基于 LangChain 的自动化测试用例的生成与执行

在前面的章节中，分别介绍了 Web、App、接口自动化测试用例的生成。但是在前文中实现的效果均为在控制台打印自动化测试的用例。用例需要手动粘贴，调整之后再执行。

那么其实这个手动粘贴、执行的过程，也是可以直接通过人工智能完成的。

应用价值

• 通过人工智能代替人工操作的部分，节省时间，提升效率。

• 通过封装更多的 Tools，让 Agent 更为智能。

实践演练

实现原理

实现思路

在理解需求之后，我们可以了解到我们需要让 Agent 具备两个功能：

1. 输入源码信息，生成 python 文件。

2. 输入文件名，执行 pytest 测试文件功能。

如此，可以通过如下两个步骤实现需求：

1. 工具包封装。

2. 实现 Agent。

工具包封装

为了让工具包更易被大模型理解，我们将注释调整为英文，提升准确率。同时为了传参的时候不出现格式错误问题，通过args_schema限制参数结构与格式（tools 章节有具体讲解）。

from langchain_core.tools import toolfrom pydantic.v1 import BaseModel, Field
class PythonFileInput(BaseModel):    # 定义参数的描述    filename: str = Field(description="filename")    source_code: str = Field(description="source code data")
class PytestFileName(BaseModel):    # 定义参数的描述    filename: str = Field(description="The name of the file to be executed")
@tool(args_schema=PythonFileInput)def write_file(filename, source_code):    """    Generate python files based on input source code    """    with open(filename, "w") as f:        f.write(source_code)

@tool(args_schema=PytestFileName)def execute_test_file(filename):    """    Pass in the file name, execute the test case and return the execution result    """    import subprocess    # 使用subprocess模块执行pytest命令    result = subprocess.run(['pytest', filename], capture_output=True, text=True)    # 检查pytest的执行结果    if result.returncode == 0:        print("测试运行成功！")    else:        print("测试运行失败：")    print(result.stdout)    return result.stdout

通过 AGENT 实现需求

1. 首先封装 Agent，绑定工具，输入提示词。在示例中，是在 LangChain 官方提供的 structured-chat-agent提示词基础之上修改的提示词，添加了一个code变量。目的是为了后面 code 可以由其他的 chain 的执行结果而来。

#  注意：需要再原提示词的基础上添加 {code} 变量# prompt = hub.pull("hwchase17/structured-chat-agent")llm = ChatOpenAI()
agent1 = create_structured_chat_agent(llm, tools_all, prompt)
agent_executor = AgentExecutor(    agent=agent1, tools=tools_all,    verbose=True,    return_intermediate_steps=True,    handle_parsing_errors=True)
if __name__ == '__main__':    agent_executor.invoke({"input": "请根据以上源码生成文件", "code": """def test_demo(): return True"""})

由以上的步骤，即可生成一个源码文件：

1. 在生成源码文件后，可以继续补充提示词，要求Agent 执行对应的测试用例：​​​​​​​​​​​​​​

if __name__ == '__main__':    agent_executor.invoke({"input": """               请根据以下步骤完成我让你完成操作，没有完成所有步骤不能停止:                1. 先根据以上源码生成文件。                2. 根据上一步生成的源码文件，进行执行测试用例操作，并返回终的执行结果                """,               "code": """def test_demo(): return True"""})

到这里，通过 Agent 就能自动生成测试用例文件，执行测试用例了。

与其他的场景结合

在前面的章节中，已经实现了自动生成接口自动化测试用例的操作。可以直接与前面的操作结合，自动生成接口自动化测试用例，并执行测试用用例。

注意：load_case 如何实现在前面章节：《基于LangChain手工测试用例转接口自动化测试生成工具》，已有对应讲解​​​​​​

# load_case 的返回结果是接口的自动化测试用例chain = (        RunnablePassthrough.assign(code=load_case) | agent1)
agent_executor = AgentExecutor(    agent=chain, tools=tools_all,    verbose=True,    return_intermediate_steps=True,    handle_parsing_errors=True)
if __name__ == '__main__':    agent_executor.invoke({"input": """               请根据以下步骤完成我让你完成操作，没有完成所有步骤不能停止:                1. 先根据以上源码生成文件。                2. 根据上一步生成的源码文件，进行执行测试用例操作，并返回终的执行结果                """})

执行之后，即可在控制台看到生成的接口自动化测试用例的执行记录。

总结

1. 自动化测试用例的生成与执行的实现原理。

2. 自动化测试用例的生成与执行的实现思路。

3. 利用 Agent 实现自动化测试用例的生成与执行。

推荐学习

人工智能测试开发训练营，为大家提供全方位的人工智能测试知识和技能培训。行业专家授课，实战驱动，并提供人工智能答疑福利。

内容包含ChatGPT与私有大语言模型的多种应用，人工智能应用开发框架 LangChain，视觉与图像识别自动化测试，人工智能产品质量保障与测试，知识图谱与模型驱动测试，深度学习应用，带你一站式掌握人工智能测试开发必备核心技能，快速提升核心竞争力！