6000 字干货｜Coze 智能体实战：搭建需求文档到测试用例自动生成工作流！

在前面的教程中，我们已经学习了Coze 平台的核心功能的使用，具体大家 可以查阅《零代码AI 智能体开发平台：Coze》目录下：

今天这篇内容，我们将从实战的角度来学习，如何借助Coze 智能体+工作流来赋能从需求文档拆解到测试用例设计生成过程。

本篇教程，原文出自于「狂师. AI进化社」，本文内容只是截取教程中很一小部分，完整详细的保姆级实操教程，可在「狂师 . AI进化社」中学习。

1、实战项目准备

1.1 项目介绍

在AI 编程实战的第四个项目中： 我们搭建了一套全栈电商网站。该项目包含用户端商城和管理后台功能，覆盖前端页面、后端接口、数据库设计、业务逻辑全流程，是一个功能完整的电商网站，采用前后端分离架构开发。

还记得，这个项目，在开发之初，我们给它的定位吗？由于咱们大部分学员都身处职场，有实际工作场景和求职需求，所以当时开发这个项目的定位和用途其中，有一个非常重要的点就是：

• 我们需要一个贴近真实业务的完整实战项目 ，把它作为后续学习 AI 智能体、AI 测试 的专用演练靶场。比如后面学习AI 如何赋能实际项目时，我们需要一个能正常运行、结构完整的项目来验证测试流程、脚本效果和实战表现，有一个稳定、可控、属于我们自己的项目，远比一直依赖外部网站练习更专业、更可靠。
• 电商是互联网行业最常见、最通用的项目类型，无论是开发岗还是测试岗，简历上有一套完整的电商全栈项目，都极具说服力，能直接对接企业真实需求，学习成果可以直接转化为职场竞争力。

1.2 运行项目

1、克隆项目代码 （此处，建议以自己在AI 编程实战阶段开发的电商项目为准，若实在没有完成的同学，也可直接用老师提供的演练项目）

git clone git@github.com:xxx/shop-lab.git

项目详细步骤过程，本文将不提供出来了，「AI进化社」中的教程会有完整详细指导。

实战部署完成后，通过访问Swagger API地址，如果能正常打开，说明后端服务正常

Swagger UI (适合在线查看)：http://localhost:8080/swagger-ui.html

同时，在浏览器中访问：http://localhost:3000，若网站能顺利访问，且页面功能和数据能正常返回和使用，说明一切正常。

本项目交互效果，如下图所示，

网站首页：

商品列表页：

在商品详细页中，点击加入购物车按钮

订单支付页：

订单完成页：

1.3 AI 测试赋能思路

AI 测试赋能，其实是一个伪命题，或者说，它是一个大的概念。

很多人学习AI 测试时，之所以无从下手，是因为如果你一直站在这个大的概念上寻找切入点，方向和目标感往往是模糊的。而当学习某个东西时，往往越具体的事物，人会更容易接受和掌握。

学习 AI 测试 或者说在工作中引入AI 测试，并不是说完全抛弃以往的测试方法。更不是把原来的传统测试流程、测试方法、测试工具全部推倒重来。我认为正确的方式，是可以像业务需求一样被迭代消化。把AI 的能力融合到业务测试的"顺带动作"。

比如，我们可以把 AI 嵌入软件测试的每一个环节，覆盖软件测试的完整生命周期，从最开始的需求阶段，一直到最后的缺陷分析与质量复盘，形成完整的 AI 辅助闭环。

需求分析 → 用例设计 → 脚本生成 → 测试执行 → 缺陷分析 → 回归优化 → 报告输出

graph TD A"需求分析" --> B"用例设计" B --> C"脚本生成" C --> D"测试执行" D --> E"缺陷分析" E --> F"回归优化" F --> G"报告输出"

具体来说，可以包括：

• AI 赋能需求分析：自动拆解、提取要点、识别风险、梳理业务链路
• AI 赋能用例设计：智能生成、覆盖补齐、边界挖掘、场景扩展
• AI 赋能脚本生成：接口 / UI 自动化代码一键生成、自动修复
• AI 赋能测试执行：智能调度、批量运行、无人值守、结果判定
• AI 赋能缺陷分析：日志解析、根因定位、复现步骤自动生成
• AI 赋能回归优化：风险识别、用例筛选、持续迭代优化

