生成式AI：能基于历史数据自动生成文本、代码、测试数据等“新内容”，而不仅是分类或预测。大语言模型（LLM）：如GPT系列，训练自海量文本和代码，具备理解上下文、自然语言和代码的能力。上手即用（few-shot/zero-shot learning）能处理多模态数据（文本、代码、图片等）生成式AI与LLM正在深刻改变自动化测试的方式，推动测试向更智能、自适应、全面的方向发展。尽管仍有挑战，但其带来

生成式AI：能基于历史数据自动生成文本、代码、测试数据等“新内容”，而不仅是分类或预测。大语言模型（LLM）：如GPT系列，训练自海量文本和代码，具备理解上下文、自然语言和代码的能力。上手即用（few-shot/zero-shot learning）能处理多模态数据（文本、代码、图片等）生成式AI与LLM正在深刻改变自动化测试的方式，推动测试向更智能、自适应、全面的方向发展。尽管仍有挑战，但其带来

生成式AI：能基于历史数据自动生成文本、代码、测试数据等“新内容”，而不仅是分类或预测。大语言模型（LLM）：如GPT系列，训练自海量文本和代码，具备理解上下文、自然语言和代码的能力。上手即用（few-shot/zero-shot learning）能处理多模态数据（文本、代码、图片等）生成式AI与LLM正在深刻改变自动化测试的方式，推动测试向更智能、自适应、全面的方向发展。尽管仍有挑战，但其带来

总结步骤应该是：登录/注册账号→开通服务→创建API Key→保存并安全保管。每个步骤对应相应的网页引用，确保用户能够按照指引顺利获取API密钥。

本文将介绍如何从 DOCX 文档中提取标题为“需求内容”的部分，并将其作为 DeepSeek 模型的输入，生成详细且格式化的测试用例。我们将使用 Python 编写相关脚本，并展示最终的测试用例输出格式。

搭建RAG知识库的完整源码实现（基于Python 3.8+）：🛠️ 环境配置要求Python版本：3.8+安装依赖：（需创建包含以下内容的requirements.txt文件）：📝 核心功能说明智能分块策略：元数据增强：检索优化：📌 常见问题处理PDF解析乱码：OCR识别失败：向量化内存不足：本实现已在实际测试项目中验证，可处理日均1000+文档的自动化入库需求。建议配合Jenkins等工具

多轮记忆靠消息序列封装，每条消息都是历史的“存档”检索工具可灵活扩展，满足复杂知识库场景LangGraph让流程管理更清晰，易于维护和扩展代码每步都可流式输出，便于调试和追踪每一个对话节点。

生成式AI：能基于历史数据自动生成文本、代码、测试数据等“新内容”，而不仅是分类或预测。大语言模型（LLM）：如GPT系列，训练自海量文本和代码，具备理解上下文、自然语言和代码的能力。上手即用（few-shot/zero-shot learning）能处理多模态数据（文本、代码、图片等）生成式AI与LLM正在深刻改变自动化测试的方式，推动测试向更智能、自适应、全面的方向发展。尽管仍有挑战，但其带来

总结步骤应该是：登录/注册账号→开通服务→创建API Key→保存并安全保管。每个步骤对应相应的网页引用，确保用户能够按照指引顺利获取API密钥。

本文将介绍如何从 DOCX 文档中提取标题为“需求内容”的部分，并将其作为 DeepSeek 模型的输入，生成详细且格式化的测试用例。我们将使用 Python 编写相关脚本，并展示最终的测试用例输出格式。