最近一直关注到 AI，比如最近比较火的 Harness，可以自由定义自己的 agent，想想就酷，我看还催生出了相关的行业岗位，大家打不过 AI 就加入 AI 吧。
生成测试用例时，即使设定了角色，有一些自定义的 skill，设定了能直接生成 XMind 文档，由于没有知识库，AI 本身的幻觉，文件生成的质量很差。
AI 就会自动扫代码、抓 wiki、逐阶段沉淀「领域知识 → 需求知识 → 测试策略 & 测试场景 → 用例」，最终产出：
可以，我帮你整理成一版**更适合汇报 / 面试 / PPT 口述**的表达。你这段内容本身已经很好了，我主要帮你做了三件事：
-
结构更清晰
-
表达更专业统一
-
更突出"AI 提效 + 工程化闭环"的价值
一版精炼总述
围绕"**从需求到用例集**"这一主线，这个工具并不是简单调用大模型生成测试用例，而是将**代码扫描、需求理解、策略设计、用例生成、人工审阅和平台导入**串成了一套完整的 AI 测试用例生产流水线。
整体上，工具提供 **5 类核心能力 + 3 类附加能力**，核心目标是实现：
-
需求理解更结构化
-
用例设计更系统化
-
产物输出更标准化
-
审阅导入更自动化
-
知识沉淀更可复用
5 类核心能力
能力 1：代码到领域知识沉淀
这一层主要解决"AI 对业务上下文不了解"的问题。
工具会先扫描被测服务代码，沉淀领域知识，形成后续需求分析和用例设计的业务基线。
具体包括：
-
**扫描机制**：基于白名单和黑名单双层过滤，只保留有价值的业务代码和文档，过滤测试目录、无关文件等噪音
-
**结构化抽取**：从代码中提炼出
-
领域概念 `concepts`
-
状态机 `stateMachines`
-
主流程 `mainFlows`
-
关键规则 `keyRules`
-
数据模型 `dataModels`
-
接口信息 `endpoints`
-
**增量识别**：结合 `git log --since=<baseline>` 和文件 `mtime` 双依据识别变更，避免每次全量扫描
-
**知识回传**：审阅通过后自动 `git push` 到团队工具仓，支持跨需求、跨项目复用
这一能力的价值在于：
**先建立业务领域认知，再做需求理解和用例生成，减少模型"无上下文发挥"的风险。**
能力 2：需求到结构化知识
这一层主要解决"需求文档是自然语言，测试设计依赖人工拆解"的问题。
工具会把 wiki 或用户输入的需求，转成结构化测试知识。
具体包括：
-
**需求抓取**：支持 Confluence wiki 抓取，基于 Cookie 认证；也支持用户直接粘贴需求正文作为兜底
-
**结构化抽取**：由 LLM 从自然语言中提炼出
-
主流程 `mainFlows`
-
关键规则 `keyRules`
-
字段枚举 `fieldEnums`
-
业务风险 `risks`
-
待定问题 `openQuestions`
-
**可追溯设计**：每条规则都挂 `sourceRefs`，能够回溯到 wiki 原始段落
-
**差异化输出**：与已有领域知识重复的内容不重复写，只保留需求增量部分，减少上下文冗余
这一能力的价值在于：
**把"看需求、拆逻辑、补风险点"从经验驱动转成结构化沉淀。**
能力 3：策略到场景到用例矩阵
这一层主要解决"AI 出用例容易发散失控、不成体系"的问题。
工具不是直接跳到测试用例，而是先产出测试策略和测试场景，再生成用例矩阵。
具体包括：
-
**一次推理产两份结果**：`strategy.md` 和 `scenarios.md` 同一次推理产出，避免多轮生成导致前后不一致
-
**显式编码测试方法学**：内置并约束使用以下方法
-
等价类划分
-
边界值分析
-
判定表
-
状态迁移
-
正交法
-
错误推测
-
场景法
-
**防止场景爆炸**：对同后果的多变体强制合并到 `testData`，避免全排列、全路径式膨胀
-
**风险分层**：按 `P0 / P1 / P2` 分级，并对
-
资损
-
合规
-
隐私
-
口碑
-
稳定性
这 5 类 `riskTags` 做重点升级
这一能力的价值在于：
**让 AI 生成用例不只是"发散列点"，而是遵循测试设计方法论，形成可控、可解释的场景体系。**
能力 4：用例到多形态产物
这一层主要解决"AI 生成内容格式不统一、难以落地"的问题。
工具把用例统一沉淀为标准结构，再自动派生多种交付形态。
具体包括：
-
**单一权威源**：LLM 只生成 `cases.json`，作为唯一权威数据源
-
**多形态派生**：
-
`cases.md` 用于评审和阅读
-
`.xmind` 用于脑图展示
-
**XMind 合规导出**：自动补齐 `META-INF/manifest.xml`，确保生成文件可被 XMind 8 / Pro 正常打开
-
**Schema 强校验**：采用 14 字段严格校验，任何关键字段缺失都拒绝落盘
-
**内容硬约束**：强制覆盖以下关键测试点
-
Loading 态
-
精确文案
-
竞态说明
-
降级触发
这一能力的价值在于：
**把 LLM 输出从"文本结果"升级成可评审、可导入、可复用的标准测试资产。**
能力 5：用例到 Case 平台一键导入
这一层主要解决"AI 出了用例，但还要人工搬运到平台"的问题。
工具支持将结构化用例自动导入 Case 平台，打通最后一公里。
具体包括：
-
**零手工导入**：自动新建用例集，并通过一次接口调用完成全部用例下发
-
**项目智能匹配**：按"精确匹配 > 前缀匹配 > 子串匹配"三层规则匹配目标项目，唯一命中直接使用
-
**平台数据结构适配**：由 CLI 使用 Python 组装 KityMinder 所需 `brainJson`，而不是让 LLM 手写 `curl/jq`
-
**审计留痕**：完整保留 `payload` 和 `response`，导入失败可直接回溯和重放
这一能力的价值在于：
**真正实现从测试设计到平台落地的自动闭环，而不是停留在文档层。**
3 类附加能力
1. 任务恢复
通过 `state.json` 记录当前阶段，任务中断后可以从任意阶段继续执行，保证流程可恢复、可续跑。
2. 知识沉淀
审阅通过的领域知识和需求知识会自动同步到团队工具仓，逐步形成共享知识库，支持后续复用。
3. 诊断自检
提供 `doctor` 命令，一键检查：
-
6 个 SKILL 是否安装到位
-
CLI 是否可执行
-
Cookie / 环境变量是否配置完整
-
当前运行环境是否健康
一版适合面试/汇报的收口话术
你可以直接这样说：
**这个工具本质上是一套 AI 驱动的测试用例生产流水线。它不是简单让模型生成几条 case，而是把代码扫描、需求结构化、测试策略设计、场景生成、用例标准化输出、人工审阅和平台导入串成完整闭环。它的核心价值，一方面是提升测试设计效率，另一方面是通过结构化产物、Schema 校验、STOP 审阅和知识沉淀机制，把 AI 生成过程变得可控、可追溯、可复用。**