这是从 0 开始学 AI 测试的第二篇，后续篇章会在星球里更新， 社区这里可能后续只有节选了。 感兴趣的同学可以加入星球学习。 下面我们开始讲解 AI 测试入门最重要的一课，如何让 AI 理解你的业务并生成自动化测试代码。
很多人第一次使用 Cursor 生成接口测试时会困惑， 大模型怎么知道我的系统的接口张什么样子？如果我们强行让它写，它绝对会写出一个假的的测试用例。这是因为大模型没有你系统的任何知识。它只能根据通用经验"猜"出一个看起来合理的接口，但猜的结果和你真实的系统大概率对不上。
AI 要生成准确的测试代码，前提是你必须先把接口知识喂给它。
如果你的团队有完善的 API 文档（Swagger、Postman Collection、API Blueprint 等），直接把相关接口文档丢给 AI 就可以了。
在 Cursor 中，你就可以：
（Agent 模式）
@docs/api/order-api.md ← 引用文档文件
根据以上接口文档，帮我编写创建订单接口的完整测试用例，
包含正常创建、缺少必填字段、金额为负数三个场景。
AI 拿到文档后，可以准确理解接口的路径、方法、入参、返回值，生成的代码会非常准确。
现实情况是，很多团队的 API 文档严重滞后于代码，甚至根本没有文档。这时候最直接的办法是用浏览器开发者工具（F12）抓包。
PS： 我就是这么干的。
第一步：打开浏览器，进入你要测试的功能页面，按 F12 打开开发者工具，切换到 Network 标签页。
第二步：执行你要测试的操作（比如点击"创建订单"按钮），观察 Network 面板捕获到的请求。
第三步：找到目标请求，右键 → Copy → Copy as cURL，或者手动记录以下信息：
接口路径： POST /api/v2/orders
请求头： Content-Type: application/json
Authorization: Bearer <token>
请求体： {
"product_id": "prod_001",
"quantity": 2,
"address_id": "addr_123",
"coupon_code": "SAVE10",
"remark": "请尽快发货"
}
响应状态码： 201
响应体： {
"code": 0,
"message": "success",
"data": {
"order_id": "ord_20260613_001",
"status": "pending",
"total_amount": 198.00,
"created_at": "2026-06-13T14:00:00Z"
}
}
第四步：把抓到的信息 + 对功能的简单描述一起给 AI：
（Agent 模式）
我抓到了一个创建订单的接口，信息如下：
接口：POST /api/v2/orders
请求体：
{
"product_id": "prod_001",
"quantity": 2,
"address_id": "addr_123",
"coupon_code": "SAVE10",
"remark": "请尽快发货"
}
响应（成功）：
{
"code": 0,
"data": {
"order_id": "ord_20260613_001",
"status": "pending",
"total_amount": 198.00
}
}
功能说明：用户选好商品后，提交订单。product_id 和 quantity 是必填的，
address_id 是收货地址，coupon_code 是优惠券（可选），remark 是备注（可选）。
请根据以上信息，帮我编写完整的接口测试用例。
你会发现，上面的描述并没有告诉 AI 每个字段的所有细节（比如 quantity 的取值范围、product_id 的格式约束）。但这没关系——大模型会根据你描述的业务功能，自主推理出合理的测试边界。
比如 AI 会自动推断：
quantity 可能有最小值（不能为 0 或负数）coupon_code 是可选字段，需要测试不传的情况product_id 不存在时应该报错AI 生成的测试用例可能包含你没想到的边界场景，这正是它的价值所在。
当 AI 推理错了怎么办？
直接纠正它：
你刚才假设 quantity 最大值是 99，实际上我们的系统限制是 999，
而且当超过库存数量时才会报错，不是超过 999 就报错。请修正。
AI 会立刻根据你的纠正更新测试用例，并自动调整相关的边界测试场景。这个过程类似于"代码审查"——AI 写草稿，你来校正，效率远高于从零手写。 当然也可以从一开始就把完整的测试用例给 AI， 这样就不用 AI 自己瞎猜了， 事实上我们项目中基本都是这样的。 但如果我们刚刚开始接受项目， 还没有完善的测试用例的时候， 也可以让 AI 自己去探索， 然后我们来纠正的这样一个模式。
那么接下来问题就来了， 以后我们每写一个自动化测试用例，都需要这么麻烦的去抓每个接口的包么？ 事实上我们之前抓过的接口是不用重新给大模型的，这就涉及到 AI 编程最重要的一个部分了， 就是语义检索。
当你在 Cursor 中打开一个项目，Cursor 会在后台自动对整个代码库做 Embedding（向量化），并存入向量数据库。
这意味着：
你可以在 Cursor 右下角看到索引进度：Indexing codebase... (234/312 files)，索引完成后所有文件都可以被语义检索到。
PS：版本不同，这段信息的位置可能会有所不同。
让我们看一个具体的例子。
假设你按照第之前教程的方法，已经写好了第一个测试用例：
# tests/order/test_create_order.py
class TestCreateOrder:
def test_create_order_success(self, api_client):
response = api_client.post("/api/v2/orders", json={
"product_id": "prod_001",
