需求文档不完整,测试用例怎么写?我用 Playwright CLI + Skill 跑了一套新流程

简介: 很多测试同学写用例时,最头疼的不是设计测试点,而是需求资料不完整。 常见情况有两种: 一种是没有完整需求文档。需求分散在会议纪要、聊天记录、原型截图里,甚至只有一个已经开发出来的页面。 另一种是有文档,但写得比较粗。比如只写了「支持新增、编辑、删除」,但字段规则、按钮状态、异常提示、权限差异、页面跳转都没有展开。 这种情况下,如果完全靠测试自己脑补,很容易出现几个问题: 用例步骤和实际页面对不上; 测试点遗漏,尤其是异常场景、权限场景和边界场景; 需求和页面不一致时,不知道应该以哪边为准; 用例写完后,执行阶段才发现理解有偏差,又要返工修改。 我的方案 针对上面的痛点,我最近尝试了一套新的流程

很多测试同学写用例时,最头疼的不是设计测试点,而是需求资料不完整。

常见情况有两种:

一种是没有完整需求文档。需求分散在会议纪要、聊天记录、原型截图里,甚至只有一个已经开发出来的页面。

另一种是有文档,但写得比较粗。比如只写了「支持新增、编辑、删除」,但字段规则、按钮状态、异常提示、权限差异、页面跳转都没有展开。

这种情况下,如果完全靠测试自己脑补,很容易出现几个问题:

  • 用例步骤和实际页面对不上;
  • 测试点遗漏,尤其是异常场景、权限场景和边界场景;
  • 需求和页面不一致时,不知道应该以哪边为准;
  • 用例写完后,执行阶段才发现理解有偏差,又要返工修改。

我的方案

针对上面的痛点,我最近尝试了一套新的流程:借助 Skill,把 Playwright CLI 的页面探索能力和需求文档分析结合起来,先让工具理解页面,再生成测试计划,最后基于人工确认后的计划输出测试用例。

它不是把测试工作完全交给 AI,而是把最耗时间的页面梳理、测试点初稿、用例步骤整理交给工具完成;测试人员重点负责确认范围、纠正业务规则、补充关键场景。

这样产出的用例会更接近真实页面,也更容易被人工校准。

整体流程

 text
 输入系统地址,补充测试账号、需求文档
 → Playwright CLI 页面自动探查(识别按钮/输入框/弹窗/跳转等元素)
 → 生成测试计划文档(含页面功能、已探索界面、需求页面差异、初步测试点)
 → 人工核对并修正测试计划
 → 生成 Excel / XMind 测试用例

这里比较关键的是第三步:先出计划,再出用例。

很多人使用 AI 生成用例时,会直接说「根据这个需求帮我写测试用例」。这样做的问题是,一旦前面对需求的理解错了,后面生成的几十条、上百条用例都会跟着错。

先生成计划,就相当于在正式写用例前加了一道评审。

计划里会把工具探索到的功能、页面路径、差异判断和测试点先列出来。测试人员只需要先看这些内容是否合理,不合理的地方直接对话修正。确认无误后再生成最终用例,整体返工成本会低很多。

实践案例

案例 1:只提供系统地址

第一种情况比较常见:手头没有需求文档,只知道系统地址,希望根据当前页面生成测试用例。

这种方式适合文档缺失、老系统补用例、页面已实现但需求资料不完整的场景。

第一步:执行 Skill

输入系统地址后,Skill 会启动页面探索流程。

如果系统需要登录,就按提示补充账号信息。

如果后续发现某些页面需要特定权限,也可以继续在对话中补充账号或说明操作路径。

这里有一点需要注意:如果你手里有需求文档,即使不完整,也建议一起提供。工具会同时参考需求文档和页面。如果页面与文档不一致,它会在计划里标出来,让你确认到底以哪边为准。

第二步:页面探索

工具会先跳转到对应页面,生成页面快照。

页面快照可以理解为当前界面的结构化记录。

它会识别页面上的标题、按钮、输入框、下拉框、表格、弹窗、链接等元素。接下来,工具会基于这些元素进行点击、输入、跳转等操作,把可探索的页面尽量走一遍。

第三步:生成计划文档

页面探索完成后,会先生成一份计划文档,而不是直接生成最终用例,包含以下内容:

