智能测试用例生成：老旧平台页面查询功能的大模型改造

引言

由于GUI小工具【Deepseek API+Python 测试用例一键生成与导出】的不断升级实践，发现大模型的需求文档解析生成测试用例的可直接复用率不太理想，因此萌生了对老旧系统升级改造的想法。旧测试用例生成平台主要在于采集用户输入的字段名称、字段类型及具体的值静态规则和有限的自动化脚本进行用例生成，具有相当的局限性。然而，随着人工智能技术的发展，特别是大语言模型的应用，我们有机会革新这一过程，使测试用例的生成更加智能、高效且准确。本文将详细介绍如何通过阿里云百炼deepseek-r1接口对老旧测试平台的页面查询功能进行智能化升级，从而提升测试效率和质量。由于GUI小工具的不断升级实践，对用例生成平台也进行同步升级改造。

GUI小工具：
Deepseek API+Python 测试用例一键生成与导出 V1.0.6（加入分块策略，返回更完整可靠）

老旧平台：
测试用例生成平台，源码分享

首先简要介绍一下Django项目的启动。

启动Django项目

完成上述步骤后，你可以按照如下步骤启动你的Django项目：

1. 进入项目目录

   切换到包含manage.py文件的项目根目录：

   cd myproject

2. 启动Django开发服务器

   使用以下命令启动Django的内置开发服务器：

   python manage.py runserver

项目背景与目标

在开始之前，让我们先了解一下项目的背景和目标。老旧测试平台通常依赖于静态规则和有限的自动化脚本，这限制了它们适应复杂业务逻辑变化的能力。我们的目标是利用AI的力量来动态生成测试用例，不仅能够覆盖基本的功能需求，还能应对各种异常情况和边界条件。

技术实现细节

函数 search_page_generate_case_by_ai

该函数作为整个智能测试用例生成的核心入口点，首先打印信息表示开始异步大模型用例生成的过程，并仅响应POST请求以确保从前端接收包含所需参数的数据包。

def search_page_generate_case_by_ai(request):
    print('开始进行异步大模型用例生成')
    if request.method == 'POST':
        # 收集用户输入的信息并准备数据

数据收集与准备

1.进入常用功能用例管理-->查询功能用例管理页面。

2.点击用例生成，选择系统，输入所属模块及页面名称，输入具体的查询字段及字段类型和枚举值。

{'字段名称': '品牌', '字段类型': '单选', '枚举值': '爱他美、美赞臣'}

从请求中提取系统名称、模块名称、前置条件等必要信息，并为后续处理做准备。此步骤包括获取项目详细信息及ID。

project = Project.objects.get(project_name=case_system)
project_id = project.id

3.构造提示词

generate_testcase_prompt 函数负责构造一个详细的提示词，用于指导大模型根据提供的系统名称、模块名称、页面名称以及参数列表来生成测试用例。这里定义了一系列测试方法及其描述、步骤和覆盖率标准，确保生成的测试用例能够覆盖各种情况。

method_library = {...}
desc_str = ''
method_list = ['等价类划分']
# 根据选择的方法构建描述字符串
for method in method_list:
    selected_method = method_library.get(method, method_library["正交分析法"])
    desc_str += f"""
使用{method}方法设计用例时要符合：{selected_method['desc']}
...
"""

提示词效果如下：

Role: 测试用例设计专家
Rules:
设计目标：

通过['等价类划分']实现：

用例数量：

尽可能多（不少于15条），若无法满足数量，以质量优先

系统名称: 测试系统1 

模块: 母婴用品>>婴儿用品 

页面名称: 奶粉 

具体功能: 页面查询功能 

用例设计需遵循：


使用等价类划分方法设计用例时要符合：将输入划分为有效/无效类，每个类选取代表值测试

关键步骤：
 1. 定义有效等价类
2. 定义无效等价类
3. 生成代表值
示例：
 [
    {
        "用例编号": "LOGIN-001",
        "用例标题": "登录功能 [有效等价类]",
        "前置条件": "用户已注册",
        "测试数据": {
            "用户名": "valid_user",
            "密码": "correct_password"
        },
        "操作步骤": [
            "1. 打开登录页面",
            "2. 输入用户名为valid_user",
            "3. 输入密码为correct_password",
            "4. 点击登录按钮"
        ],
        "预期结果": "登录成功，跳转到首页",
        "优先级": "P1"
    },
    {
        "用例编号": "LOGIN-002",
        "用例标题": "登录功能 [无效等价类]",
        "前置条件": "用户已注册",
        "测试数据": {
            "用户名": "invalid_user",
            "密码": "random_password"
        },
        "操作步骤": [
            "1. 打开登录页面",
            "2. 输入用户名为invalid_user",
            "3. 输入密码为random_password",
            "4. 点击登录按钮"
        ],
        "预期结果": "登录失败，提示用户名或密码错误",
        "优先级": "P1"
    }
] 

质量标准：
 - 每个等价类至少1个用例
 - 正向场景用例占比60%
 - 异常场景用例占比30%
 - 边界场景用例占比10%
 - 不要出现"A".repeat(300)这种数据，可以以输入300字符替换

