软件测试大模型Agent探索(dify:chatflow+企业微信机器人)

最新推荐文章于 2025-04-27 18:25:07 发布

测试老吴

最新推荐文章于 2025-04-27 18:25:07 发布

阅读量17

点赞数

分类专栏： AI大模型测试领域应用文章标签：大模型软件测试智能体

本文链接：https://blog.csdn.net/web326/article/details/147480762

版权

AI大模型测试领域应用专栏收录该内容

4 篇文章

订阅专栏

大模型在测试领域应用提高测试效率。使用本地部署的dify+deepseek大模型，使用dify的本地知识库创建的Chatflow工作流，将生成的测试相关结论同步推送到企业微信群中，是团队对测试相关内容做到实时同步。

探索点：本地部署dify平台的知识库、chatflow配置及推送大模型生成内容到企业微信群。实现流程如下：

1.介绍

本地部署Dify1.3.0Docker Compose 部署 | Dify，以及使用硅基流动deepseek-r1：硅基流动系统。

Dify 工作流分为两种类型：

Chatflow：面向对话类情景，包括客户服务、语义搜索、以及其他需要在构建响应时进行多步逻辑的对话式应用程序。
Workflow：面向自动化和批处理情景，适合高质量翻译、数据分析、内容生成、电子邮件自动化等应用程序。

2.创建企业微信群机器人

在企业微信--群管理中，创建群机器人，创建后如下图。记录webhook地址，尤其是key=后面的字段，在后续设置chatflow中，调用企业微信工具时需要填写此Key(需要保护自己Key防止泄露)。

3.dify配置各类信息及chatflow工作流

3.1dify配置硅基流动模型

登录dify后，点击右上角用户--“设置”--模型供应商，配置大模型。本次使用硅基流动提供的各类模型。【硅基流动有活动，注册认整后送14元tokens，基本满足探索学习的使用】

3.2dify安装企业微信-发生群消息工具

大模型不具备直接使用外部工具的能力，需要通过自己开发的工具或者已发布的三方工具等进行调用。本次使用dify工具市场自带的工具插件。

工具--市场：下拉找到企业微信图标，点击安装

3.3dify本地知识创建

大模型存在自身不足知识局限性、缺乏专业深度等不足之处。RAG（Retrieval-Augmented Generation，检索增强生成）技术应运而生。无需微调大模型参数，通过模型外知识库增强，将非参数化的外部知识库、文档与大模型结合，提示词提交大模型前，先从RAG中补充提示词，从而弥补模型在知识专业性和时效性上的不足，减少生成不确定性，在确保数据安全的同时，充分利用领域知识和私有数据。

创建本地知识库，也是为了解决公司内部信息、文档，保密安全性，减少内部文档信息上传网络知识库泄露风险。

dify支持常见本地知识库和对接外部知识库，本次因自己本地部署dify社区版本，使用本地知识库。

创建知识库

进入知识库页面，创建知识库。

文件上传知识并设置模型参数

索引方式：高质量

Embedding模型：选择bge-m3，按需选择embedding模型。

Rerank 模型： 选择bge-reanker-v2-m3。开启后将使用第三方 Rerank 模型再一次重排序由全文检索召回的内容分段，以优化排序结果。向 LLM 发送经过重排序的分段，辅助其提升输出的内容质量。

配置后，前往文档。进行分块查看，以及召回测试。若测试结果符合预期，同时确定知识库模型参数后上传准备好的其他知识文件。

3.4chatflow创建

1.创建chatflow工作流及设置

工作室--创建空白应用--Chatflow

功能配置，开始节点使用默认配置

2.增加条件选择节点

上传文件检测是否需要进行文档提取，增加条件选择节点。调整if参数：选择系统参数sys.flies，else无需条件。

3.增加文档提取器节点

if条件节点添加文档提取器节点，用作上传的文档内容提取。

输出参数：开始的sys.flies

4.增加知识检索节点

将前面用户输入的提示词，以及上传文档提取的信息，调用本地知识库进行检索增强后，提交给大模型。

查询变量：sys.query

知识库：选择当前工作流需要的、已经配置的知识库。

5.大模型LLM配置

模型：deepseek-R1

上下文：配置知识库处理后的提示词参数

6.增加代码执行

大模型处理的返回是流式信息，文本量很大，输出时候出给后面机器人是无法全部接收发送，为减少文本量，需要去除流式信息think内容，将去除后信息发送企业微信。解决因文字数量超限，企业微信群中收到信息不全。

# 代码有Trae调用deepseek-v3生成
import re

def main(llm_str: str) -> dict:
    # 一次性移除<think>标签和开头的空行
    final_text = re.sub(
        r'<think[^>]*>.*?</think>|^\n+', 
        '', 
        llm_str, 
        flags=re.DOTALL
    )
    return {"result": final_text}