使用DeepSeek Function Calling构建智能测试助手 - 链载Ai

引言：当AI遇见测试自动化

随着大语言模型（LLM）技术的突破性进展，特别是其中函数调用（Function Calling）能力的出现，软件测试这一传统而关键的软件开发环节，正逐步迎来AI化的变革与挑战。本文将探讨如何有效利用大语言模型的函数调用能力，构建智能化、高效能的测试助手。

function_calling技术解析

什么是function_calling

function_calliing是大语言模型根据用户请求智能选择并调用预定义函数的能力。模型通过理解自然语言指令，自动匹配对应的函数模板并生成结构化参数。

# 传统测试参数定义示例
test_case = {
 "api":"/user/login",
 "method":"OST",
 "params": {"username":"test","password":"123456"}
}

# 函数调用参数定义示例
tools = [
  {
   "type":"function",
   "function": {
     "name":"execute_api_job",
     "description":"执行接口测试任务",
     "parameters": {
       "type":"object",
       "properties": {
         "location": {
           "type":"string",
           "description":"任务名称，例如：用户中心测试任务",
          }
        },
       "required": ["job"]
      },
    }
  }
]

技术优势对比

传统方式	函数调用方式
人工维护测试用例	自动生成测试逻辑
固定参数组合	动态参数生成
单一断言策略	智能断言机制
线性执行流程	自适应测试路径

实现方式

定义函数

我们需要将我们要通过大模型调用的函数定义好：

tools = [
  {
   "type":"function",
   "function": {
     "name":"execute_api_job",
     "description":"执行接口测试任务",
     "parameters": {
       "type":"object",
       "properties": {
         "location": {
           "type":"string",
           "description":"任务名称，例如：用户中心测试任务",
          }
        },
       "required": ["job"]
      },
    }
  },
  {
   "type":"function",
   "function": {
     "name":"get_report",
     "description":"查询测试报告",
     "parameters": {
       "type":"object",
       "properties": {
         "location": {
           "type":"string",
           "description":"任务名称：例如：消息中心测试任务",
          }
        },
       "required": ["job"]
      },
    }
  },
{
   "type":"function",
   "function": {
     "name":"analysis_report",
     "description":"分析测试报告数据",
     "parameters": {
       "type":"object",
       "properties": {
         "location": {
           "type":"string",
           "description":"任务名称，例如：订单中心任务",
          }
        },
       "required": ["job"]
      },
    }
  }
]

实现函数

具体实现内容，根据自己项目来定义，这里提供简单的demo

defexecute_api_job(job):
 """模拟执行测试任务"""
 returnf"已经开始执行测试任务：{job}"


defget_report(job):
 """模拟获取测试报告"""
 returnf"查看{job}的测试报告，请点击https://www.baidu.com"


defanalysis_report(job):
 """模拟分析测试数据"""
 # 获取报告数据
  report = get_data(job)
 # 将测试数据发送给AI大模型进行分析
  response = send_messages(f"分析测试任务数据：{report}")
 returnf'测试结果分析：\n{response}'

调用大模型

importjson
fromopenaiimportOpenAI


defsend_messages(messages):
  msg = [{"role":"user","content": messages}]
  response = client.chat.completions.create(
    model="deepseek-chat",
    messages=msg,
    tools=tools
  )
  mess = response.choices[0].message
 ifmess.tool_calls:
    tool = mess.tool_calls[0]
    function_name = tool.function.name
    arguments = json.loads(tool.function.arguments)

   # 调用函数
   iffunction_name =='execute_api_job':
      function_response = execute_api_job(arguments.get("location"))
   eliffunction_name =='get_report':
      function_response = get_report(arguments.get("location"))
   eliffunction_name =='analysis_report':
      function_response = analysis_report(arguments.get('location'))
   else:
     returnresponse.choices[0].message
   returnfunction_response
 else:
   returnresponse.choices[0].message


client = OpenAI(
  api_key="your_api_key",
  base_url="https://api.deepseek.com",
)

执行

# 测试示例
if__name__ =="__main__":

 whileTrue:
    user_input = input("用户输入：")
   ifuser_input.lower() =='exit':
     break
    response = send_messages(user_input)
    print("助手回复：", response)
    print("\n"+"="*50+"\n")

执行结果展示：