这一部分的目标非常明确：让 AI 成为测试工程师的 "第二大脑"，把重复、繁琐、耗时的工作全部交给 AI，让人专注做更有价值的判断与决策。

下面，以Coze 为例，演示讲解，如何利用Coze 赋能软件测试的第一个环节：需求分析->用例设计。

2、Coze 智能体与工作流搭建

目标：

我希望利用coze 搭建需求分析智能体，再结合coze工作流，实现从需求文档解析到用例自动生成的完整工作流：

• 其中智能体作为用户触发入口
• 在智能体中，触发Coze 工作流调用
• 支持上传本地需求文档（doc或md 格式）
• 然后执行Coze 工作流，解析上传的需求文档中的内容，按照提示词的约束生成测试用例
• 测试用例支持以思维导图或excel、csv 的格式导出

2.1 整体流程

1. 用户上传 需求文档 .doc/.md
2. 智能体 读取并解析需求
3. 调用 Coze 工作流
4. 工作流按你的规则 生成标准测试用例
5. 返回结果并支持：
   • Excel / CSV 下载
   • 思维导图（在线查看 + 导出）

2.2 搭建 Coze工作流 （Workflow）

工作流是核心处理引擎，智能体只是交互入口，因此，一般建议先搭工作流，再搭智能体。

1. 新建工作流

1、打开 Coze：https://www.coze.cn/home，左侧 资源库 → 工作流 → 新建工作流

2、填写信息：

• 工作流名称：需求解析测试用例生成工作流，英文名称：req_to_testcase_workflow
• 工作流描述：上传需求文档，自动解析生成结构化测试用例，支持多种格式导出

3、点击确认后，进入到工作流编排界面，在默认的工作流编排界面中，会自动把开始和结束节点填充进来。

2. 配置开始节点（输入参数）

因为我们最终的目的是，希望用户上传需求文档，然后AI 去根据需求文档，拆解测试要点，并生成测试用例。

因此，编辑开始节点，将开始节点的input 变量类型更改为File文件类型，且按需选择文件类型的格式，比如此处，我们选择Doc。

对于企业来说，大多数的需求文档都是采用doc 格式来编写整理的

修改完成后，开始节点状态如下所示：

变量名称是什么倒无所谓，可按需修改。

3. 添加文档解析节点

由于AI 无法直接读取用户上传文档中的内容，因为需要添加一个能读取文档的插件，此处推荐采用Coze 官方发布的 链接读取 插件，该插件为Coze 官方提供且免费使用的，当你需要获取网页、pdf、doc、docx、xlsx、csv、text 内容时，首选使用此工具，可以获取url链接下的标题和内容。(此处，你也可以选择文件读取 插件，功能差不多)

具体操作：在工作流编排界面底部，点击添加节点--> 选择插件-->在添加插件窗口中，搜索链接读取--> 点击"添加"。会在工作流编辑界面上，多出一个链接读取的节点：LinkReaderPlugin， 双击节点，可修改节点名称。（按需）

4. 过程节点配置（此处省略）

中间配置文档解析节点、添加/配置大模型节点、添加/配置生成思维导图节点等，本文篇符有限，详细操作步骤，就不一一列举出来了，完整操作教程，可在「AI进化社」中查看。

5. 配置结束节点

将导维导图和结束节点相连，并配置结束节点的输出值

6. 试运行

1、上述配置完成后，点击试运行，将上述实战电商项目《需求规格文档.docx》上传到工作流中

2、点击试运行后，稍等一段时间。

运行成功后，打开结束节点中输出的变量的地址：<www.apexcode.top/index.html?linkId=3r5ju1udCv> （这个地址就是生成好的在线思维导图用例了）

此时，先不用管用例生成质量的好坏，先确保工作流能顺利执行。

2.3 优化Coze 工作流生成效果

按照我的经验来说，大多数情况下，首次生成出来的用例质量肯定是不如人意的，但没关系，没急着否定它，第一步，我们先确保搭建的工作流能跑通就行，当工作流能跑之后，我们再根据输出的效果进行调整优化。