"quantity": 2,
"address_id": "addr_123"
})
assert response.status_code == 201
data = response.json()["data"]
assert "order_id" in data
assert data["status"] == "pending"
现在你想写"查询订单详情"的测试用例，你只需要告诉 AI：
帮我编写一个查询订单的测试用例。 它的测试步骤：
1. 创建订单，获取订单ID
2. 查询订单， 检验XXXXXX。 PS: 如果查询订单之前没有写过相关用例， 这里也需要去抓查询订单的接口的包。
此时 AI 不需要你重新解释创建订单的接口，大模型通过语义检索已经找到了 test_create_order.py，直接参考现有风格生成新用例：
# AI 自动生成，风格与现有代码完全一致
class TestGetOrder:
def test_get_order_success(self, api_client):
# 先创建一个订单，再查询它
create_resp = api_client.post("/api/v2/orders", json={
"product_id": "prod_001",
"quantity": 2,
"address_id": "addr_123"
})
order_id = create_resp.json()["data"]["order_id"]
response = api_client.get(f"/api/v2/orders/{order_id}")
assert response.status_code == 200
data = response.json()["data"]
assert data["order_id"] == order_id
assert data["status"] == "pending"
assert "items" in data
关键点：甚至你可以只说"查询订单详情"，AI 自己知道要先创建订单再查询（因为它从已有代码中理解了这个业务流程）。
当然这样的形式实在过于代码冗余了，我们需要更灵活的接口，以及让我们的知识更加的简单。 毕竟以后代码库里的 case 越来越多， 大模型的语义检索能力也会收到干扰，并且我们的测试用例也得分层，不能把所有东西都写在用例里， 需要把 API，业务逻辑等等单独分层。 那怎么办呢？ 看下面的内容。
这就是语义检索带来的核心价值：项目里的代码越多，AI 能参考的知识越多，生成的代码质量越高。
第1个接口测试 → AI 需要你提供完整接口信息
第5个接口测试 → AI 已经理解了你的项目结构和风格
第20个接口测试 → AI 直接参考存量代码，你只需说"仿照 XXX 写一个 YYY"
第50个接口测试 → AI 几乎不需要额外解释，自主完成
实践建议：
随着项目发展，测试代码会越来越多。假设你已经有了 100 个测试文件，每个文件里都有调用各种接口的代码。这时候会出现两个问题：
问题一：同一功能有多种实现方式
# 测试文件 A 里创建订单的方式
api_client.post("/api/v2/orders", json={"product_id": "p1", "quantity": 1, ...})
# 测试文件 B 里（早期写的，字段名不一样）
api_client.post("/api/v2/orders", json={"productId": "p1", "qty": 1, ...})
# 测试文件 C 里（用了另一套封装）
order_service.create(product="p1", count=1)
AI 做语义检索时，可能找到旧的、不规范的写法，导致生成的代码风格不一致，甚至用了已经废弃的字段名。
问题二：检索噪音增大
100 个文件里有大量相似的接口调用代码，AI 在检索时需要处理大量干扰项，可能反而找不到最相关的参考，生成质量下降。
工程化的解法是将代码分成三层：
tests/ ← 测试用例层（只关心测试逻辑）
└── order/
└── test_create_order.py
services/ ← 业务逻辑层（封装多个接口的串联调用）
└── order_service.py
api/ ← 接口调用层（每个接口对应一个函数，一处定义）
└── order_api.py
api/order_api.py：接口调用层每个接口只在这里定义一次，是整个工程的"接口字典"：
# api/order_api.py
"""
订单模块接口定义
所有订单相关接口的调用都从这里发出，禁止在测试文件中直接拼接接口路径。
"""
from utils.http_client import APIClient
def create_order(client: APIClient, product_id: str, quantity: int,
address_id: str, coupon_code: str = None, remark: str = None):
"""创建订单"""
payload = {
"product_id": product_id,
"quantity": quantity,
"address_id": address_id,
}
if coupon_code:
payload["coupon_code"] = coupon_code
if remark:
payload["remark"] = remark
return client.post("/api/v2/orders", json=payload)
def get_order(client: APIClient, order_id: str):
"""查询订单详情"""
return client.get(f"/api/v2/orders/{order_id}")
