三层智能体架构
在企业环境中，测试用例生成不是“写几条文本”的问题，而是：
如何精确读取数据库需求
如何稳定生成结构化用例
如何保证结果可控
如何嵌入现有系统
如何控制生产风险
目录
问题定义：企业真正要解决什么
为什么纯 RAG 不可持续
三层智能体架构设计
数据访问层：SQL Agent 实现（含代码）
规则生成层：Case Agent 实现（含代码 ）
约束校验层：结果控制机制
与现有系统的集成方式
什么时候不适合使用智能体
生产环境风险控制
测试工程师能力演进趋势
一、问题定义：企业真正要解决什么
典型企业场景：
需求沉淀在关系型数据库
需求数量大、更新频繁
测试用例需结构化输出
需要自动入库
不希望重构现有系统
本质问题是：
构建一条自动读取 → 自动生成 → 自动校验 → 自动入库的稳定链路。
二、为什么纯 RAG 不可持续
常见做法：
文档向量化
RAG 召回
直接生成用例
现实问题：
文档是模糊数据
每次生成结果不同
难以保证覆盖率
无法精确字段过滤
数据库中的数据是精确数据。
所以架构必须围绕数据库设计，而不是围绕文档设计。
三、三层智能体架构设计
系统拆分为三层：
数据访问层（SQL Agent）
规则生成层（Case Agent）
约束校验层（Validator）
整体架构：
三层职责：
第一层保证数据精确
第二层负责生成逻辑
第三层控制风险
四、数据访问层：SQL Agent 实现
- 定义结构化返回模型
from pydantic import BaseModel
from typing import List, Any
class SQLResult(BaseModel):
sql: str
explanation: str
data: List[Any]
设计原则：
强制结构化输出
禁止自由文本
构建 SQL Agent
@agent(
model=deepseek_model,
result_type=SQLResult,
dependencies=[db_connection]
)
def sql_agent(user_query: str):return f"""
根据以下数据库结构生成查询SQL。数据库结构：
{schema_info}用户请求：
{user_query}返回：
- SQL语句
- SQL解释
- 查询结果
"""
SQL 校验机制
@result_validator(sql_agent)
def validate_sql(result: SQLResult):forbidden = ["delete", "update", "insert", "drop"]
for word in forbidden:
if word in result.sql.lower(): raise ValueError("禁止写操作")if result.data is None:
raise ValueError("查询结果为空")return result
执行流程：
五、规则生成层：Case Agent 实现
- 定义用例结构
class TestCase(BaseModel):
title: str
steps: List[str]
expected: str
class CaseResult(BaseModel):
cases: List[TestCase]
构建 Case Agent
@agent(
model=deepseek_model,
result_type=CaseResult
)
def case_agent(requirements: list):return f"""
根据以下需求生成测试用例。规则：
- 输出JSON
- 包含正常流程与边界场景
- 每条用例包含title, steps, expected
不生成无关内容
需求：
{requirements}
"""
- 用例生成图
这张图体现：
智能体协作
数据流向
可替换结构
六、约束校验层
@result_validator(case_agent)
def validate_case(result: CaseResult):
if len(result.cases) == 0:
raise ValueError("未生成测试用例")
for case in result.cases:
if not case.steps:
raise ValueError("步骤不能为空")
if not case.expected:
raise ValueError("预期不能为空")
return result
校验层作用：
防止格式错误
防止空输出
保证结构完整
七、与现有系统集成方式
推荐方式：
封装 REST API
输入需求ID
返回 JSON
原系统入库
无需重构数据库。
八、什么时候不适合使用智能体
不建议使用场景：
需求数量极少
业务逻辑简单
已有稳定自动化规则
智能体适合：
需求规模大
规则复杂
更新频繁
需要批量生成
九、生产环境风险控制
必须增加：
数据库只读权限
SQL 白名单
JSON Schema 校验
敏感数据脱敏
日志隔离
批量限流
智能体不是风险来源。 缺乏约束才是。
十、测试工程师能力演进趋势
未来测试工程师的核心能力：
数据结构理解
智能体设计能力
校验机制构建能力
架构思维
真正的竞争力不是写多少脚本。
而是：
是否能设计一个可控、可扩展、可验证的智能体系统。
