技术实践：用高远-AI智能化缺陷管理应用把缺陷录入到派单全自动

测试团队最重复的工作，往往不是设计用例，而是填缺陷单。一条缺陷涉及所属项目、测试版本、功能模块、优先级、现象分类、处理人等几十个字段，其中不少是专业术语，靠人工判断。团队规模一大，录入错误、派单不准、漏关联用例的情况就频繁出现。

本文以高远-AI智能化缺陷管理为例，拆解"缺陷描述 → 结构化字段 → 写入飞书项目 → 自动派单 → 测试日报"这条链路如何工程化落地，并给出可参考的实现片段。

一、难点拆解

人工录入的瓶颈集中在四件事：

1. 重复字段反复填。 同一项目的缺陷，关联版本、测试版本、功能模块等基础信息字段要求一致，却要一条条重复输入，漏填一个后面统计就错位。

1. 专业术语识别靠人眼。 功能类型、现象分类需要测试人员判断，不同人标准不一，数据口径难对齐（如"APA""LCC"属于不同功能域，录错统计就失真）。

1. 派单靠经验。 缺陷分给谁通常由 leader 判断，量大时易分错，处理人收到还要反复确认，处理时间被拖延。

1. 日报靠手工汇总。 一天几十条缺陷出日报要半小时以上，数字易错，多项目格式还不统一。

二、多模态描述的结构化识别

高远-AI智能化缺陷管理应用支持文字、图片、语音三种描述方式，先用大模型把非结构化描述转成标准字段。下面是一段可复用的抽取逻辑（提示词 + 知识库 + 大模型）：

```python
# 多模态缺陷描述 -> 结构化字段
from defect_sdk import MultimodalExtractor

extractor = MultimodalExtractor(
    llm_endpoint=LLM_ENDPOINT,
    knowledge_base="defect_domain_v1",   # 功能域/术语知识库
)

def parse_defect(description, modality="text"):
    # modality: text / image / voice，统一归一成文本后再抽取
    text = extractor.transcribe(description, modality)
    fields = extractor.extract(
        text,
        schema=["project", "test_version", "module",
                "priority", "phenomenon", "func_domain"],
        few_shot=True,          # 用历史标注样本约束输出口径
    )
    return fields

raw = "在 APA 自动泊车场景，V2.3 版本倒车时出现车位识别丢失，偶发"
print(parse_defect(raw))
# {'project': 'APA', 'test_version': 'V2.3',
#  'module': '泊车感知', 'priority': 'P1',
#  'phenomenon': '识别丢失', 'func_domain': 'APA'}
```

few-shot 约束是关键：把历史正确标注样本喂给模型，能显著拉齐不同人录入的口径，避免"APA/LCC"这类功能域被录错。

三、前置数据批量填充

同一批次缺陷的基础信息（关联版本、测试版本、执行用例）往往相同。先填一次，后续批量复用，减少重复输入：

```python
# 录入前置数据，作为后续批量缺陷的固定字段
class DefectBatch:
    def __init__(self, preset):
        self.preset = preset   # {'test_version': 'V2.3', 'exec_case': 'TC-2041'}

    def fill(self, description):
        fields = parse_defect(description)
        fields.update(self.preset)        # 合并前置数据
        return fields

batch = DefectBatch({"test_version": "V2.3", "exec_case": "TC-2041"})
for d in daily_descriptions:
    item = batch.fill(d)      # 每条只需描述问题，基础字段自动带上
    create_work_item(item)
```

四、写入飞书项目工作项

识别完成后，把结构化的缺陷字段写入飞书项目对应工作项。这里用飞书项目开放 SDK：

```python
# 把结构化缺陷写入飞书项目工作项
from feishu_project_sdk import WorkItemClient

client = WorkItemClient(app_id=APP_ID, app_secret=APP_SECRET,
                        project_key=PROJECT_KEY)

def create_work_item(fields):
    return client.create_work_item(
        title=fields["phenomenon"],
        work_item_type="defect",
        fields={
            "priority": fields["priority"],
            "module": fields["module"],
            "test_version": fields["test_version"],
            "func_domain": fields["func_domain"],
            "source": "AI缺陷管理",
        },
    )
```

