链载Ai

标题: 8分钟打造一个DeepSeek生成测试用例系统知识库 [打印本页]

作者: 链载Ai 时间: 4 小时前
标题: 8分钟打造一个DeepSeek生成测试用例系统知识库

ingFang SC", -apple-system, BlinkMacSystemFont, "Segoe UI", Roboto, Ubuntu, "Helvetica Neue", Helvetica, Arial, "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", "Source Han Sans CN", sans-serif;vertical-align: baseline;color: rgba(0, 0, 0, 0.9);letter-spacing: normal;orphans: 2;text-align: start;text-indent: 0px;text-transform: none;widows: 2;word-spacing: 0px;-webkit-text-stroke-width: 0px;white-space: normal;background-color: rgb(252, 252, 252);text-decoration-thickness: initial;text-decoration-style: initial;text-decoration-color: initial;">一、背景与系统定位

ingFang SC", -apple-system, BlinkMacSystemFont, "Segoe UI", Roboto, Ubuntu, "Helvetica Neue", Helvetica, Arial, "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", "Source Han Sans CN", sans-serif;font-optical-sizing: inherit;font-size-adjust: inherit;font-kerning: inherit;font-feature-settings: inherit;font-variation-settings: inherit;vertical-align: baseline;word-break: break-word;overflow-wrap: break-word;color: rgba(0, 0, 0, 0.9);letter-spacing: normal;orphans: 2;text-align: start;text-indent: 0px;text-transform: none;widows: 2;word-spacing: 0px;-webkit-text-stroke-width: 0px;white-space: normal;background-color: rgb(252, 252, 252);text-decoration-thickness: initial;text-decoration-style: initial;text-decoration-color: initial;">之前分享过两篇8分钟系列DeepSeek赋能软件测试的文章，吸引了很多志同道合的同学们的讨论，基于前面的文章，我们已构建了基础测试用例生成能力。今天主要聊一下知识库。

8分钟打造一个DeepSeek加持的测试用例工具
北极星学派，公众号：北极星学派 Polaris School8分钟打造一个DeepSeek加持的测试用例工具

8分钟打造一个DeepSeek API智能测试引擎：当咖啡还没凉，测试报告已出炉
北极星学派，公众号：北极星学派 Polaris School8分钟打造一个DeepSeek API智能测试引擎：当咖啡还没凉，测试报告已出炉

ingFang SC", -apple-system, BlinkMacSystemFont, "Segoe UI", Roboto, Ubuntu, "Helvetica Neue", Helvetica, Arial, "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", "Source Han Sans CN", sans-serif;font-optical-sizing: inherit;font-size-adjust: inherit;font-kerning: inherit;font-feature-settings: inherit;font-variation-settings: inherit;vertical-align: baseline;word-break: break-word;overflow-wrap: break-word;color: rgba(0, 0, 0, 0.9);letter-spacing: normal;orphans: 2;text-align: start;text-indent: 0px;text-transform: none;widows: 2;word-spacing: 0px;-webkit-text-stroke-width: 0px;white-space: normal;background-color: rgb(252, 252, 252);text-decoration-thickness: initial;text-decoration-style: initial;text-decoration-color: initial;">本系统在此基础上引入知识库增强生成（RAG）技术，通过融合领域文档与历史用例数据，使生成结果更贴合业务场景。

ingFang SC", -apple-system, BlinkMacSystemFont, "Segoe UI", Roboto, Ubuntu, "Helvetica Neue", Helvetica, Arial, "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", "Source Han Sans CN", sans-serif;vertical-align: baseline;color: rgba(0, 0, 0, 0.9);letter-spacing: normal;orphans: 2;text-align: start;text-indent: 0px;text-transform: none;widows: 2;word-spacing: 0px;-webkit-text-stroke-width: 0px;white-space: normal;background-color: rgb(252, 252, 252);text-decoration-thickness: initial;text-decoration-style: initial;text-decoration-color: initial;">1.1 为什么需要知识库？

