人工智能 | 手工测试用例生成

简介

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。

实现方法

此需求是一个典型的 RAG 的应用场景(RAG 检索增强生成)。而 RAG 重点主要为 2 个：

1. 数据如何加载喂给大语言模型。

2. 大语言模型应当以哪种数据格式返回。

明确了实现中的重点之后，再看具体有哪些实现的方法。目前市面上的大模型琳琅满目，包括还有极多的大模型相关的应用框架。所以同样实现以上的需求，有以下几个方案

技术方案选型

技术类型	优点	缺点
直接调用 ChatGPT 接口	简单，好上手	更复杂的场景则需要更多的代码封装
LangChain 实现	读取数据与定制返回类型都更加容易	需要具备 LangChain 框架的基本知识

直接调用 ChatGPT 接口的实现

相关提示词：

"""你是一个测试工程师，需要将需求文档转化为测试用例。要求输出的测试用例的格式为plantuml中的mindmap格式。需求文档的内容为：{context}"""
import openai
def get_message(role_prompt):    message = []    message.append({                    'role': 'user',                    'content': role_prompt                })    response = openai.chat.completions.create(                model='gpt-3.5-turbo',                messages=message,                temperature=0            )    # # 打印大模型的返回值    answer = response.choices[0].message.content    return answer
def test_get_message():    # 文档读取    with open("需求文档.txt") as f:        content = f.read()    # 文档替换    role_prompt = """    你是一个测试工程师，需要将需求文档转化为测试用例。要求输出的测试用例的格式为plantuml中的mindmap格式。    需求文档的内容为：{context}    """.format(context=content)    print(get_message(role_prompt))

总结

1. 手工测试用例生成的应用场景。

2. 手工测试用例的实现方法与技术选型。

3. 直接调用 ChatGPT 接口的实现手工测试用例生成。

4.