参数：

字段名称：品牌;字段类型：单选;枚举值：爱他美、美赞臣 

输出要求：
1. 格式：结构化JSON
2. 字段：
   - 用例编号：<模块缩写>-<3位序号>
   - 用例标题：<测试目标> [正例/反例]
   - 前置条件：初始化状态描述
   - 测试数据：参数值的具体组合，若需要测试字符长度测试，直接指定需用户输入多少字符；参数不要自行幻想；
   - 操作步骤：带编号的明确步骤
   - 预期结果：可验证的断言
   - 优先级：P0(冒烟)/P1(核心)/P2(次要)
生成步骤：
1. 参数建模 → 2. 场景分析 → 3. 用例生成 → 4. 交叉校验

调用大模型API

调用大模型API是整个智能测试用例生成过程中最关键的一环，它直接决定了最终输出的测试用例的质量和适用性。这一部分将详细解析如何通过阿里云百炼deepseek-r1接口来实现智能化的测试用例生成。

初始化OpenAI客户端

在generate_cases函数中，我们首先需要初始化一个OpenAI客户端实例。这个实例用于与阿里云百炼deepseek-r1服务进行通信。这里需要注意的是，实际应用中需要替换为有效的API密钥，并根据实际情况调整基础URL。获取API-KEY可以参考：结合pageassist与阿里百炼api实现deepseek-r1联网搜索功能

client = OpenAI(
    api_key='sk-712a634dbaa7444d838d20b25eb938xx',  # 替换为你的API密钥
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"  # 根据需要调整
)

构建请求消息

为了向大模型发送请求，我们需要构造一条包含用户角色和内容的消息。这里的"内容"即是我们之前通过generate_testcase_prompt函数精心准备的提示词（prompt），它包含了所有必要的上下文信息，如系统名称、模块名称、页面名称、参数列表等。

messages=[
    {'role': 'user',
     'content': prompt_param}
]

发送请求并处理响应

接下来，我们使用client.chat.completions.create方法来发送请求。该方法接受一系列参数，包括模型名称（在这里使用的是deepseek-r1）、请求消息以及是否启用流式响应。

completion = client.chat.completions.create(
    model="deepseek-r1",  # 使用的模型名称
    messages=messages,
    stream=True,  # 启用流式响应
)

启用流式响应可以让我们实时接收来自大模型的输出，这对于长文本或复杂任务特别有用，因为它允许我们在接收到一部分结果时就开始处理，而不是等待整个过程完成。

处理流式响应

一旦请求被发送出去，我们将进入一个循环来处理返回的流式数据。每个数据块（chunk）都可能包含新的信息，我们需要对这些信息进行处理。

reasoning_content = ""  # 定义完整思考过程
answer_content = ""  # 定义完整回复
is_answering = False  # 判断是否结束思考过程并开始回复

for chunk in completion:
    if not chunk.choices:
        print("\nUsage:")
        print(chunk.usage)
    else:
        delta = chunk.choices[0].delta
        if hasattr(delta, 'reasoning_content') and delta.reasoning_content is not None:
            print(delta.reasoning_content, end='', flush=True)
            reasoning_content += delta.reasoning_content
        else:
            if delta.content != "" and not is_answering:
                print("\n" + "=" * 20 + "完整回复" + "=" * 20 + "\n")
                is_answering = True
            print(delta.content, end='', flush=True)
            answer_content += delta.content

在这个循环中，我们首先检查是否有可用的选择（choices）。如果存在，我们进一步检查是否存在推理内容（reasoning_content）。如果有，我们会将其添加到reasoning_content变量中；否则，我们认为这是大模型开始提供答案的标志，并将相应的内容追加到answer_content中。

结果整合

最后，经过处理的所有回答内容被整合在一起，形成最终的输出结果。这部分内容可以直接展示给用户，或者根据具体需求进一步处理。

return answer_content

通过上述步骤，我们能够有效地利用阿里云百炼deepseek-r1的强大能力，自动且智能地生成高质量的测试用例，大大提高了测试效率和准确性。这不仅减轻了测试工程师的工作负担，也为软件开发流程中的自动化测试提供了强有力的支持。

结果解析与展示

为了确保结果可以被正确地解析和展示，extract_json_objects 函数用于从大模型返回的结果中提取有效的JSON对象。

json_objects = []
matches = re.findall(r'```json\s*([\s\S]*?)```', text, re.DOTALL)
for match in matches:
    try:
        json_objects.append(json.loads(match))
    except json.JSONDecodeError as e:
        print(f"Error decoding JSON: {e}")
        print(match)
        continue
return json_objects

页面展示效果：

对预览的用例可以执行写入数据库操作。

结论

通过对老旧测试平台的页面查询功能进行智能化改造，我们不仅提高了测试用例生成的效率和准确性，还显著减轻了测试工程师的工作负担。这种基于AI的方法让测试变得更加科学和精确，同时也为未来的自动化测试执行和结果分析铺平了道路。随着更多高级特性的集成，我们可以期待看到软件测试领域发生更大的变革，进一步提升软件质量和用户体验。持续改造升级中，希望可以越做越好，欢迎大家一起沟通交流学习。