前言

测试用例设计是软件测试的核心环节，传统方式依赖测试人员手动编写，存在覆盖不全、效率低下、难以维护等问题。本文介绍一套基于 LangChain Agent 的智能测试用例生成系统，实现从需求文档到 XMind 脑图的全流程自动化方案。

核心特色：用户通过自然语言对话即可实时控制脑图编辑器，AI 自动理解意图并执行增删改查操作，无需手动操作复杂的 UI 界面。

---

一、技术栈选型

层级	技术选型
前端框架	Next.js + shadcn/ui
脑图编辑器	simple-mind-map
AI 框架	LangChain + LangGraph
技能系统	LangChain Skills（渐进式披露）
数据存储	MongoDB + PostgreSQL

---

二、整体架构设计

2.1 系统架构图

内部文档

内部需求管理系统

Figma

Git仓库

直接描述

用户输入需求

需求来源类型

MCP工具get_confluence_page_body

MCP工具get_kaptain_issue

MCP工具read_figma_design

git_clone +claudecode分析

无需工具

TestCase AgentLangChain Agent

系统提示词简洁，只含技能使用顺序

技能中间件渐进式披露架构

工具集MCP + GitClone + ClaudeCode + XMind

load_skill_test_case_formatter

load_skill_git_clone

get_current_data

load_xmind_data

add_nodes

update_node

delete_node

后台执行引擎chatStreamHandler

agent.streamEvents

AsyncQueue事件广播

UI消息流前端SSE

DB持久化管道MongoDB增量写入

前端XMind编辑器骨架+逐模块填充

测试用例脑图实时渲染

对话控制脑图工作流程：

用户通过自然语言表达需求 → AI 理解意图并调用工具 → 前端解析工具调用 → 脑图实时更新 → 用户继续对话迭代

整个过程中，用户无需点击任何按钮或菜单，完全通过对话完成所有操作。

2.2 数据流向图

---

三、核心技术要点

3.1 渐进式披露架构

借鉴 LangChain Skills 设计，按需加载完整指令：启动时只注入技能元数据（名称 + 描述），AI 调用时才加载完整文档，节省 Token 并保持系统提示简洁。

---

3.2 骨架 + 逐模块填充的两阶段策略

传统方式一次性生成所有用例导致响应延迟。本系统采用两阶段策略：

阶段2: 逐模块填充（精确控制）

阶段1: 加载骨架（快速反馈）

分析需求确定模块N

创建骨架结构

调用load_xmind_data

前端立即渲染骨架

模块0: 调用add_nodes([0])

模块1: 调用add_nodes([1])

模块2: 调用add_nodes([2])

模块N-1: 调用add_nodes([N-1])

输出总结

实现要点：

• • 阶段 1：分析需求后立即创建骨架（只含模块节点，无测试用例），前端快速显示结构

• • 阶段 2：按模块索引逐个调用 add_nodes 填充测试用例，每个模块独立一次调用

强制约束：

1. 1. 骨架中的模块数量 N 必须等于后续 add_nodes 调用次数

2. 2. 禁止在所有模块填充完毕前输出文字

3. 3. 每个模块必须且只能调用一次 add_nodes

骨架加载效果：

完成全部填充后效果：

---

3.3 前端工具调用机制

AI 通过标准 JSON 格式调用前端工具，无需处理复杂的 UI 操作：

XMind编辑器

前端解析层

AI Agent

输出工具调用JSON

正则匹配工具调用

JSON.parse解析

路由到具体操作

loadData

addNodes

updateNode

deleteNode

实现要点：

• • 工具定义：使用 LangChain tool 装饰器定义工具，返回 JSON 字符串给前端解析

• • 前端解析：TestCaseEditorLayout 使用正则匹配 AI 回复中的工具调用 JSON，解析后路由到具体操作

• • 标准格式：{ "action": "tool", "toolName": "...", "toolInput": {...} }

可用工具：

• • get_current_data：读取当前脑图数据

• • load_xmind_data：整体替换脑图

• • add_nodes：添加子节点

• • update_node：更新节点属性

• • delete_node：删除节点

• • move_node：移动节点

---

四、测试用例数据结构

4.1 XMind 节点层级

功能模块名称（根节点）

@功能测试（模块节点）

@异常测试

@边界测试

!已登录用户（前置条件）

!未登录状态

TC001: 正常访问功能P0

TC002: 修改个人信息P1

TC003: 访问受限P0

TC004: 网络异常处理P1

TC005: 空值输入P2

TC006: 超长输入P2

4.2 测试用例节点格式

{
    "id": "testcase-1",
    "topic": "正常登录测试\n1. 打开登录页面\n2. 输入正确账号密码\n3. 点击登录按钮",
    "priority": "P0",
    "precondition": "用户已注册",
    "steps": "1. 打开登录页面\n2. 输入正确账号密码\n3. 点击登录按钮",
    "expected": "登录成功，跳转到首页"
}