领域知识缺失
大模型无法记忆企业私有文档（如需求规格书、接口文档）
历史经验浪费
过往测试用例未被有效复用

ingFang SC", -apple-system, BlinkMacSystemFont, "Segoe UI", Roboto, Ubuntu, "Helvetica Neue", Helvetica, Arial, "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", "Source Han Sans CN", sans-serif;font-optical-sizing: inherit;font-size-adjust: inherit;font-kerning: inherit;font-feature-settings: inherit;font-variation-settings: inherit;vertical-align: baseline;word-break: break-word;overflow-wrap: break-word;color: rgba(0, 0, 0, 0.9);letter-spacing: normal;orphans: 2;text-align: start;text-indent: 0px;text-transform: none;widows: 2;word-spacing: 0px;-webkit-text-stroke-width: 0px;white-space: normal;background-color: rgb(252, 252, 252);text-decoration-thickness: initial;text-decoration-style: initial;text-decoration-color: initial;">本系统通过轻量化RAG架构（无需向量数据库）实现：

PDF文档智能解析 ➡️ 构建领域知识库
历史用例语义检索 ➡️ 形成经验复用机制
动态增强生成提示词 ➡️ 提升用例专业度

先看视频Demo

上传文档到知识库
第一次生成没选择使用知识库增强->设计的测试用例和手机号登录毫无关系
第二次选择使用知识库增强->设计的测试用例知道用手机号进行注册系统，并知道更多其他细节

ingFang SC", -apple-system, BlinkMacSystemFont, "Segoe UI", Roboto, Ubuntu, "Helvetica Neue", Helvetica, Arial, "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", "Source Han Sans CN", sans-serif;vertical-align: baseline;color: rgba(0, 0, 0, 0.9);letter-spacing: normal;orphans: 2;text-align: start;text-indent: 0px;text-transform: none;widows: 2;word-spacing: 0px;-webkit-text-stroke-width: 0px;white-space: normal;background-color: rgb(252, 252, 252);text-decoration-thickness: initial;text-decoration-style: initial;text-decoration-color: initial;">二、核心逻辑解析

ingFang SC", -apple-system, BlinkMacSystemFont, "Segoe UI", Roboto, Ubuntu, "Helvetica Neue", Helvetica, Arial, "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", "Source Han Sans CN", sans-serif;vertical-align: baseline;color: rgba(0, 0, 0, 0.9);letter-spacing: normal;orphans: 2;text-align: start;text-indent: 0px;text-transform: none;widows: 2;word-spacing: 0px;-webkit-text-stroke-width: 0px;white-space: normal;background-color: rgb(252, 252, 252);text-decoration-thickness: initial;text-decoration-style: initial;text-decoration-color: initial;">2.1 系统架构全景

ingFang SC", -apple-system, BlinkMacSystemFont, "Segoe UI", Roboto, Ubuntu, "Helvetica Neue", Helvetica, Arial, "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", "Source Han Sans CN", sans-serif;vertical-align: baseline;color: rgba(0, 0, 0, 0.9);letter-spacing: normal;orphans: 2;text-align: start;text-indent: 0px;text-transform: none;widows: 2;word-spacing: 0px;-webkit-text-stroke-width: 0px;white-space: normal;background-color: rgb(252, 252, 252);text-decoration-thickness: initial;text-decoration-style: initial;text-decoration-color: initial;">2.2 关键技术点说明

2.2.1 知识库构建模块

defprocess_pdf(uploaded_file):
 # PDF分页提取文本
  pdf_reader=PyPDF2.PdfReader(filepath)
 # 智能分段规则，略简单粗暴
  paragraphs=re.split(r'\n\s*\n',text)
 # 结构化存储
  segments.append({
   'segment_id':f"{filename}_{page_num}_{i}",
   'document_name':uploaded_file.name,
   'page_num':page_num+1,
   'content':paragraph
 })

创新点：

采用唯一段落ID
按自然段落分割，保留上下文语义
过滤无效短文本（<20字符）

2.2.2 增强检索引擎

deffind_similar_cases(new_req,df,top_k=3):
 # TF-IDF向量化
  vectorizer=TfidfVectorizer()
  tfidf_matrix=vectorizer.fit_transform(...)
 # 余弦相似度计算
  similarity=cosine_similarity(tfidf_matrix[-1],tfidf_matrix[:-1])
 returntop_indices