#### 1. 页面功能清单

工具会根据探索结果,总结当前页面包含哪些功能。

看这一部分时,要重点确认两件事:

第一,是否把当前不需要测试的模块写进来了。

比如本次只测「用户管理」,但计划里把「角色管理」「组织架构」也写进来了,就需要删掉或说明不在本次范围内。

第二,页面上真实存在的重要入口有没有遗漏。

比如页面有「批量导入」按钮,但功能清单里没有,就说明探索可能不完整,后续测试点也会漏掉导入相关场景。

#### 2. 已探索的界面

计划里还会列出这次探索过的页面。

这个列表很有用。

它可以帮助你判断工具到底走到了哪些页面,哪些页面还没有覆盖。

如果关键页面没有出现在列表中,比如只探索到了列表页,没有进入新增页和编辑页,那就不要急着生成用例。可以继续让工具补充探索对应入口,再重新生成计划。

#### 3. 差异和合理性判断

如果没有需求文档,工具会根据页面本身做一些合理性判断。

#### 4. 测试点

计划中还会先生成测试点。

建议重点检查这些方面:

  • 主流程是否完整,比如新增、编辑、删除、查询是否都覆盖;
  • 字段校验是否充分,比如必填、长度、格式、重复值、特殊字符;
  • 异常场景是否合理,比如接口失败、无数据、无权限、重复提交;
  • 权限场景是否需要补充,比如不同角色可见按钮不同;
  • 是否存在业务规则遗漏,比如状态流转、审批条件、不可逆操作;
  • 是否混入了不必要的测试点,比如纯展示文本、无交互说明。

测试点确认得越充分,后面生成的用例越接近可执行状态。

第四步:生成测试用例

确认计划没问题后,回复「确认」即可生成用例。

默认生成的是 Excel 格式。

如果需要 XMind 格式,也可以继续对话生成。

生成后的 XMind 用例如下:

案例 2:同时提供需求文档和系统地址

第二种情况是同时提供需求文档和 URL。

这种方式更适合真实项目。

因为大多数项目并不是完全没有需求,而是需求文档和页面实现之间可能存在差异。

输入需求文档和 URL

输入方式如下:

工具会一边解析需求文档,一边探索页面,然后生成计划。

和只提供 URL 不同的是,这种情况下计划里会多出一块重点内容:需求和界面的差异表。

这套方法适合哪些场景

比较适合:

  • 需求文档不完整,但页面已经可操作;
  • 老系统补测试用例;
  • 提测前快速梳理功能覆盖;
  • 文档和页面实现存在差异,需要先对齐;
  • 测试人员要快速生成 Excel 或 XMind 用例初稿;
  • 产品、开发、测试需要围绕页面进行差异评审。

不太适合:

  • 页面还没开发完成;
  • 主流程无法点击;
  • 接口未联调,页面大量报错;
  • 纯后端逻辑,没有可探索页面;
  • 强依赖复杂业务规则,但没有任何说明资料。

如果页面不可操作,Playwright 能发挥的作用有限。这种情况下,更适合先基于需求文档生成测试点,再等页面可用后补充页面探索。

总结

需求文档不完整时,测试用例最难的不是写格式,而是确认「到底要测什么」和「预期结果按什么来」。

Playwright CLI + Skill 的价值,就在于把页面探索、需求对比、测试点整理和用例生成串成了一条流程。

它先看页面,再出计划;先确认差异和测试点,再生成 Excel 或 XMind。

这样做比直接让 AI 写用例更稳,也更符合实际测试工作中的节奏。

对测试人员来说,这套方法最适合用来生成第一版用例初稿。它能节省大量整理页面和书写步骤的时间,但关键业务判断仍然需要人工把关。

如果项目里经常遇到需求不完整、文档和页面不一致、老系统补用例这些场景,可以尝试把这套流程加入日常测试设计中。

先让工具把页面跑一遍,再由测试人员确认计划,最后生成可执行用例。

用一句话概括就是:

AI 负责整理和生成,人负责判断和把关。

目录
相关文章
|
5天前
|
云安全 人工智能 运维
当攻击全面Agent化,你的安全防御能否跟上AI Speed?
多起客户侧AK泄露事件应急的真实观察
1248 4
|
28天前
|
人工智能 JSON API
全网刷屏的 Jev 模型正式开放!一手实战测评 + 保姆级教程
全网爆火的 Jev 模型是什么?有什么用?怎么使用?怎么接入 AI 编程工具?效果真的好么?傻子可懂的 Jev 保姆级实战教程 + 项目实战测评来啦
9821 32
|
9天前
|
存储 人工智能 安全
千问办公官网入口网页版登录:qwenwork.cn 注册送2000积分、登录送100积分
阿里云千问办公(QwenWork)是AI智能工作平台,支持一句话生成PPT、表格、网页、视频及数据分析。个人免费版送2000积分+每日登录赠100分,含1GB存储、5个发布页;企业版198元/席/月起。阿里千问办公QwenWork官网:https://t.aliyun.com/U/0VCTGt 阿里AI工作平台,一句话完成数据分析、PPT 生成、视频剪辑、网页搭建等复杂任务
|
4天前
|
人工智能 API 开发工具
DeepSeek Harness 神插件:白嫖 13 家大厂模型
`dsh-our-free-model` 是 DeepSeek Harness 神级插件:零配置、零API Key、零账号,聚合13家大厂免费模型(含DeepSeek V4.1 Flash、Kimi K3等),支持本地网关、用量看板与自动降级,真正实现“白嫖即用”。
|
14天前
|
存储 人工智能 并行计算
大模型本地部署终端选型方法论:以 Qwen3.8-27B 为例的四档分层完整流程
本文提出一套大模型本地部署终端选型方法论:定约束、定档位、定框架、定参数四步决策法,配合入门、主力、质量、无损四档分层模型。以 Qwen3.8-27B 实测数据为例,逐环节解读显存、带宽、存储、散热、系统、预算等要素,给出面向不同预算的优选方案、决策自查清单与市场观察框架。文末前瞻 AI 笔记本的 CPU+GPU 与统一内存两条路线,论证四步决策法在新品类上的延续性。
|
6天前
|
Web App开发 人工智能 JavaScript
太猛了,一个月干到15W+,给大家推荐一个最近爆火的开源逆向工具:REA
REA(Reverse Engineer Anything)是近期爆火的开源AI逆向工具,4月发布,1个月内斩获15万+ Star。它让AI Agent无需源码即可分析二进制、APK、JS/Electron、HAR包等17类目标,自动反编译、生成可运行代码,并强制返回带证据与局限的结论。全本地执行,MIT协议,支持Hopper/Ghidra/IDA等引擎,一行命令即可上手。
653 1
太猛了,一个月干到15W+,给大家推荐一个最近爆火的开源逆向工具:REA
|
13天前
|
人工智能 JSON 自然语言处理
2026 年 Jev 决策模型深度拆解:原理解读、实战测评与保姆级落地教程
有一款特殊AI模型在开发者圈子刷屏,它摒弃传统大模型擅长的对话聊天能力,专注做高速结构化决策,它就是TypeSafe AI推出的Jev模型。该模型由ChatGPT共同发明人Diogo Almeida主导研发,定位为**System One Model(系统一模型)**,对标人类大脑快速直觉判断的思维模式,在响应延迟、调用成本、结构化输出稳定性上相比传统生成式大模型有着巨大差异。本文会完整拆解Jev底层原理、三大核心原语能力、适用业务场景,同时提供可直接运行的curl、Python代码示例,并且结合多组实测数据,客观分析模型优势与能力边界,帮助普通开发者和AI应用从业者快速上手落地。
956 1
|
10天前
|
人工智能 JSON 自然语言处理
2026 年 Jev 决策模型全解析:核心原理拆解,性能实战测评与落地部署教程
有一款特殊AI模型在开发者圈子刷屏,它摒弃传统大模型擅长的对话聊天能力,专注做高速结构化决策,它就是TypeSafe AI推出的Jev模型。该模型由ChatGPT共同发明人Diogo Almeida主导研发,定位为System One Model(系统一模型),对标人类大脑快速直觉判断的思维模式,在响应延迟、调用成本、结构化输出稳定性上相比传统生成式大模型有着巨大差异。本文会完整拆解Jev底层原理、三大核心原语能力、适用业务场景,同时提供可直接运行的curl、Python代码示例,并且结合多组实测数据,客观分析模型优势与能力边界,帮助普通开发者和AI应用从业者快速上手落地。
608 0

热门文章

最新文章