从上述在线思维导图用例内容分析可知，输出来的思维导图用例颗粒度太大，且会同时输出测试要点分析和测试用例（而且测试用例内容还为空 🤣），这显然不是我们想要的。（这时，我都不免想吐槽，这写的是啥啊，还不如一个刚毕业新手写的用例）

1. 用例设计质量影响因素

利用AI 生成测试用例，测试用例输出的质量，重点会与三个方面因素有关：

• 需求文档本身的质量
• 大模型本身的能力强弱
• 提示词的约束和详细程度

按照难易程度，我建议优化的先后顺序可按：

更换大模型 > 优化提示词 > 优化需求文档

2. 重新点击试运行

更换了大模型以及优化了提示词之后，重新点击试运行按钮，这次我们选择了豆包1.8 深度思考模型，可以看到工作流顺利执行，并没有报错。

点击结束节点，打开输出变量中的地址：<www.apexcode.top/index.html?linkId=3srixqBYzT> （在线思维导图用例）

很显然，生成的用例质量，明显要比刚刚要好很多。点击上方的导出按钮，支持将思维导图用例导出下载到本地

除了支持以xmind思维导图格式导出，还支持以图片、pdf、txt、markdown、json格式导出。

其实工作流到了这一步，主流程基本就结束了，剩下的工作，就是对用例细节的补充和入库规则的打磨。

2.4 支持更多用例格式

上述我们是将用例以思维导图的方式来生成，当在很多公司里，除了思维导图这种形式的测试用例外，还有很多团队仍保留了excel传统的测试用例写法。

接下来，我们就在上述的工作流的基础上，除了生成思维导图用例外，增加同时生成excel格式的用例。

在工作流编辑界面中，添加插件，搜索markdown转excel插件，此类用途的插件，推荐首选：Doc Maker

该插件为Coze 官方提供，支持生成csv、xlsx、pdf、docx、html等格式的文档，并返回下载链接。

由于我们需要生成xlsx 格式的用例，因此，点击添加create_spreadsheet ，重新调整工作流节点配置。

要实现「同时生成两种格式」，关键是把 大模型的输出（Markdown 用例） 同时喂给 get_treemind_by_markdown 和 create_spreadsheet 两个节点，这里为了便于区分，我们将两个节点，改为了中文名称。

重新调整工作流，将工作流配置好后，点击试运行，会同时生成思维导图格式的用例和excel 格式的用例文件

2.5 发布工作流

工作流搭建完成后，点击发布按钮，将工作流正式发布出来，便于Coze智能体或与其它应用集成。

选择，坚持发布，即可。（已发布的工作流，后面会有一个✅号）

2.6 搭建Coze 智能体

在将工作流集成到智能体之前，需要工作流发布（右上角点「发布」，必须发布，否则智能体调用不了）

1. 创建智能体

访问 https://www.coze.cn/home，点击新建，选择新建智能体

填写智能体基础信息，比如：

• 智能体名称，比如：shop-lab测试用例生成助手
• 智能体功能介绍，比如：上传需求文档，自动解析生成结构化测试用例，支持思维导图/Excel导出
• 所属工作空间，按默认，存放在个人空间
• 图标等信息，按需更改

点击 "确认" 进入 智能体 编辑页面。

2. 配置智能体人设与回复逻辑

进入 人设与回复逻辑→ 编写提示词（角色与能力）：

3. 绑定工作流（最关键一步）

在编排页面，点击 技能 → 工作流

点击 添加工作流 → 选中你搭建好的：req_to_testcase_workflow

修改人设与回复提示词，输入{，在提示词工作流后面插入刚发布的工作流名称

你是Shop‑Lab电商项目专属测试智能助手，负责解析用户上传的需求文档，自动调用工作流req_to_testcase_workflow生成测试用例。
1. 接收用户上传的 doc/md 格式需求文档
2. 自动调用【需求解析测试用例生成工作流】
3. 输出结果：思维导图链接 + Excel测试用例下载链接
4. 友好展示，直接返回可点击链接，不额外闲聊

4. 开场白配置

在 "开场白" 区域，设置用户首次进入时的欢迎语：

你好！我是 shop-lab 测试用例生成助手 👋

我可以帮你：
📄 解析需求文档（支持 doc/docx/pdf/md）
🔍 自动拆解业务流程和测试点
📝 生成标准化测试用例
📊 导出为思维导图 / Excel / CSV