设计考量：

相比BM25算法更易实现
计算效率：O(n)复杂度，千级数据实时响应
结果可解释性强，适合调试

2.2.3 动态提示词工程

system_prompt=f"""参考知识：
文档《{item['document']}》第{item['page']}页：{item['content']}
历史用例{idx+1}:{case}
生成要求：
1. JSON数组格式...
"""

增强策略：

知识片段截断处理（单段≤512字符）
优先级排序：领域知识 > 历史用例
格式强约束（JSON Schema注入）

三、关键技术选型解析

3.1 什么是RAG？

检索增强生成（Retrieval-Augmented Generation）通过以下流程提升生成质量：

用户问题→知识检索→提示词增强→大模型生成→结果输出

与传统生成的区别：

知识实时性
无需重新训练模型
数据安全性
敏感信息不离域
结果可控性
通过检索结果引导生成方向

3.2 为什么不用向量数据库？

尽管向量数据库（如ChromaDB）在RAG中广泛应用，但本系统选择TF-IDF+CSV文件存储方案，原因包括：

维度	向量数据库方案	本系统方案
部署复杂度	需单独部署服务	零依赖，单文件运行
硬件要求	需要GPU加速	CPU即可运行
数据规模	适合百万级数据	千级文档最优
可维护性	需要专业DBA	直接修改CSV文件
学习成本	需掌握查询语法	开发者无需新知识

适合场景：

中小团队快速验证RAG价值
领域文档更新频率较低（周级）
测试数据规模<10万条

四、快速部署指南

4.1 环境准备

4.1.1 安装Python包

# 核心依赖
pipinstallstreamlit pandas requests sklearn
# PDF处理
pipinstallPyPDF2 pdfminer.six
# JSON修复
pipinstalljson_repair

4.1.2 获取API密钥

访问任何一个大模型提供商处注册账号，本文采用腾讯云
创建应用 → 获取sk-xxxx格式密钥

在代码中替换：

headers={"Authorization":"Bearersk-xxxx"}

4.2 系统启动

# 首次运行自动创建知识库目录
mkdir-p temp

# 启动Web服务
streamlit run testcase_generator.py

4.3 功能验证流程

上传领域文档：

进入"知识库管理"页
上传PDF格式需求文档/接口文档
查看处理后的知识段落
生成增强用例：

 需求示例：
  用户管理模块，包括用户注册和登陆等

勾选"使用知识库增强"
查看生成的边界值测试用例

结果导出：

pythonpd.DataFrame(new_cases).to_excel("output.xlsx")

直接复制JSON用例
通过Pandas导出Excel：

五、性能优化建议（有精力有能力的动手爱好者们可以继续优化）

5.1 知识库分级存储

# knowledge_segments.csv新增字段
knowledge_df['category']="需求文档"# 需求文档|接口规范|测试报告
knowledge_df['importance']=5   # 1-5分级

检索时优先高等级知识片段

5.2 缓存机制

fromfunctoolsimportlru_cache

@lru_cache(maxsize=100)
defload_cases():
 # 缓存历史用例加载

5.3 异步处理

importasyncio

asyncdefasync_generate_cases():
 # 非阻塞生成

六、扩展方向

多模态支持：解析图片中的需求文档（OCR技术）
自动化评审：添加用例质量评分模型
CI/CD集成：与Jenkins/GitLab对接自动触发

欢迎光临链载Ai (https://www.lianzai.com/)

链载Ai

2.2.2 增强检索引擎
`deffind_similar_cases(new_req,df,top_k=3): # TF-IDF向量化 vectorizer=TfidfVectorizer() tfidf_matrix=vectorizer.fit_transform(...) # 余弦相似度计算 similarity=cosine_similarity(tfidf_matrix[-1],tfidf_matrix[:-1]) returntop_indices`

2.2.3 动态提示词工程
`system_prompt=f"""参考知识：文档《{item['document']}》第{item['page']}页：{item['content']} 历史用例{idx+1}:{case} 生成要求： 1. JSON数组格式... """`

