AI生成功能設計用例
一、AI背景
人工智能生成內容（AIGC，AI-Generated Content）技術的快速發展正在改變內容生產的方式，并逐漸滲透到各個行業，例如：在自媒體平臺自動編寫文案并發布，快速分析數據，寫小說，畫漫畫等。強大的文本生成能力已經實現了生產力超過生產資料，提供了更加高效的生產力，將AI引入到工作中成為發展的方向。
目前公司編寫測試用例為人工編寫，存在手工編寫用例的普遍痛點，例如：重新編寫，費時費力，邊界遺漏，兼容遺漏等。AI擁有自動生成文本并快速整合的能力，以AI輔助功能用例編寫成為推動行業創新和效率提升的關鍵點。
AI編寫用例的優點：
※ 效率提升
AI可以快速生成大量測試用例，顯著減少人工編寫所需的時間，提升整體測試效率。
※ 測試覆蓋提升
AI能夠自動識別潛在的測試場景和邊界條件，從而提高測試覆蓋率，確保更全面的檢測。
※ 一致性和準確性提升
AI生成測試用例具有較高的一致性和易理解性，減少人為錯誤，增強測試的可靠性和準確性。
AI熱詞：
圖片
二、設計方案
本部分介紹使用AI編寫測試用例的的設計方案，包括使用流程和架構圖。
AI編寫用例流程圖：
圖片
AI編寫用例架構圖：
圖片
三、設計核心介紹
本部分介紹如何使用AI輔助生成功能用例，詳細講解了從PRD文檔->測試點->測試用例->Xmind用例->使用采納，整條鏈路的核心設計與實現。
PRD文件解析器
平臺支持飛書PRD文檔中文本、多維表格、電子表格內容的解析，暫不支持對圖片、流程圖解析。文檔讀取分為6個步驟，分別為：獲取飛書token、獲取用戶token、獲取文件block列表、Table表格解析、電子表格解析、解析結果組裝。以下主要介紹解析部分內容：
結構組成設計：
圖片
實現方案詳情
※ 飛書文檔讀取
圖片
圖片
※ Table的提取與sheet表格的提取
- Table提取：提取表格過程中需要將表格相關的塊與子塊關聯綁定，遞歸解析所有的數據。并根據第一行各字段的長度<20做是否為表頭判定，默認第一行為表頭信息。
- sheet提取：在飛書表格提取過程中需要使用多個遞歸，分別獲取表格所有內容與元素
圖片
※ AI解析PRD文檔：
- PRD解析：通過與AI交互將文本內容解析為：需求關鍵字、測試背景、測試需求詳情三部分，并按照特定字段將數據存儲。
- 結構設計：
PRD解析結構設計
圖片
核心代碼邏輯：
圖片
※ 獲取關聯測試需求業務背景：
- 根據PRD解析關鍵字信息匹配最相關的測試用例模塊，使用向量和關鍵字雙權重對RAG模塊做測試用例提取：
- keyword_weight:0.3
- vector_weight:0.7
- 同時設置AI模型準確度為0.85
- 匹配過程中分別針對不同的關鍵字，從RAG數據中提取熱度最高的3個測試模塊，合并后提取所有模塊中熱度最高的三個模塊作為業務歷史背景。
- RAG提取架構設計
圖片
- 核心代碼邏輯
圖片
模型設計
圖片
測試點生成器
測試點生成器為AI生成用例的核心，實現PRD到測試點的轉換。生成過程中結合需求背景、關鍵字、需求詳情、業務背景、測試分析等信息作為業務背景，以更準確的生成測試用例。核心結構如下：
結構組成設計
圖片
實現方案詳情
圖片
圖片
模型設計
圖片
測試用例生成器
測試用例生成器為AI用例生成器，負責將AI測試點轉換為Xmind測試用例，主要實現兩個功能，第一步將AI測試點轉換為markdown結構的測試用例，包括用例名稱、前置條件、執行步驟、期望結果等。第二部負責將第一步測試用例轉換為Xmind結構。
實現方案詳情
※ 測試點解析生成markdown格式用例：
生成markdown格式用例：
圖片
解析結果
※ AI markdown格式轉換為Xmind結構用例
轉換Xmind結構：
圖片
生成結果
圖片
模型設計
圖片
知識庫搭建
LLM大模型有通用的推薦能力，針對公司業務場景是無法準確識別相關功能的，針對“最后一公里”問題，平臺使用搭建測試用例知識庫的方式，以提升推薦準確度。
平臺會以歷史測試用例與業務需求文檔作為歷史業務背景。在推薦功能用例過程中自動匹配歷史業務背景，以提升推薦準確度。
知識庫搭建
※ 知識庫涉及范圍
圖片
※ 實現方案詳情
- Xmind測試用例轉換知識庫
圖片
- 業務文檔轉換知識庫
圖片
※ 模型設計：
- 測試用例轉換文本AI模型
- 業務文檔轉換業務文檔模型
四、實現結果展示
圖片
圖片
圖片
圖片
五、總結
目前平臺側已經實現自動生成功能用例的功能，實現了從 PRD自動解析->測試點生成-> Xmind用例生成->同步平臺的完整流程。可以一定程度上提升用戶編寫用例效率。