def list_orders(client: APIClient, page: int = 1, page_size: int = 20, status: str = None):
"""查询订单列表"""
params = {"page": page, "page_size": page_size}
if status:
params["status"] = status
return client.get("/api/v2/orders", params=params)
def cancel_order(client: APIClient, order_id: str, reason: str):
"""取消订单"""
return client.post(f"/api/v2/orders/{order_id}/cancel", json={"reason": reason})
services/order_service.py：业务逻辑层把需要多个接口串联的常见业务流程封装成公共方法：
# services/order_service.py
"""
订单业务逻辑层
封装常用的多步骤业务流程，供测试用例直接调用。
"""
from api.order_api import create_order, get_order, cancel_order
from utils.http_client import APIClient
def create_and_get_order(client: APIClient, product_id: str, quantity: int,
address_id: str) -> dict:
"""
创建订单并立即查询，返回完整订单信息。
适用于需要验证创建后状态的测试场景。
"""
create_resp = create_order(client, product_id, quantity, address_id)
assert create_resp.status_code == 201, f"创建订单失败: {create_resp.text}"
order_id = create_resp.json()["data"]["order_id"]
get_resp = get_order(client, order_id)
assert get_resp.status_code == 200
return get_resp.json()["data"]
def create_pending_order(client: APIClient) -> str:
"""
使用默认参数快速创建一个待支付订单，返回 order_id。
适用于其他测试（如支付测试、取消测试）的前置条件。
"""
resp = create_order(
client,
product_id="prod_test_001",
quantity=1,
address_id="addr_test_001"
)
assert resp.status_code == 201
return resp.json()["data"]["order_id"]
# tests/order/test_create_order.py
from api.order_api import create_order
from services.order_service import create_and_get_order
class TestCreateOrder:
def test_create_order_success(self, api_client):
"""正常创建订单"""
order = create_and_get_order(api_client, "prod_001", 2, "addr_123")
assert order["status"] == "pending"
assert order["total_amount"] > 0
def test_create_order_missing_product_id(self, api_client):
"""缺少必填字段 product_id"""
resp = create_order(api_client, product_id="", quantity=1, address_id="addr_123")
assert resp.status_code == 400
assert resp.json()["message"] == "product_id 不能为空"
有了 API 层 + Service 层之后，AI 做语义检索的效果会大幅提升：
| 没有分层 | 有分层 |
|---|---|
| AI 在 100 个测试文件里搜索"如何调用创建订单接口" | AI 直接检索到 api/order_api.py，一处即知 |
| 找到多种写法，不知道用哪个 | 接口层唯一，写法统一 |
| 多步骤流程散落在各个测试文件里 | Service 层集中封装，直接复用 |
| 新测试参考旧测试，风格越来越乱 | 新测试参考 API 层和 Service 层，风格一致 |
升级后的工程目录结构：
api-autotest/
├── api/ ← 接口调用层（每个接口定义一次）
│ ├── order_api.py
│ ├── user_api.py
│ └── product_api.py
├── services/ ← 业务逻辑层（多接口串联的公共流程）
│ ├── order_service.py
│ └── user_service.py
├── tests/ ← 测试用例层（只关心测试逻辑）
│ ├── order/
│ ├── user/
│ └── product/
├── utils/
├── fixtures/
├── config/
├── conftest.py
└── pytest.ini
有了分层架构之后，还有一个问题：AI 不知道你定了这些规范。
