企业官网建设流程全解析

概述

前两篇我们搭好了环境，也看到了AI生成Pytest代码的效果，但AI是怎么知道要测什么的？

第一篇里，我们直接把除法函数的源代码喂给AI，让它生成测试用例。这种方式叫代码驱动。AI看实现来写测试。

但在真实项目里，你很少能只靠看代码就写出完整的测试。你需要读需求文档，需要跟产品经理对齐预期，需要知道业务规则是什么。

这就需要一个前置步骤。把人类的自然语言需求，转成结构化的测试策略。

这一篇，我们就来实现这个模块。从一段需求描述开始，让AI自动生成包含测试场景、边界条件、预期结果的完整测试策略。

意图理解模块是做什么的

用一句话说，输入自然语言，输出结构化的测试策略。

具体来看，输入是一段需求描述，比如产品经理发来的文档。输出是一个JSON格式的测试策略，包含这些字段：

{"feature":"功能名称","test_scenarios":[{"scenario_id":"TC-001","name":"场景名称","description":"场景描述","preconditions":["前置条件1","前置条件2"],"steps":["步骤1","步骤2","步骤3"],"expected":"预期结果","priority":"high/medium/low","type":"positive/negative/boundary"}]}

这个JSON我们会直接喂给用例生成模块，也就是第一篇里那个生成Pytest代码的脚本，所以意图理解模块的输出格式，决定了后续所有环节的质量。

注意：意图理解模块只负责策略，它不生成任何Python代码，只输出结构化的测试设计

这样做有三个好处：

1. 职责分离：意图理解管测什么，用例生成管怎么测。
2. 可解释性：测试策略是JSON格式，人能直接读，也能直接改。
3. 可复用：同一个测试策略，可以对接不同的代码生成逻辑。

为什么需要意图理解模块

我们先回顾一下第二篇的架构图，AI Agent测试系统有四个模块：

意图理解 → 用例生成 → 执行收集 → 分析修复

意图理解是第一环，传统模式下，这个环节是纯人工的，产品经理写一份需求文档，测试开发工程师阅读文档理解业务逻辑，设计测试场景，并把场景翻译成代码。

这道工序有三个问题：

1. 信息损耗：需求文档写的和工程师理解的可能有偏差，尤其当需求写得模糊的时候，不同的人理解完全不同。
2. 效率瓶颈：一个中等规模的需求，从阅读到提炼出完整测试策略，至少半天，需求频繁变更的话，这个工作要反复做。
3. 知识流失：测试策略只存在于代码里，代码只告诉你测什么，不告诉你为什么这么测，导致老的测试工程师走了，新来的看不懂之前为什么设计这些用例。

AI Agent在这里的价值不是取代你理解需求，是帮你加速理解。

如何实现意图理解模块

理论讲完了，我们用代码来实际的理解一下

3.1 核心实现

# intent_understanding.pyimportjsonimportosfromtypingimportList,Dict,OptionalfrompathlibimportPathfromdotenvimportload_dotenvfromopenaiimportOpenAIclassIntentUnderstandingAgent:""" 意图理解Agent。 输入需求描述，输出结构化的测试策略JSON。 """def__init__(self,model:str="gpt-4o"):load_dotenv()self.client=OpenAI(api_key=os.getenv("OPENAI_API_KEY"),base_url=os.getenv("OPENAI_BASE_URL",None))self.model=modeldefunderstand(self,requirement:str)->Dict:"""输入需求描述，返回测试策略。"""prompt=self._build_prompt(requirement)try:response=self.client.chat.completions.create(model=self.model,messages=[{"role":"system","content":self._get_system_prompt()},{"role":"user","content":prompt}],temperature=0.2,response_format={"type":"json_object"})result=json.loads(response.choices[0].message.content)returnresultexceptExceptionase:print(f"意图理解失败:{e}")return{"error":str(e)}def_get_system_prompt(self)->str:return""" 你是一位资深的测试架构师，擅长从需求描述中提取测试策略。 你的任务是将用户提供的需求描述，转化为结构化的测试策略JSON。 输出格式必须严格遵循以下结构： { "feature": "功能名称", "description": "功能描述", "test_scenarios": [ { "scenario_id": "TC-001", "name": "场景名称", "description": "场景描述", "preconditions": ["前置条件1", "前置条件2"], "steps": ["操作步骤1", "操作步骤2", "操作步骤3"], "expected": "预期结果", "priority": "high|medium|low", "type": "positive|negative|boundary" } ], "total_scenarios": 数字, "coverage_notes": "覆盖情况说明" } 设计原则： 1. 每个需求至少包含正常路径和异常路径 2. 边界条件是加分项 3. 每个场景的expected必须可验证 4. 优先级：核心功能用high，异常场景用medium，边界场景用low 5. 场景之间不要重复覆盖 """def_build_prompt(self,requirement:str)->str:returnf""" 请根据以下需求描述生成测试策略： ---{requirement}--- 请输出JSON格式的测试策略。 """defsave_strategy(strategy:Dict,filepath:str="test_strategy.json"):withopen(filepath,'w',encoding='utf-8')asf:json.dump(strategy,f,indent=2,ensure_ascii=False)print(f"测试策略已保存:{filepath}")if__name__=="__main__":requirement=""" 需求：用户登录功能 用户可以使用手机号或邮箱进行登录。 登录时需要验证密码是否正确。 登录成功后的行为： - 跳转到个人主页 - 在顶部显示用户昵称 - 在右上角显示用户头像 登录失败的场景： - 手机号/邮箱不存在：提示"账号不存在" - 密码错误：提示"密码错误" - 账号被锁定：提示"账号已被锁定，请联系客服" 安全要求： - 连续输错5次密码后，账号锁定30分钟 - 密码输入框不支持粘贴 性能要求： - 登录接口响应时间小于500ms（P95） """agent=IntentUnderstandingAgent()strategy=agent.understand(requirement)if"error"notinstrategy:save_strategy(strategy,"login_strategy.json")print(f"\n测试策略摘要：")print(f" 功能:{strategy.get('feature','未知')}")print(f" 场景数:{strategy.get('total_scenarios',0)}")forscinstrategy.get('test_scenarios',[]):print(f" - [{sc['type']}]{sc['name']}(优先级:{sc['priority']})")else:print(f"生成失败:{strategy['error']}")

