8分钟打造一个DeepSeek生成测试用例系统知识库

一、背景与系统定位

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

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。

1.1 为什么需要知识库？

传统AI生成方案存在两大痛点：

1. 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）
2. 历史经验浪费
   
   过往测试用例未被有效复用

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

1. 上传文档到知识库
2. 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
3. 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

二、核心逻辑解析

2.1 系统架构全景

2.2 关键技术点说明

2.2.1 知识库构建模块

def process_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'ns*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

def find_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])
    return top_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：

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
pip install streamlit pandas requests sklearn
# PDF处理
pip install PyPDF2 pdfminer.six
# JSON修复
pip install json_repair

4.1.2 获取API密钥

1. 访问任何一个大模型提供商处注册账号，本文采用腾讯云
2. 创建应用 → 获取sk-xxxx格式密钥
3. 在代码中替换：

   headers = {"Authorization": "Bearer sk-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

1. 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

1. 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

from functools import lru_cache

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

5.3 异步处理

import asyncio

async def async_generate_cases():
    # 非阻塞生成

六、扩展方向

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