随着人工智能（AI）技术的快速发展，特别是大型语言模型（LLM）的问世，软件开发和测试领域正在经历前所未有的变革。AI的强大能力使得自动化和智能化测试生成成为可能，这不仅提高了测试的效率，还显著增强了测试的覆盖率和准确性。

在传统的测试工作中，编写功能用例通常是一个耗时且需要高度专业知识的任务。测试人员和开发人员必须深入理解业务逻辑，手动编写大量的测试用例，以确保产品的各个功能正常运行。这种手动编写过程往往面临两个主要挑战：一是由于业务复杂度和测试场景的多样性，难以确保覆盖所有可能的边界情况；二是编写过程繁琐，容易出现人为疏漏，导致测试质量不高。

AI的诞生，特别是像GPT这样的语言模型，为这些挑战提供了新的解决方案。大模型具备强大的语言理解和生成能力，能够快速学习和掌握复杂的业务逻辑，自动生成高质量的测试用例。通过将AI融入测试生成过程，不仅可以显著减少人力投入，还能提升测试的全面性和准确性。

在我们的功能用例平台中，我们计划引入专属的AIcopilot，这一AI助手能够帮助测试人员和开发人员便捷地生成测试用例。通过与AI的紧密合作，质量部门可以极大地提升测试效率，释放更多的人力资源用于其他关键任务。

AI的价值不仅在于它能够自动生成测试用例，更在于它能与测试人员协同工作，提供智能化的建议和优化，使测试过程更加智能、灵活和高效。通过充分利用AI的能力，我们正在重新定义功能用例编写的方式，为测试工作带来了革命性的变革。

提升测试效率

通过引入AI自动生成功能用例，将测试生成效率提升50%以上。AI能够在短时间内生成全面的测试用例，减少手动编写的时间和成本，提升覆盖率和测试质量。

指导初级测试人员

通过AIcopilot为初级测试人员提供实时指导，帮助其快速掌握测试用例编写的关键技能。目标是使初级测试人员的学习和产出效率提高30%，缩短其成长为独立测试人员的时间。

确保用例质量与一致性

借助AI分析和优化功能，确保生成的测试用例质量达到团队标准，并使不同测试人员编写的用例一致性提升40%，从而减少因个人差异带来的测试漏洞。

前提条件：高途有统一的功能用例平台，用例设计模式是思维导图（如下图），所以我们的整体落地实践方案需要贴近功能用例平台。

在将AI融入功能用例生成的过程中，我们设计并实现了一系列关键技术和策略，以确保AI能够高效、准确地生成高质量的测试用例且可无缝接入高途功能用例平台。以下是主要的实现方案：

1. Query重构

在AI生成功能用例的过程中，输入的query是决定生成结果准确性的重要因素。为了确保AI能够理解并准确生成对应的测试用例，我们对用户输入的query进行了重构设计。主要策略为：树形检索-对某一个节点进行AI用例生成时，对树根进行检索组装，提高信息充分性。

2. Prompt优化

Prompt是驱动AI生成的核心输入。为了生成高质量的测试用例，我们对Prompt进行了深度优化。我们通过实验和反馈，精细设计了Prompt的模板，使其能够引导AI生成具有明确结构、清晰逻辑的测试用例。

我们优化后的Prompt不仅包含了query重构的结果，还加入了业务上下文、边界条件和历史测试用例等信息，同时也限定了生产的内容格式。这样，AI生成的用例更加贴合实际业务需求，并且覆盖了多种测试场景和特殊情况，也能快速采纳进测试用例集。

3. 模型筛选

在AI功能用例生成的实现过程中，选择合适的AI模型至关重要。我们测试和筛选了多种大型语言模型，最终选定了最适合功能用例生成的模型版本。

在筛选过程中，我们考虑了模型的生成能力、语言理解水平、响应速度以及对复杂业务逻辑的处理能力。最终选定的模型不仅具备强大的生成能力，还能快速适应不同业务场景的变化，确保生成的测试用例既符合规范，又具有创新性和覆盖广度。

4. RAG（检索增强生成）使用

为了进一步提升生成用例的准确性和实用性，我们引入了RAG（Retrieval-Augmented Generation）技术。RAG通过检索相关的业务文档和历史测试用例，为生成的Prompt提供了丰富的上下文信息。

在实际的生产过程中，为了保证当前需求的信息不丢失，我们对知识库进行了拆分；系统知识库为当前需求的文档拆解，然后使用query进行检索，降低用例幻视的几率，检索出来的结果直接作为提示词的一部分，保证当前需求知识在生成时不丢失；自定义知识库用于存储历史的功能用例，该知识库的内容仅作为AI参考。