3.2 输出示例

运行上面的脚本，生成的login_strategy.json：

{"feature":"用户登录","description":"用户通过手机号或邮箱进行身份验证，成功进入个人主页","test_scenarios":[{"scenario_id":"TC-001","name":"使用手机号正确登录","description":"用户使用正确的手机号和密码登录","preconditions":["用户已注册，手机号13800001111，密码正确"],"steps":["打开登录页面","输入手机号 13800001111","输入正确密码","点击登录按钮"],"expected":"跳转到个人主页，顶部显示用户昵称，右上角显示用户头像","priority":"high","type":"positive"},{"scenario_id":"TC-002","name":"使用邮箱正确登录","description":"用户使用正确的邮箱和密码登录","preconditions":["用户已注册，邮箱 test@example.com，密码正确"],"steps":["打开登录页面","输入邮箱 test@example.com","输入正确密码","点击登录按钮"],"expected":"跳转到个人主页","priority":"high","type":"positive"},{"scenario_id":"TC-003","name":"登录失败-账号不存在","description":"使用不存在的账号登录","preconditions":[],"steps":["打开登录页面","输入手机号 13900001111（未注册）","输入任意密码","点击登录按钮"],"expected":"提示'账号不存在'，停留在登录页","priority":"high","type":"negative"},{"scenario_id":"TC-004","name":"登录失败-密码错误","description":"密码输入错误","preconditions":["用户已注册，手机号13800001111"],"steps":["打开登录页面","输入手机号 13800001111","输入错误密码","点击登录按钮"],"expected":"提示'密码错误'，停留在登录页","priority":"high","type":"negative"},{"scenario_id":"TC-005","name":"登录失败-账号被锁定","description":"已锁定账号无法登录","preconditions":["账号已被管理员锁定"],"steps":["打开登录页面","输入锁定账号的手机号","输入正确密码","点击登录按钮"],"expected":"提示'账号已被锁定，请联系客服'，停留在登录页","priority":"medium","type":"negative"},{"scenario_id":"TC-006","name":"连续输错密码触发锁定","description":"连续5次密码错误后账号锁定30分钟","preconditions":["用户已注册，手机号13800001111"],"steps":["打开登录页面","输入手机号 13800001111","输入错误密码","点击登录按钮","重复5次"],"expected":"第5次错误后提示'账号已被锁定30分钟'，30分钟内无法登录","priority":"high","type":"boundary"},{"scenario_id":"TC-007","name":"密码框禁止粘贴","description":"密码输入框不允许粘贴操作","preconditions":[],"steps":["打开登录页面","在密码框尝试粘贴"],"expected":"粘贴无效，密码框内容不变","priority":"low","type":"negative"},{"scenario_id":"TC-008","name":"登录接口响应时间","description":"验证登录接口响应时间","preconditions":["系统正常运行"],"steps":["发送登录请求","记录响应时间"],"expected":"响应时间小于500ms","priority":"medium","type":"positive"}],"total_scenarios":8,"coverage_notes":"覆盖手机号登录、邮箱登录、账号不存在、密码错误、账号锁定、连续错误锁定、禁止粘贴、响应时间，包含2个正向、4个负向、2个边界场景"}

