简介

文章介绍了通过精心设计的提示词工程，让大模型生成符合个人或公司风格和要求的测试用例的方法。相比知识库建设、微调等技术门槛较高的方法，提示词工程是最快的方式。文章详细分析了测试用例的20项组成要素，将其分类为适合大模型生成、适合赋值处理和用例执行时处理三类，并提供了用例提示词和背景提示词的设计方法，最后通过Data4Test平台展示了如何实现智能模板设计，帮助测试人员高效生成测试用例。

---

应用大模型生成测试用例，常见的知识库，测试大模型，微调，RAG等技术门槛都不低，甚至很难，因此对于应用者而言，最快的方式就是应用好提示词，调教属于个人风格的测试用例智能生成模块，让智能模板像人一样，有角色定位，有业务背景，有个人偏好，有目标达成标准，有格式规范要求等，让智能模板充当你的个人翻译官，充分发挥每一句设定提示词的作用和价值，生成属于你想要风格的测试用例。

本文以Data4Test智能生成测试用例的功能为背景，探讨让大模型生成有个人或公司风格和要求的测试用例。

一、先蛐蛐一下测试用例的组成

测试用例常见的要素：列列都有20项了

(1) 用例编号: 按模块分类编号，以便数据统计和分析

想让大模型帮忙干活，就要先分析，哪些要素适合让大模型生成，哪些要素适合直接赋值减少token的消耗，哪些要素是用例执行时才会有的，因此，可以先先对测试用例要素进行分类：

1、适合大模型生成的要素有: (1) ~ (8), (10), (16), (18)

2、适合赋值处理的要素有：(11) ~ (13), (17), (19)

3、用例执行处理的要素有：(9), (14), (15), (20)

对用例要素分类完成后，就可以针对适合大模型生成的部分进行针对性的提示词设计，而其他部分则可直接进行剪枝处理。

二、用例提示词设计(prompt设计)

获取到了适合大模型生成的部分，就可以逐一设计各要素的提示词，给大模型越明确的要求信息，生成的结果数将更符合要求，能更多的减少后续的人工介入。通过完善和完整的提示词，清晰明确的告诉大模型，你想要什么样的测试用例。

1、用例编号: 由模块名, 用例类型，编号组成，如: module_casetype_001;

此处的提示词主要保证生成的用例编号符合管理的要求或符合个人编写习惯的风格，保证生成的用例编号是继承了以往风格的

2、用例名称：由模块名，用例类型，测试点组成，如: 模块名_功能_测试点

此处的提示词主要保证生成的用例名称符合管理的要求或符合个人编写习惯的风格，保证生成的用例名称是继承了以往风格的

3、用例类型：功能, 异常，边界，安全，性能，流程等

此处的提示词主要保证生成用例类型的丰富和全面，同时按需生成需要的测试用例类型，避免生成的用例类型非所需或生成的用例类型偏少

4、优先级：低、中，高

此处的提示词主要保证生成的用例优先级等级合适，无需人工判断优先级

5、预置条件: 用例的依赖条件

此处的提示词主要保证生成的用例前置条件设置，无需人工判断补充

6、测试范围: 用例的执行范围

此处的提示词主要保证生成用例的适用范围，一个用例可以多场景使用

7、测试步骤：进行测试的步骤拆解，为达测试目的，可以拆解为多个步骤展开测试

8、以此类推，其他项按要求定义提示词，让大模型按要求生成**********

三、背景提示词设计(prompt设计)

设计好了最重要部分用例要素的提示词, 为了给大模型更多的信息，接着可以对用例设计人员的工作背景信息和行业背景信息等进行定义，告诉大模型你是一个什么样的角色，你的职责是什么，你要完成什么工作，完成哪个业务方向的工作等

1、工作背景：你是一个拥有X年的测试工程师(资源测试工程师/测试开发工程师/测试专家等)等

2、行业背景：你现在从事XX系统的测试工作，属于XX行业等

3、角色背景：完成测试用例的设计工作等

4、完成工作：生成XXX格式的测试用例，输出格式参考: XXX

四、通过Data4Test平台生成测试用例的智能模板设计

智能模板内容：**

(1)角色背景

多轮会话设置：``第一轮：**

帮忙再补充一些功能类型的测试用例
```**

******`第二轮：`**

```code-snippet__js
还有补充的吗？
```******

********`第三轮：`**

```code-snippet__js
帮忙再增加一些性能类型的测试用例
```******

****`第N轮：`****

```code-snippet__js
按需设置提示词

五、适合赋值处理的要素

可结合个人所用的测试用例平台或工具，把适合直接赋值项的信息一键补全。即LLM的剪枝概念。通过Data4Test平台，在配置生成用例的任务时，实时选择关联产品，输入引入版本，用例设计者为生成用例的操作者，无感生成，快速完成测试用例周边信息的管理。

六、用例执行时处理的要素

可结合个人所用的测试用例平台或工具，把用例执行时的一些信息补全，如此完成测试用例从生成到执行到回归到归档的全生成周期的管理。通过Data4Test平台，测试时间，测试结果等信息均可维护，助力使用者全面管理测试用例。******

七、在线体验

1、访问地址：http://X.X.X.X:9088/ (待新环境上线)

2、默认用户和密码：admin / admin (建议初次登录后创建个人用户进行体验)

(说明：不可当生产环境使用哦)

八、Github项目地址

https://github.com/tongdun/data4test

（ 如果本项目对你有所帮助或启发，记得star 和 fork 本项目支持我们哟~ ）

九、如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

01.大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K（数据来源：BOSS直聘报告）

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

02.如何学习大模型 AI ？

🔥AI取代的不是人类，而是不会用AI的人！麦肯锡最新报告显示：掌握AI工具的从业者生产效率提升47%，薪资溢价达34%！🚀

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】