试范围和场景。
完成问题补充后,AI 会根据已有信息整理出对应的测试点。
这里先生成测试点,而不是直接生成大量测试用例,主要是为了降低人工审核成本。
如果一次性生成几十甚至上百条用例,测试人员需要逐条阅读和检查,成本比较高。
先将测试场景和测试点梳理出来,可以更直观地检查是否存在遗漏、重复或者不合理的地方。如果发现问题,也可以直接修改或删除。
确认测试点没有问题后,点击确认测试点并生成用例。
随后,AI 会根据确认后的测试点生成具体的测试用例,包括相应的前置条件、操作步骤和预期结果等。
用例生成后,系统还会输出一份评审报告,对当前用例进行多维度检查,识别可能存在的问题,例如场景遗漏、步骤不完整、预期结果不明确等。
如果认为评审意见合理,可以点击「按评审修改用例」,系统会根据评审结果生成对应的变更记录。
对于每一项变更,都可以选择接受或拒绝,由测试人员决定是否采纳 AI 的修改建议。
如果选择的评审维度比较多,产生的变更记录也可能相应增加,可以逐项检查,避免不合理的修改直接覆盖原有用例。
所有用例确认无误后,就可以将其正式写入系统,完成本次 AI 用例生成流程。
四、最后
本文主要介绍了 AI 测试平台中需求管理、知识库管理和 AI 用例生成三个功能。
从整个流程来看,它们并不是相互独立的模块,而是形成了一条比较完整的测试工作链路:
需求导入 → AI 需求分析 → 测试计划生成 → 知识库检索 → 测试点生成 → 测试用例生成 → AI 用例评审 → 人工确认入库。
其中,需求文档提供本次测试的业务背景,知识库补充项目已有的技术和业务信息,大模型则负责分析、整理和生成,最终由测试人员进行审核和确认。