8个测试场景，涵盖正向、负向、边界，功能、安全、性能三个维度，如果人工来做的话，半天工作量。但是交给AI则10秒。

3.3 加上输出校验

AI的输出有时候不稳定。字段缺失、类型错误的情况偶尔会出现，生产环境里，不要直接把AI的输出喂给下游。先做校验。

用Pydantic定义一个严格的输出模型：

# intent_understanding_with_validation.pyfrompydanticimportBaseModel,Field,validatorfromtypingimportList,OptionalimportjsonclassTestScenario(BaseModel):scenario_id:str=Field(...,description="场景编号")name:str=Field(...,description="场景名称")description:str=Field(...,description="场景描述")preconditions:List[str]=Field(default_factory=list)steps:List[str]=Field(...,description="操作步骤")expected:str=Field(...,description="预期结果")priority:str=Field(...,description="high/medium/low")type:str=Field(...,description="positive/negative/boundary")@validator('priority')defvalidate_priority(cls,v):allowed=['high','medium','low']ifv.lower()notinallowed:raiseValueError(f'priority必须是{allowed}之一')returnv.lower()@validator('type')defvalidate_type(cls,v):allowed=['positive','negative','boundary']ifv.lower()notinallowed:raiseValueError(f'type必须是{allowed}之一')returnv.lower()classTestStrategy(BaseModel):feature:str=Field(...,description="功能名称")description:str=Field(...,description="功能描述")test_scenarios:List[TestScenario]total_scenarios:intcoverage_notes:Optional[str]=None@validator('total_scenarios')defvalidate_total(cls,v,values):if'test_scenarios'invalues:actual=len(values['test_scenarios'])ifv!=actual:raiseValueError(f'total_scenarios应该是{actual}，实际是{v}')returnvdefvalidate_strategy(raw:Dict)->Optional[TestStrategy]:try:returnTestStrategy(**raw)exceptExceptionase:print(f"校验失败:{e}")returnNone

有了这个校验，下游收到的数据一定是合法的。

3.4 导出Markdown报告

JSON是给机器用的。团队里其他人要看测试策略，给一份可读性好的文档。

defstrategy_to_markdown(strategy:Dict,output_file:str="test_strategy.md"):lines=[]lines.append(f"# 测试策略：{strategy.get('feature','未命名')}\n")lines.append(f">{strategy.get('description','')}\n")lines.append(f"**场景总数**：{strategy.get('total_scenarios',0)}\n")type_count={'positive':0,'negative':0,'boundary':0}forscinstrategy.get('test_scenarios',[]):t=sc.get('type','')iftintype_count:type_count[t]+=1lines.append("**场景分布**：")lines.append(f"- 正向：{type_count['positive']}个")lines.append(f"- 负向：{type_count['negative']}个")lines.append(f"- 边界：{type_count['boundary']}个\n")lines.append("---\n")forscinstrategy.get('test_scenarios',[]):priority_label={'high':'高','medium':'中','low':'低'}type_label={'positive':'正向','negative':'负向','boundary':'边界'}lines.append(f"##{sc.get('scenario_id')}：{sc.get('name')}")lines.append(f"- **类型**：{type_label.get(sc.get('type',''),sc.get('type'))}")lines.append(f"- **优先级**：{priority_label.get(sc.get('priority','low'),'低')}")lines.append(f"- **描述**：{sc.get('description','')}")ifsc.get('preconditions'):lines.append("- **前置条件**：")forpinsc.get('preconditions',[]):lines.append(f" -{p}")ifsc.get('steps'):lines.append("- **操作步骤**：")foridx,stepinenumerate(sc.get('steps',[]),1):lines.append(f"{idx}.{step}")lines.append(f"- **预期结果**：{sc.get('expected','')}\n")lines.append("---\n")withopen(output_file,'w',encoding='utf-8')asf:f.write("\n".join(lines))print(f"Markdown报告已生成:{output_file}")

现在一份需求进去，出来三样东西：

• JSON文件，给下游模块用
• Pydantic对象，在代码里用，有类型安全
• Markdown报告，给人看，发给团队review

常见问题

Q1：为什么输出JSON，不直接输出代码？

JSON和代码的可读性不一样，如果AI生成的代码有bug，你得先看着代码改，生成的策略漏了场景，你还是得在代码里改，写过代码的同学都体会过改别人代码的痛苦。

JSON不一样，你打开文件，加一个场景，填几个字段，改完再让AI重新生成代码就行。

Q2：AI生成的测试策略能直接用吗？

不能。你得看一遍。

有时候AI会漏场景，有时候对业务规则理解偏了。但你review一个JSON比从零写快很多。

核心原则就一条：AI出初稿，你做判断。

总结

这篇做了个东西：意图理解模块。输入是一段需求描述，输出是一份测试策略JSON。

包含了三层东西：

1. 核心调用：把需求发给LLM，返回结构化的JSON。
2. 输出校验。用Pydantic卡一道，字段不对就报错，确保下游拿到的数据是干净的。
3. Markdown报告，转成文档发给团队，能看能改。

确定了一个设计：
输出JSON，不是直接出代码。因为可改、可复用、可审查。

现在第一环搭好了，之后我们就可以把意图理解和用例生成连起来，需求进去，测试代码出来。