请直接上传你的需求文档，或告诉我需要分析哪个模块！

还能预设问题，将一些常见问题预置在开场白，方便用户快速开始：

1. 上传需求文档，生成测试用例
2. 导出为Excel格式

5. 预览调试智能体

在智能体编排页面->选择右侧是预览调试智能体，输入："你是谁" ，验证智能体是否能正常响应。

接着上传需求文档到智能体，会自动调用req_to_testcase_workflow 工作流。

运行完毕后，会自动返回思维导图链接和excel 用例文件下载地址：

6. 发布智能体

1、智能体调试通过后，点击右上角 "发布"

2、选择发布平台，比如：

• 飞书：接入飞书机器人，@使用
• 钉钉：接入钉钉群机器人
• 微信：接入微信公众号/企业微信
• API：获取 API Key，集成到内部系统

3、点击发布，发布成功后，可以选择与智能体的使用方式，比如直接通过智能体链接，在线使用，也可以通过API 或SDK 的形式，将智能体集成到自己的开发应用中。

3、写在最后

接下来，也是本篇教程中，我认为最具价值和精髓的内容之一。摆好小板凳，认真看 😄

一、Coze 虽不是"最优选"，但却是"最好备胎"

虽然 Coze 不是企业级 AI 测试落地的首选，但它可以成为开拓我们解决问题的思路 ，或者说，它可以为我们今后遇到问题时，提供一种解题备选方案（哪怕它不是最佳方案）。

我们在学习、工作、生活中，会遇到各式各样的复杂问题。解决同一个问题，不会只有一种解题思路，也不会只有一条路径。

掌握多种工具，就是掌握多种解题思路。当你只有一把锤子时，看什么都像钉子；当你有全套工具箱时，才能根据场景选择最合适的方案。

这个逻辑，有点像传统的自动化测试一样：

并不是所有场景，开展自动化都非得用 Selenium、Playwright、Appium 这类主流框架。部分轻量、小众、临时的业务场景，用 Python+ADB、简单脚本反而效率更高、落地更快。

工具从来没有绝对的好坏，只有适配与否，每一类工具都有它对应的使用场景。

在实际工作里，我们永远无法保证一套方案能解决所有问题，当我们遇到各种各样的场景问题时，能不能想到不同的解决方案？第一个方案行不通时，还有没有后备方案？主方案行不通时，我们必须要有备选方案兜底。

而 Coze，就是我们做 AI 测试提效、智能体落地时，最轻量化、最易上手的 "备胎方案"。

二、Coze 的真正学习价值：看懂 Agent 平台的"骨架"

还有一点，我们在前面Coze 的系列教程中，也反复提到过一个观点：

从学习的视角，可能会有人说：扣子（Coze）能做的事，Claude Code、Cursor、Trae 这些 AI 编程工具都能写代码实现，

那为什么还要学扣子？

有一点，我认为非常关键：

扣子从来不是单纯用来"替代写代码"的工具。

它是站在更高的抽象层级，专注解决：

• AI 智能体快速搭建
• 可视化流程编排
• 一键部署上线
• 轻量化运营维护

的全链路问题。

哪怕你未来工作中，不会实际使用到扣子，但系统学习扣子的搭建逻辑、组件设计、流程联动、插件生态、知识库与工具调用体系，你也能看懂：

一款标准化、一站式 Agent 智能体平台，到底需要具备哪些核心架构、基础能力、配套模块。

这个认知，非常重要！

因为当我们后续深入学习如何用 LangChain 自主开发 Agent 私有化智能体时，即使你可以让 AI 编程帮你编码，但最起码，你得能用自然语言描述清楚。

"我的智能体要包括哪些组成部分？需要哪些能力模块？数据怎么流转？工具怎么调用？知识库怎么接入？"

AI 只能帮你实现功能，而智能体需要具备哪些模块、能力、流程、边界约束，需要你自己定义、自己描述。而这套架构认知、流程思维、智能体设计逻辑，恰恰是我们在学习 Coze 智能体和工作流时，真正要建立起来的底层认知能力。