前端自动解析：

• • steps 和 expected 字段自动生成子节点

• • priority 决定节点颜色标记（P0 红色、P1 橙色、P2 黄色、P3 灰色）

---

五、技能工作流程

6.1 测试用例生成流程

内部文档

内部需求管理系统

Figma

Git仓库

直接描述

用户输入需求

识别需求来源

get_confluence_page_body

get_kaptain_issue

read_figma_design

git_clone + claudecode分析

无需工具

分析需求提取测试点

确定测试模块N

创建骨架结构

调用load_xmind_data

前端立即渲染骨架

逐模块填充

调用add_nodes模块0

调用add_nodes模块1

调用add_nodes模块N-1

全部模块填充完成

输出总结

6.2 Git 仓库克隆流程

用户凭据

访问令牌

公网访问

否

是

需要分析代码

认证方式

使用 username/password

使用 oauth2/token

无需认证

执行 git_clone

目录是否存在?

执行 git clone

执行 git pull

返回 clonePath

调用 claudecode ask 分析代码

完成

---

六、多源需求获取能力

6.1 需求来源处理流程

cf.qunhequnhe.com

kaptain.qunhequnhe.com

figma.com

Git仓库

直接描述

用户输入

识别需求来源

内部文档

内部需求管理系统

Figma

代码仓库

无需工具

get_confluence_page_body

get_kaptain_issue

read_figma_design

load_git_clone

git_clone

ask_claudecode分析测试点

分析需求提取测试点

设计测试用例

输出XMind数据

6.2 需求获取逻辑

• • 内部文档：使用 MCP 工具 get_confluence_page_body 获取页面内容

• • 内部需求管理系统：使用 MCP 工具 get_kaptain_issue 获取敏捷事项

• • Figma：使用 MCP 工具 read_figma_design 读取设计稿，分析 UI 组件和交互

• • Git 仓库：先调用 git_clone 克隆代码，再使用 ask_claudecode 分析测试点

---

七、系统特色总结

7.1 核心特性对比

特性	实现方式	优势
对话控制脑图	自然语言 + JSON 工具调用	用户通过对话实时控制脑图，无需手动操作 UI
渐进式披露	三层技能加载架构	系统提示简洁，按需加载完整指令
快速反馈	骨架 + 逐模块填充	用户立即看到结构，避免长时间等待
后台执行	AsyncQueue 广播 + DB 持久化	浏览器关闭后任务继续，支持断线恢复
多源集成	MCP + GitClone + ClaudeCode	支持文档、设计稿、代码多种需求源
质量保证	场景覆盖清单 + SMART 原则	确保测试用例广度和深度

7.2 对话控制脑图示例

用户可以通过自然语言对话灵活控制脑图：

用户输入	AI 执行操作
"帮我生成登录功能的测试用例"	自动创建骨架并填充所有测试模块
"把 TC001 的优先级改成 P0"	更新指定节点的优先级属性
"删除边界测试下的所有用例"	批量删除指定模块的子节点
"在功能测试中添加记住密码功能的用例"	在指定模块下追加新的测试用例
"把 TC003 移动到异常测试模块"	将节点移动到目标父节点下
"清空所有数据重新生成"	重置脑图并重新设计测试用例

删除用例示例：

---

结语

本系统通过 LangChain Agent + 渐进式披露架构，实现了从需求文档到测试用例的全流程自动化。最核心的创新在于通过自然语言对话实时控制脑图编辑器，用户无需学习复杂的 UI 操作，只需用日常语言表达需求，AI 即可自动理解并执行增删改查操作。两阶段策略确保快速反馈，为测试人员提供了高效、智能的用例设计体验。

技术亮点回顾

1. 1. 对话控制脑图：自然语言交互，实时操控脑图编辑器

2. 2. 渐进式披露：按需加载完整指令，保持系统提示简洁

3. 3. 两阶段策略：骨架先行 + 逐模块填充，优化用户体验

4. 4. 多源集成：统一接口对接内部文档、内部需求管理系统、Figma、Git