三、关键技术选型解析

3.1 什么是RAG？

3.2 为什么不用向量数据库？

四、快速部署指南

4.1 环境准备

4.1.1 安装Python包
`# 核心依赖 pipinstallstreamlit pandas requests sklearn # PDF处理 pipinstallPyPDF2 pdfminer.six # JSON修复 pipinstalljson_repair`

4.1.2 获取API密钥

4.2 系统启动
`# 首次运行自动创建知识库目录 mkdir-p temp # 启动Web服务 streamlit run testcase_generator.py`

4.3 功能验证流程

五、性能优化建议（有精力有能力的动手爱好者们可以继续优化）

5.1 知识库分级存储
`# knowledge_segments.csv新增字段 knowledge_df['category']="需求文档"# 需求文档|接口规范|测试报告 knowledge_df['importance']=5 # 1-5分级`

5.2 缓存机制
`fromfunctoolsimportlru_cache @lru_cache(maxsize=100) defload_cases(): # 缓存历史用例加载`

5.3 异步处理
`importasyncio asyncdefasync_generate_cases(): # 非阻塞生成`

六、扩展方向

链载Ai

2.2.2 增强检索引擎deffind_similar_cases(new_req,df,top_k=3): # TF-IDF向量化 vectorizer=TfidfVectorizer() tfidf_matrix=vectorizer.fit_transform(...) # 余弦相似度计算 similarity=cosine_similarity(tfidf_matrix[-1],tfidf_matrix[:-1]) returntop_indices

2.2.3 动态提示词工程system_prompt=f"""参考知识：文档《{item['document']}》第{item['page']}页：{item['content']}历史用例{idx+1}:{case}生成要求：1. JSON数组格式..."""

三、关键技术选型解析

3.1 什么是RAG？

3.2 为什么不用向量数据库？

四、快速部署指南

4.1 环境准备

4.1.1 安装Python包# 核心依赖pipinstallstreamlit pandas requests sklearn# PDF处理pipinstallPyPDF2 pdfminer.six# JSON修复pipinstalljson_repair

4.1.2 获取API密钥

4.2 系统启动# 首次运行自动创建知识库目录mkdir-p temp# 启动Web服务streamlit run testcase_generator.py

4.3 功能验证流程

五、性能优化建议（有精力有能力的动手爱好者们可以继续优化）

5.1 知识库分级存储# knowledge_segments.csv新增字段knowledge_df['category']="需求文档"# 需求文档|接口规范|测试报告knowledge_df['importance']=5 # 1-5分级

5.2 缓存机制fromfunctoolsimportlru_cache@lru_cache(maxsize=100)defload_cases(): # 缓存历史用例加载

5.3 异步处理importasyncioasyncdefasync_generate_cases(): # 非阻塞生成

六、扩展方向

2.2.2 增强检索引擎
`deffind_similar_cases(new_req,df,top_k=3): # TF-IDF向量化 vectorizer=TfidfVectorizer() tfidf_matrix=vectorizer.fit_transform(...) # 余弦相似度计算 similarity=cosine_similarity(tfidf_matrix[-1],tfidf_matrix[:-1]) returntop_indices`

2.2.3 动态提示词工程
`system_prompt=f"""参考知识：文档《{item['document']}》第{item['page']}页：{item['content']} 历史用例{idx+1}:{case} 生成要求： 1. JSON数组格式... """`

4.1.1 安装Python包
`# 核心依赖 pipinstallstreamlit pandas requests sklearn # PDF处理 pipinstallPyPDF2 pdfminer.six # JSON修复 pipinstalljson_repair`

4.2 系统启动
`# 首次运行自动创建知识库目录 mkdir-p temp # 启动Web服务 streamlit run testcase_generator.py`

5.1 知识库分级存储
`# knowledge_segments.csv新增字段 knowledge_df['category']="需求文档"# 需求文档|接口规范|测试报告 knowledge_df['importance']=5 # 1-5分级`

5.2 缓存机制
`fromfunctoolsimportlru_cache @lru_cache(maxsize=100) defload_cases(): # 缓存历史用例加载`

5.3 异步处理
`importasyncio asyncdefasync_generate_cases(): # 非阻塞生成`