实现方案

示例1：（轻）流程+工具执行；（轻）测试判断

测试数据获取-》LLM信息解读-》测试工具执行-》LLM结果判断

示例2：（重）流程+工具执行；（轻）测试判断

测试数据获取-》LLM信息解读-》测试工具执行-》LLM结果判断

示例3：（轻）流程+工具执行；（重）多模态判断

@AgentParser(appCode = "text-generator",             name = "文本生成模型",            description = "用于生成创意文本内容")@Componentpublic class TextGeneratorLLM extends IdealLabLLMAbstractBase {    @Override    public void finishHandler(IdeaLabMessage message) {        // 处理完成回调        log.info("Model execution finished: {}", message.getSessionId());    }    @Override    public void startHandler(IdeaLabMessage message) {        // 处理开始回调        log.info("Model execution started: {}", message.getSessionId());    }    @Override    public void callback(Object[] args) throws Exception {        // 异步回写逻辑    }    @Override    public IdealabRunIdeasRequest buildRequest(Object[] args) {        // 构建请求参数        IdealabRunIdeasRequest request = new IdealabRunIdeasRequest();        request.setAppCode(getAppCode());        request.setQuestion((String) args[0]);        return request;    }    @Override    public CompletionRequest buildCompletionRequest(Object[] args) {        // 构建OpenAI兼容请求        return new CompletionRequest();    }}

结果

总结与规划

当前不足

后续规划

在上述不足之处建设并改进。

LLM、多模态、Agent在会场领域测试专项中落地通过串联复杂工具，多模态判断起到一定效果，但实际需求测试环节中需求理解、数据构造、测试用例识别（测试内容选择）上更多靠人工辅助判断。预期将智能体Agent在会场领域落地朝向“需求意图Agent识别”、“测试数据AI构造”、“测试用例AI选择”方向探索。

在AIGC技术爆发、市场剧烈波动、技术栈快速迭代、模型架构多样化的行业背景下，我们在会场AI模型的业务会场测试中进行了一些探索。实践是检验真理的唯一标准，期待与各位专家学者深度交流，共同推动营销导购智能测试的演进。欢迎批评指正。