5. 图片识别

实际的业务需求文档中，存在大量文字描述少，内容都在图片上的情况。得益于LLM的快速发展，AI生成的测试用例不仅能处理传统的文本输入，还能覆盖与图片相关的复杂场景，使测试覆盖率和全面性进一步提升。

6. 友好的生产过程

①高效可视化的AI生成过程

大模型接口主要提供两种生成模式：阻塞式响应 和 流式响应。由于功能用例生成要求结果的标准化，我们选择了 阻塞式响应 模式。同时，为了提升生成效率，我们采用了多节点并行生成的策略。

为满足这些要求，我们为每个生成节点设置了状态标识，并通过 WebSocket 实时将这些状态反馈到用例图谱的每个节点上。这样，用户可以直观地看到每个节点的生成进度和状态，使整个生成过程更加可视化和透明。

②多样性的知识库解析

在我们的友好交互设计中，知识库上传解析功能是一个重要的亮点。它不仅支持上传 .docx 文件，还能解析 Wiki 链接，大大扩展了可处理的知识类型。用户可以轻松地将业务文档和知识库内容上传到系统中，AI会自动解析这些文档并提取关键信息。

解析过程不仅高效便捷，还具有极高的准确性。系统能够准确理解文档中的复杂结构和业务逻辑，并将其转化为可用于生成测试用例的知识点。这种强大的解析能力确保了知识库的内容能够充分被利用，为生成高质量的功能用例提供了坚实的基础。

通过这种设计，用户无需进行繁琐的手动输入或调整，只需简单上传或提供链接，系统便会自动处理并生成可视化的用例信息，极大提高了用例生成的效率和精度。

③自定义小助手-知识库

在我们的技术方案中，我们引入了一个可自定义的小助手，专门用于知识库的管理和利用。用户可以根据实际需求，定制小助手的功能和行为。例如，可以设置小助手的解析范围、优先级和知识库的更新频率，也可以根据业务属性更好的优化prompt。通过这些定制选项，用户能够确保小助手在特定业务场景下提供最相关和高效的支持。

④多次生成-优中选优

用户可以不断补充信息进行用例生成，并在过程中持续翻阅历史生成记录，以便调优和改进。最终，用户可以从所有记录中挑选出最合适的用例，形成自己的用例集。

当前高途的用例集AI使用率基本在20%左右，用例节点AI占比基本在30%左右；

适用性强的方向，数据更为可观；部分业务域，用例集AI使用率达到50%，用例节点AI占比达到67%；

1、实际项目数据概览

推演过程中数据明细：

2、数据结论

①向量化的文档精准度较高

产品按照规范格式编写，AI在识别的过程中摘取的多个相关的片段内容作为参考(需求描述清晰度很重要)，整体采纳率会提高到一个新的高度80%左右

②片段生成精准度

用户主动摘取片段生成文档时，场景用例的平均精准度在70%以上。但复杂需求因缺乏上下文，精准度不稳定，区间值在20%-98%之间。

③非标准文档影响

若产品不按标准格式编写，AI解析时随机性增加，导致用例采纳率降至30%-40%。

PS：说明

①片段生成局限：片段式生成对复杂需求不适用，精准度受限。

②调试与使用差异：调试阶段采纳率通常高于实际使用，差距约为20%。

①由于需求文档的质量对功能用例生成具有极大的影响，我们计划与产品部门合作，共同制定详细的文档规范(不断加入新需求模板，适应多个业务，双向协作模式)。这些规范将确保需求文档的准确性、完整性和易读性，从而为生成高质量的功能用例提供坚实的基础。通过统一的文档标准，我们能够明确需求目标，使得文档内容能够直接转化为有效的测试用例，进一步提升用例的实用性和覆盖率。这一举措将有助于实现文档与用例目标的一致，推动测试工作的高效开展。

【模板1】

【模板2】

【模板.......】

②为了将AI功能用例有效融入每一个业务域，我们需要推动自定义小助手-知识库的全面落地。这个小助手是实现功能用例智能化的关键抓手，能够自动解析和管理来自不同业务领域的知识库内容。无论是业务文档、历史记录还是行业规范，自定义小助手都能精准提取并整合相关信息，为每个业务域生成高质量的测试用例提供支持。

通过这一功能，我们能够确保AI生成的用例不仅覆盖广泛，还能深入到每一个业务领域的具体需求中，实现用例生成的智能化和全面化。这将大大提升测试用例的相关性和实用性，推动测试过程的高效优化。