DeepSeek智能生成接口测试用例的解决方案

黑客-秋凌

147人浏览 · 2026-07-30 21:51:13

黑客-秋凌 · 2026-07-30 21:51:13 发布

在软件开发中，接口测试是确保系统稳定性和功能正确性的关键环节。然而，手动编写测试用例不仅耗时，还容易遗漏边界条件和异常场景。随着AI技术的进步，特别是大模型和LangChain的应用，我们可以实现接口测试用例的自动化生成，大幅提升测试效率和质量。本文将介绍如何构建一个基于AI的接口测试用例生成工具。

一、背景与挑战

在复杂的软件系统中，接口数量庞大，测试用例的编写和维护成本极高。传统的手动测试方法存在以下问题：

耗时费力：手动编写测试用例需要大量时间和精力。
覆盖不全：难以覆盖所有边界条件和异常场景。
维护困难：随着接口的变更，测试用例需要频繁更新。

为了解决这些问题，我们引入了AI技术，结合LangChain和大模型，实现接口测试用例的自动化生成。

二、技术栈与工具

1. LangChain

LangChain是一个强大的框架，用于构建基于大模型的应用程序。它支持多种功能，包括对话管理、工具调用和结构化输出生成。

2. OpenAI

OpenAI提供了强大的语言模型（如Deepseek，QWEN，GPT），能够理解自然语言并生成高质量的文本内容。

3. Pydantic

Pydantic是一个数据验证库，用于定义和验证数据模型，确保生成的数据符合预期格式。

三、解决方案概述

我们的解决方案基于AI技术自动生成接口测试用例。以下是核心功能：

接口文档解析：读取接口文档（如JSON文件），提取接口路径、请求方法、参数和响应信息。
测试用例生成：利用大模型生成覆盖正常、边界和异常场景的测试用例。
结构化输出：将生成的测试用例转换为Pydantic模型，确保数据格式正确。
Excel导出：将测试用例导出为Excel文件，便于测试人员使用。

四、技术实现

1. 接口文档解析

通过读取JSON格式接口文档，并将其解析为结构化的数据：


def load_api_info(file_path: str) -> APIInfo:


    with open(file_path, 'r') as file:


        data = json.load(file)


    return APIInfo(**data)

2. 测试用例生成

调用大模型生成测试用例。通过generate_test_case_prompt函数构造提示词，并利用LangChain的ChatOpenAI模型生成测试用例：


def generate_test_case_prompt(api_info: APIInfo) -> str:


    """ 生成提示词，要求模型返回符合结构化的JSON """


    prompt = f"""


    请为{api_info.summary}设计接口测试用例，需要考虑每个参数边界值，异常值和参数组合关系，接口信息如下：  


    1. 接口信息：  


       - 方法：{api_info.method}


       - 路径：{api_info.path}


    2. 测试目标：  


       - 核心功能：{api_info.description}


       - 测试类型：功能测试、安全性测试、异常测试、边界值测试  


    3. 参数要求：  


       - 必填参数：{[{param.name:param.description} for param in api_info.parameters if param.required]}


       - 非必填参数： {[{param.name:param.description} for param in api_info.parameters if not param.required]}


       - 需覆盖场景：  


         - 正常值:符合要求的参数


         - 边界值: 范围之内和范围之外的值


         - 异常值:参数为空，非法值


    4. 预期结果：  


       - 成功：状态码200，返回有效Token及过期时间  


       - 失败：{api_info.responses}


    """


    return prompt




def call_large_model(prompt: str):


    """调用大模型并解析结果"""


    client = ChatOpenAI(


        model=os.getenv('DEEPSEEK_MODEL'),


        api_key=os.getenv('DEEPSEEK_API_KEY'),


        base_url=os.getenv('DEEPSEEK_URL'),


        temperature=0.2


    )


    function_definition = create_function_definition(TestCase)


    bound_client = client.bind_tools([function_definition])


    response = bound_client.invoke([HumanMessage(content=prompt)])


    return response

3. 结构化输出

定义了TestCase、TestCaseInput和TestCaseOutput等Pydantic模型，用于验证和存储生成的测试用例：


class TestCase(BaseModel):


    """测试用例模型"""


    case_id: str = Field(..., description="用例唯一标识（如 'TC001'）")


    api_id: str = Field(..., description="关联接口的 interface_id")


    name: str = Field(..., description="用例名称（如 '测试创建用户成功'）")


    description: str = Field("", description="用例描述")


    input: TestCaseInput = Field(..., description="输入参数")


    expected_output: TestCaseOutput = Field(..., description="预期输出")

4. Excel导出

将生成的测试用例导出为Excel文件，并合并相同项的单元格：


def create_excel_from_cases(test_cases: List[TestCase], api_info: APIInfo, excel_path:str)->None:



    test_cases_df = []


    for test_case in test_cases:


        # 将APIInfo的信息与每个测试用例相结合


        input_str = ''


        if test_case.input.body:


            input_str += f'Body:{str(test_case.input.body)}\n'


        if test_case.input.query_params:


            input_str += f'query:{str(test_case.input.query_param)}'


        combined_data = {


            'case_id': test_case.case_id,


            'Interface ID': api_info.interface_id,


            'Path': api_info.path,


            'Method': api_info.method,


            'Summary': api_info.summary,


            'Name': test_case.name,


            'Description': test_case.description,


            'Input': input_str,


            'Expected Output': str(test_case.expected_output.response_content.model_dump_json())


        }


        test_cases_df.append(combined_data)



    # 创建DataFrame


    df = pd.DataFrame(test_cases_df)