借助AI生成测试用例

📝 面试求职: 「面试试题小程序」 ,内容涵盖 测试基础、Linux操作系统、MySQL数据库、Web功能测试、接口测试、APPium移动端测试、Python知识、Selenium自动化测试相关、性能测试、性能测试、计算机网络知识、Jmeter、HR面试,命中率杠杠的。(大家刷起来…)

📝 职场经验干货:

软件测试工程师简历上如何编写个人信息(一周8个面试)

软件测试工程师简历上如何编写专业技能(一周8个面试)

软件测试工程师简历上如何编写项目经验(一周8个面试)

软件测试工程师简历上如何编写个人荣誉(一周8个面试)

软件测试行情分享(这些都不了解就别贸然冲了.)

软件测试面试重点,搞清楚这些轻松拿到年薪30W+

软件测试面试刷题小程序免费使用(永久使用)


自动化生成测试用例是AI在测试领域的重要落地方向之一。

当然,我们可以直接丢需求文档给大模型,让其帮助我们完成测试用例的生成。但是每次都需要附加很多条件,例如,指定大模型的角色扮演成一个测试工程师,还需要指定测试生成的格式等。

然后,就出现了一些Agent来做一层简单的包装,使整个过程更加便捷。今天要介绍的工具就是做了一层简单的包装。- AutoGenTestCase

GitHub地址: https://github.com/13429837441/AutoGenTestCase

安装&启动

百度网盘:https://pan.baidu.com/s/1Cftl4BiWh_reU-oCwW3aMg 提取码:6bwu

从下载的打包文件看,目前仅支持Windows,当然,如果你有动手能力,也可以研究一下将项目打包成Linux/MacOS应用。

如图,双击run.exe 文件进行启动。

如图,输入邮箱回车,默认启动浏览器并打开:http://localhost:8501

配置&使用

使用起来也非常简单,下面是一个简单的流程。

首先,配置模型,目前仅支持DeepSeek和Qwen,这两个模型应该算国内的佼佼者了,如果需要接入更多的模型,需要自己手动去做一些支持。配置完成点击【保存配置】按钮进行保存。

接下来,切换到AI交互标签,点击【高级选项】,这里提供了一些可配置项,如果你写过功能测试用例,我多解释一句就是废话。我们可以根据自己的需求进行调节。

此外,右侧的消息模板我们自行调整,因为每个团队对于角色设定和用例的生成格式会有不同的要求。

在接下来,是需求的上传,这里以项目中附带的需求为例,上传需求文件。

我知道在真实的项目中我们的需求不会如此简单,可能还有许多隐含的背景知识。为了提升用例的生成质量,我们需要对产品的需求进一步的优化说明。

最后,点击【生成测试用例】按钮,稍等片刻,我们会得到一份比较详细的用例了。在底部,提供了 markdown 和 Excel 两种格式文件的下载。

最后

我们将需求文件直接上传给在线的大模型工具,一样可以得到上述的结果,为什么要使用 AutoGenTestCase 呢?首先,我文章的开头已经说了,这类的Agent可以简化用例生成的过程,其次,也提供了更加标准化的输出,我们可以结合自己的业务需求预置很多条件。

前两周,我们团队的测试同学刚刚分享了利用Cursor去辅助编写功能测试用例,和 AutoGenTestCase 的流程基本一致。随着 AI 的能力不断增强,辅助生成测试用例几乎是每个测试小伙伴都应该学习的基本技能,他可以大大的提升我们的工作效率。

最后: 下方这份完整的软件测试视频教程已经整理上传完成,需要的朋友们可以自行领取【保证100%免费】

​​

### 如何利用大模型生成软件测试用例 #### 工具选择 对于希望采用大型语言模型来增强测试过程的企业而言,选择合适的工具有助于实现这一目标。Test.ai 是一家专注于此领域的公司,它通过集成先进的大模型技术和丰富的测试案例数据库,提供了高效的解决方案[^2]。 #### 数据准备 为了使大模型能有效地生成测试用例,在实际操作前需准备好充分的数据资源作为训练基础。这包括但不限于已有的测试脚本、功能需求文档以及过往项目的缺陷报告等资料。这些材料可以为机器学习算法提供必要的上下文信息和支持,从而帮助构建更加精准有效的测试场景模拟环境[^1]。 #### 测试框架搭建 当数据准备工作完成后,则需要建立一个适合自动化的测试执行平台。该平台应该具备良好的扩展性和灵活性以便适应不同的应用场景和技术栈变化;同时也要支持多种编程语言接口调用方式以方便后续维护升级工作开展。此外,考虑到性能因素的影响,建议优先选用那些经过社区验证成熟稳定的开源项目来进行二次开发定制化改造。 #### 自动化流程设计 最后也是最重要的一环就是定义清晰合理的自动化流水线机制。具体来说就是在每次代码提交触发CI/CD管道运行之后立即启动由AI驱动的新一轮回归测试计划编制活动——即让预训练好的LLM根据最新版本的应用特性自动生成一批新的或者更新现有的一些关键路径上的单元级乃至端到端级别的检验项清单,并将其无缝融入既定的任务调度序列当中去执行验证任务。 ```python import langchain as lc def generate_test_cases(model, input_data): """ 使用给定的大规模语言模型生成测试用例 参数: model (LangChainModel): 预先加载并配置完成的语言模型实例 input_data (str or list of str): 输入提示文本或列表形式的功能描述 返回值: dict: 包含所生成的各个类别下的测试用例集合 """ test_case_templates = { 'positive': [], 'negative': [] } for item in input_data: response = model.generate(item) positive_tests, negative_tests = parse_response(response) test_case_templates['positive'].extend(positive_tests) test_case_templates['negative'].extend(negative_tests) return test_case_templates # 假设这里有一个已经初始化完毕的langchain模型对象叫做'my_model' input_specifications = ["用户登录模块", "支付网关交互"] generated_cases = generate_test_cases(my_model, input_specifications) print(generated_cases) ```
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值