AI到底如何生成测试用例

最近一直关注到 AI，比如最近比较火的 Harness，可以自由定义自己的 agent，想想就酷，我看还催生出了相关的行业岗位，大家打不过 AI 就加入 AI 吧。

生成测试用例时，即使设定了角色，有一些自定义的 skill，设定了能直接生成 XMind 文档，由于没有知识库，AI 本身的幻觉，文件生成的质量很差。

AI 就会自动扫代码、抓 wiki、逐阶段沉淀「领域知识 → 需求知识 → 测试策略 & 测试场景 → 用例」，最终产出：

可以，我帮你整理成一版**更适合汇报 / 面试 / PPT 口述**的表达。你这段内容本身已经很好了，我主要帮你做了三件事：

1. 结构更清晰  
2. 表达更专业统一  
3. 更突出“AI 提效 + 工程化闭环”的价值

---

## 一版精炼总述

围绕“**从需求到用例集**”这一主线，这个工具并不是简单调用大模型生成测试用例，而是将**代码扫描、需求理解、策略设计、用例生成、人工审阅和平台导入**串成了一套完整的 AI 测试用例生产流水线。

整体上，工具提供 **5 类核心能力 + 3 类附加能力**，核心目标是实现：

- 需求理解更结构化
- 用例设计更系统化
- 产物输出更标准化
- 审阅导入更自动化
- 知识沉淀更可复用

---

## 5 类核心能力

### 能力 1：代码到领域知识沉淀

这一层主要解决“AI 对业务上下文不了解”的问题。  
工具会先扫描被测服务代码，沉淀领域知识，形成后续需求分析和用例设计的业务基线。

具体包括：

- **扫描机制**：基于白名单和黑名单双层过滤，只保留有价值的业务代码和文档，过滤测试目录、无关文件等噪音
- **结构化抽取**：从代码中提炼出
  - 领域概念 `concepts`
  - 状态机 `stateMachines`
  - 主流程 `mainFlows`
  - 关键规则 `keyRules`
  - 数据模型 `dataModels`
  - 接口信息 `endpoints`
- **增量识别**：结合 `git log --since=<baseline>` 和文件 `mtime` 双依据识别变更，避免每次全量扫描
- **知识回传**：审阅通过后自动 `git push` 到团队工具仓，支持跨需求、跨项目复用

这一能力的价值在于：  
**先建立业务领域认知，再做需求理解和用例生成，减少模型“无上下文发挥”的风险。**

---

### 能力 2：需求到结构化知识

这一层主要解决“需求文档是自然语言，测试设计依赖人工拆解”的问题。  
工具会把 wiki 或用户输入的需求，转成结构化测试知识。

具体包括：

- **需求抓取**：支持 Confluence wiki 抓取，基于 Cookie 认证；也支持用户直接粘贴需求正文作为兜底
- **结构化抽取**：由 LLM 从自然语言中提炼出
  - 主流程 `mainFlows`
  - 关键规则 `keyRules`
  - 字段枚举 `fieldEnums`
  - 业务风险 `risks`
  - 待定问题 `openQuestions`
- **可追溯设计**：每条规则都挂 `sourceRefs`，能够回溯到 wiki 原始段落
- **差异化输出**：与已有领域知识重复的内容不重复写，只保留需求增量部分，减少上下文冗余

这一能力的价值在于：  
**把“看需求、拆逻辑、补风险点”从经验驱动转成结构化沉淀。**

---

### 能力 3：策略到场景到用例矩阵

这一层主要解决“AI 出用例容易发散失控、不成体系”的问题。  
工具不是直接跳到测试用例，而是先产出测试策略和测试场景，再生成用例矩阵。

具体包括：

- **一次推理产两份结果**：`strategy.md` 和 `scenarios.md` 同一次推理产出，避免多轮生成导致前后不一致
- **显式编码测试方法学**：内置并约束使用以下方法
  - 等价类划分
  - 边界值分析
  - 判定表
  - 状态迁移
  - 正交法
  - 错误推测
  - 场景法
- **防止场景爆炸**：对同后果的多变体强制合并到 `testData`，避免全排列、全路径式膨胀
- **风险分层**：按 `P0 / P1 / P2` 分级，并对
  - 资损
  - 合规
  - 隐私
  - 口碑
  - 稳定性  
  这 5 类 `riskTags` 做重点升级

这一能力的价值在于：  
**让 AI 生成用例不只是“发散列点”，而是遵循测试设计方法论，形成可控、可解释的场景体系。**

---

### 能力 4：用例到多形态产物

这一层主要解决“AI 生成内容格式不统一、难以落地”的问题。  
工具把用例统一沉淀为标准结构，再自动派生多种交付形态。

具体包括：

- **单一权威源**：LLM 只生成 `cases.json`，作为唯一权威数据源
- **多形态派生**：
  - `cases.md` 用于评审和阅读
  - `.xmind` 用于脑图展示
- **XMind 合规导出**：自动补齐 `META-INF/manifest.xml`，确保生成文件可被 XMind 8 / Pro 正常打开
- **Schema 强校验**：采用 14 字段严格校验，任何关键字段缺失都拒绝落盘
- **内容硬约束**：强制覆盖以下关键测试点
  - Loading 态
  - 精确文案
  - 竞态说明
  - 降级触发

这一能力的价值在于：  
**把 LLM 输出从“文本结果”升级成可评审、可导入、可复用的标准测试资产。**

---

### 能力 5：用例到 Case 平台一键导入

这一层主要解决“AI 出了用例，但还要人工搬运到平台”的问题。  
工具支持将结构化用例自动导入 Case 平台，打通最后一公里。

具体包括：

- **零手工导入**：自动新建用例集，并通过一次接口调用完成全部用例下发
- **项目智能匹配**：按“精确匹配 > 前缀匹配 > 子串匹配”三层规则匹配目标项目，唯一命中直接使用
- **平台数据结构适配**：由 CLI 使用 Python 组装 KityMinder 所需 `brainJson`，而不是让 LLM 手写 `curl/jq`
- **审计留痕**：完整保留 `payload` 和 `response`，导入失败可直接回溯和重放

这一能力的价值在于：  
**真正实现从测试设计到平台落地的自动闭环，而不是停留在文档层。**

---

## 3 类附加能力

### 1. 任务恢复
通过 `state.json` 记录当前阶段，任务中断后可以从任意阶段继续执行，保证流程可恢复、可续跑。

### 2. 知识沉淀
审阅通过的领域知识和需求知识会自动同步到团队工具仓，逐步形成共享知识库，支持后续复用。

### 3. 诊断自检
提供 `doctor` 命令，一键检查：
- 6 个 SKILL 是否安装到位
- CLI 是否可执行
- Cookie / 环境变量是否配置完整
- 当前运行环境是否健康

---

## 一版适合面试/汇报的收口话术

你可以直接这样说：

**这个工具本质上是一套 AI 驱动的测试用例生产流水线。它不是简单让模型生成几条 case，而是把代码扫描、需求结构化、测试策略设计、场景生成、用例标准化输出、人工审阅和平台导入串成完整闭环。它的核心价值，一方面是提升测试设计效率，另一方面是通过结构化产物、Schema 校验、STOP 审阅和知识沉淀机制，把 AI 生成过程变得可控、可追溯、可复用。**

---