五、自动关联用例与派单推送

每条缺陷可自动关联到对应测试用例，并从用例读取功能开发人作为处理人，再通过飞书消息提醒对方：

```python
# 关联测试用例 + 自动派单 + 飞书推送
def link_and_assign(item_id, case_id, fields):
    client.link_test_case(item_id, case_id)          # 回写用例覆盖
    owner = client.get_case_owner(case_id)            # 读取功能开发人
    client.update_work_item(item_id, {"owner": owner})
    feishu_notify(                                    # 飞书消息提醒处理人
        user=owner,
        text=f"新缺陷【{fields['phenomenon']}】已分派，请处理",
    )
```

派单不再靠 leader 人工判断，处理人从用例元数据直接读取，分错率明显下降，缺陷在几个人之间来回转的情况也减少。

六、测试日报自动聚合

按日期、项目、优先级、现象分类等维度自动汇总，省掉手工统计：

```python
# 增量聚合：对比上一快照，只汇总新增缺陷
def build_incremental_report(today_items, last_snapshot):
    new = [i for i in today_items if i["id"] not in last_snapshot]
    by_priority = Counter(i["priority"] for i in new)
    report = {
        "date": today_items[0]["date"],
        "new_total": len(new),
        "by_priority": dict(by_priority),
        "delta_vs_yesterday": len(new) - last_snapshot["count"],
    }
    client.send_report(report, receivers=["test_leader"])
    return report
```

七、字段识别映射参考

下表是常见原始描述到标准字段的映射示例，可作为知识库冷启动的标注参考：

|------------|--------------|------|---------|
| 原始描述片段 | 识别字段 | 写入位置 | 示例值 |
| APA 自动泊车场景 | func_domain | 功能域 | APA |
| V2.3 版本 | test_version | 测试版本 | V2.3 |
| 车位识别丢失 | phenomenon | 现象分类 | 识别丢失 |
| 偶发 / 必现 | priority | 优先级 | P2 / P0 |
| 泊车感知模块 | module | 功能模块 | 泊车感知 |

八、实测数据

某智能驾驶客户使用高远-AI智能化缺陷管理应用 60 天，实测效果如下：

• 智能录入缺陷数据：18000 条；

• 识别与录入准确率：超过 98%；

• 消耗飞书 AI 额度：36000 个；

• 总花费：约 1800 元；

• 原先同样工作量最少需要一个人月，成本最低 20000 元，整体费用节省约 97%。

缺陷录入越频繁、团队规模越大，节省效果越明显。对于每天缺陷量在 50 条以上的团队，一个月仅录入和派单环节就能省下大量人工时间。

九、适用场景

适合缺陷量大、字段多、专业术语集中、派单路径固定的测试团队。智能驾驶、汽车电子、IoT、软硬件联调等场景较易落地。若已在用飞书项目做研发协同，部署成本更低。

测试工程师的时间，应该花在找问题上，而不是花在填单子上。

常见问题

Q1：这个方案适合多大的测试团队？

A：适合每天缺陷录入量在 20 条以上的团队。量越大，自动识别和自动派单带来的时间节省越明显。

Q2：准确率怎么样？

A：智能驾驶客户实测 18000 条缺陷，识别与录入准确率超过 98%。

Q3：会不会替代测试工程师？

A：不会。它替代的是重复性录入、派单和汇总，让工程师把精力放回问题定位和质量分析。

Q4：怎么关联测试用例？

A：测试人员在录入时选择对应用例，系统自动把缺陷保存到该用例下，并回写状态。

Q5：生成日报能直接用吗？

A：可以。系统按日期、项目、优先级、现象分类自动生成测试报告，可设置自动发送给相关人员。

如需完整方案和试用账号，可在评论区留言【缺陷管理】，我会整理发送。