下次你让 AI 写测试用例时，它可能还是会在测试文件里直接写 api_client.post("/api/v2/orders", ...)，而不是调用你封装好的 create_order() 函数。
解决方法是使用 Cursor Rules 文件——这是 Cursor 的一个核心功能，让你可以把工程规范直接"写给 AI 看"，让它在每次生成代码时都遵守这些规则。
Rules 文件本质上是附加在每次 AI 对话中的系统提示词（System Prompt）。你在 Rules 文件里写的内容，会在每次 AI 生成代码前被自动注入，让 AI 理解你的项目规范。
Cursor 支持两种 Rules：
| 类型 | 存放位置 | 作用范围 |
|---|---|---|
| Project Rules | .cursor/rules/*.mdc |
只对当前项目生效 |
| User Rules | Cursor Settings → Rules | 对所有项目全局生效 |
推荐方案：工程规范放 Project Rules，个人偏好（比如"回复用中文"）放 User Rules。
Cmd+Shift+P（macOS）/ Ctrl+Shift+P（Windows）打开命令面板New Cursor Rule，回车api-test-rules），回车.cursor/rules/ 目录下创建 api-test-rules.mdc 文件mkdir -p .cursor/rules
touch .cursor/rules/api-test-rules.mdc
然后用 Cursor 打开这个文件，开始编写规则内容。
.mdc 文件支持 Markdown 格式，开头有一段 YAML Front Matter 用于配置规则的触发时机：
---
description: 接口自动化工程编码规范
globs: # 匹配哪些文件时触发此规则
- "tests/**/*.py"
- "api/**/*.py"
- "services/**/*.py"
alwaysApply: false # 是否对所有文件始终生效
---
globs 的作用：当 AI 正在操作匹配这些路径的文件时，自动附加此规则。比如你正在写测试文件，Rules 会自动生效，不需要你手动提醒 AI。
alwaysApply: true：如果你希望所有操作都遵守这条规则（比如"始终用中文回复"），可以设置为 true。
下面是一个完整的示例，可以直接用于你的接口测试工程：
---
description: 接口自动化工程编码规范
globs:
- "tests/**/*.py"
- "api/**/*.py"
- "services/**/*.py"
alwaysApply: false
---
# 接口自动化工程编码规范
## 工程结构
本工程采用三层架构，职责如下：
- `api/`：接口调用层，每个接口有且只有一处定义，命名规范为 `{模块名}_api.py`
- `services/`：业务逻辑层，封装需要多接口串联的公共业务流程
- `tests/`：测试用例层，只关注测试逻辑，不直接拼接接口路径
## 编写测试用例的强制规范
### 1. 禁止在测试文件中直接调用 HTTP 客户端
**错误示范**（禁止）：
def test_create_order(api_client):
api_client.post("/api/v2/orders", json={...}) # ❌ 禁止
**正确示范**：
from api.order_api import create_order
from services.order_service import create_pending_order
def test_create_order(api_client):
resp = create_order(api_client, ...) # ✅ 使用 api 层
### 2. 优先使用 Service 层的公共方法
当一个操作需要多步接口调用时，优先检查 `services/` 目录下是否已有封装好的方法。
例如需要"创建订单后查询"时，使用 `order_service.create_and_get_order()`，
而不是手动写两次接口调用。
### 3. 新增接口时必须先在 api 层定义
如果需要调用一个 `api/` 目录下还没有的接口，必须先在对应的 `{模块}_api.py` 文件中定义该接口函数，然后再在测试文件中引用。
### 4. 测试用例命名规范
- 文件名：`test_{被测功能}.py`（如 `test_create_order.py`）
- 类名：`Test{功能名驼峰}` （如 `TestCreateOrder`）
- 方法名：`test_{场景描述}`（如 `test_create_order_missing_product_id`）
### 5. 断言规范
- 必须断言 HTTP 状态码
- 必须断言响应体中的核心业务字段
- 错误场景必须断言错误信息的具体内容（`message` 字段）
## 语言规范
- 所有代码注释使用中文
- docstring 必须说明：函数功能、适用测试场景
有了这个 Rules 文件，当你告诉 AI：
帮我写一个支付订单的测试用例，接口是 POST /api/v2/orders/{order_id}/pay，
需要先有一个待支付的订单
AI 会自动：
api/order_api.py 是否已有 pay_order() 函数，没有的话先补充services/order_service.py 是否有 create_pending_order() 可复用，有的话直接用# AI 按照 Rules 规范自动生成：
# 1. 先补充 api 层（如果没有）
# api/order_api.py
def pay_order(client: APIClient, order_id: str, payment_method: str):
"""支付订单"""
return client.post(f"/api/v2/orders/{order_id}/pay",
