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": "POST",
"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
|
|
|
|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
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
def execute_api_job(job):
"""模拟执行测试任务"""
returnf"已经开始执行测试任务：{job}"
def get_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"
def analysis_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
import json
from openai import OpenAI
def send_messages(messages):
msg = [{"role": "user", "content": messages}]
response = client.chat.completions.create(
model="deepseek-chat",
messages=msg,
tools=tools
)
mess = response.choices[0].message
if mess.tool_calls:
tool = mess.tool_calls[0]
function_name = tool.function.name
arguments = json.loads(tool.function.arguments)
# 调用函数
if function_name == 'execute_api_job':
function_response = execute_api_job(arguments.get("location"))
elif function_name == 'get_report':
function_response = get_report(arguments.get("location"))
elif function_name == 'analysis_report':
function_response = analysis_report(arguments.get('location'))
else:
return response.choices[0].message
return function_response
else:
return response.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__":
while True:
user_input = input("用户输入：")
if user_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：
