基于LangChain手工测试用例生成工具

在编写测试用例的过程中，测试工程师会通过需求文档，研发的概要设计等信息编写测试用例，测试用例的输出格式常常为思维导图或者excel等数据信息。

在以上的流程中，一个测试工程师可以根据比较详细的需求文档以及研发的概要设计输出对应的测试点，以及测试用例。而如果和人工智能进行结合的话，人工智能代替的工作就是测试工程师目前的位置。

实践演练

需求说明

接下来，则通过一个小实战练习完成整个流程，以下为某个产品的需求文档。

实战要完成具体的操作为，根据对应的需求文档，生成一个思维导图。

实现思路

完整代码

from langchain_community.document_loaders import TextLoader``from langchain_community.vectorstores.faiss import FAISS``from langchain_core.tools import tool``from langchain_openai import ChatOpenAI, OpenAIEmbeddings``from langchain.agents import AgentExecutor, create_openai_tools_agent``from langchain import hub``from plantuml import PlantUML``   ``# 声明模型``llm = ChatOpenAI()``# # 1. 读取文件。``loader = TextLoader("./需求文档.md")``data = loader.load()``# 3. embedding``embeddings = OpenAIEmbeddings()``# # 4. 向量存储``vector = FAISS.from_documents(data, embeddings)``retriever = vector.as_retriever()``   ``from langchain.tools.retriever import create_retriever_tool``   ``retriever_tool = create_retriever_tool(`    `retriever,`    `"search_demand",`    `"找到需求文档中具体说明需求的地方",``)``@tool``def generate_png(uml_code, filename):`    `"""输入plantuml代码生成图像并保存为文件"""`    `plantuml = PlantUML(url='https://plantuml.ceshiren.com/img/')`    `image_bytes = plantuml.processes(uml_code)`    `with open(f'{filename}.png', 'wb') as f:`        `f.write(image_bytes)``   ``tools = [retriever_tool, generate_png]``llm_with_tools = llm.bind_tools(tools)``   ``prompt = hub.pull("hwchase17/openai-tools-agent")``agent = create_openai_tools_agent(llm, tools, prompt, )``agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)``result = agent_executor.invoke({`    `"input": """我是一个测试工程师，我需要从以上的需求文档中梳理出来需求信息，请帮我将所有的需求梳理出来，"`             `"思维导图的第一级是需求文档中的4.x开头的标题信息，表示功能模块，第二级是该功能模块的测试点，"`             `"请先输出一个 plantuml 格式的源码，源码格式如代码内所示`            `@startmindmap`            `* root node`                `* some first level node`                    `* second level node`                    `* another second level node`                `* another first level node`            `@endmindmap`             `然后再根据源码信息输出一个plantuml格式的思维导图文件。生成一个图片文件，文件名为 hogwarts加任意随机数"""``})``   

总结

1. 掌握 LangChain 中Retrieval的使用。

2. 掌握 LangChain 中 agent 的使用。

3. 掌握通过 LangChain 将需求文档转为测试用例的技巧

读者福利：如果大家对大模型感兴趣，这套大模型学习资料一定对你有用

对于0基础小白入门：

如果你是零基础小白，想快速入门大模型是可以考虑的。

一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。

包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型！

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓

👉AI大模型学习路线汇总👈

大模型学习路线图，整体分为7个大的阶段：（全套教程文末领取哈）

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉大模型实战案例👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

👉大模型视频和PDF合集👈

观看零基础学习书籍和视频，看书籍和视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