json={"payment_method": payment_method})
# 2. 测试用例（复用了 Service 层的 create_pending_order）
# tests/order/test_pay_order.py
from api.order_api import pay_order
from services.order_service import create_pending_order
class TestPayOrder:
def test_pay_order_success(self, api_client):
"""正常支付：使用微信支付成功场景"""
order_id = create_pending_order(api_client) # 复用 Service 层
resp = pay_order(api_client, order_id, "wechat")
assert resp.status_code == 200
assert resp.json()["data"]["status"] == "paid"
def test_pay_order_already_paid(self, api_client):
"""异常：重复支付已完成的订单"""
order_id = create_pending_order(api_client)
pay_order(api_client, order_id, "wechat") # 第一次支付
resp = pay_order(api_client, order_id, "wechat") # 第二次支付
assert resp.status_code == 409
assert resp.json()["message"] == "订单已支付"
完全符合你定义的规范，不需要你再手动检查和纠正。
技巧一：为不同目录创建不同 Rules
.cursor/rules/ 目录下可以有多个 .mdc 文件，每个针对不同场景：
.cursor/rules/
├── api-test-rules.mdc # 接口测试规范（作用于 tests/ api/ services/）
├── api-layer-rules.mdc # API 层开发规范（作用于 api/）
└── general-rules.mdc # 通用规范（alwaysApply: true）
技巧二：在 Rules 中引用文件
可以在 Rules 中指定"参考这个文件的风格"：
## 代码风格参考
当生成新的接口函数时，参考 `api/order_api.py` 的代码风格。
当生成新的测试类时，参考 `tests/order/test_create_order.py` 的结构。
技巧三：把常见错误场景也写进 Rules
## 常见错误与修正
- **不要使用 time.sleep()**，如需等待，使用 pytest 的 `poll` 机制或重试装饰器
- **不要硬编码 token**，必须从环境变量读取
- **不要在测试中创建真实的外部资源**（如发短信、发邮件），使用 mock
把本篇所有内容串起来，形成一套完整的工作流：
┌─────────────────────────────────┐
│ Step 1：喂知识给 AI │
│ API 文档 OR F12 抓包 + 功能描述 │
└──────────────┬──────────────────┘
│
┌──────────────▼──────────────────┐
│ Step 2：写第一个测试用例 │
│ AI 生成 → 你校正 → 确认无误 │
└──────────────┬──────────────────┘
│
┌──────────────▼──────────────────┐
│ Step 3：利用语义检索扩展 │
│ 存量代码成为参考，增量知识即可 │
└──────────────┬──────────────────┘
│ 代码多了，语义噪音↑
┌──────────────▼──────────────────┐
│ Step 4：抽象 API 层 + Service 层 │
│ 接口一处定义，公共流程集中封装 │
└──────────────┬──────────────────┘
│
┌──────────────▼──────────────────┐
│ Step 5：编写 Rules 文件 │
│ 把工程规范"写给 AI 看"，强制遵守 │
└──────────────┬──────────────────┘
│
┌──────────────▼──────────────────┐
│ 持续扩展：只需录入增量知识 │
│ 新接口 → 定义到 api 层 → 写测试 │
└─────────────────────────────────┘
| 阶段 | 你做什么 | AI 做什么 |
|---|---|---|
| 喂知识 | 提供接口信息或抓包数据 | 理解接口，推断边界场景 |
| 写第一个用例 | 审查并纠正 AI 的推断 | 生成完整测试代码 |
| 扩展阶段 | 只说"帮我写 XXX 的测试" | 语义检索参考存量代码，自主生成 |
| 工程治理 | 维护 api 层、service 层、rules 文件 | 严格遵守规范，风格统一 |
基本上，掌握了今天讲的内容， 基本上用于生成自动化测试用例领域的 AI 已经可以满足大部分需求。 事实上，AI 生成测试用例的关键就在于知识库的设计。 而我们当前的代码仓库和 rules 文件其实都是知识的一种， 它们用来指导 AI 来完成测试用例的生成。所以我再星球里一直都强调：Everything in git 的重要性。 只要放在工程里， 大模型就可以去通过语义检索来理解它，然后生成测试用例。
这里再宣传一下我得知识星球，6 月份我也搞了一批优惠券，现在加入有 8 折优惠，先到先得：
