AI测试 Spring AI Alibaba 智能测试用例生成工具

clairejing · 2025年07月08日 · 最后由叶飞回复于 2025年07月08日 · 815 次阅读

👋 还在为手动编写测试用例秃头吗？面对复杂需求文档，一个一个抠测试点，不仅效率低，还容易遗漏关键场景？为了解决该问题，笔者依托 Spring AI 开发了测试用例生成工具~
后端源码：https://github.com/qa-dpp/case-ai-backend
前端源码：https://github.com/qa-dpp/case-ai-front

🌟 核心功能
全类型文档分析：基于 Spring AI Alibaba 的自然语言处理和图像识别能力，支持 pdf 、word、txt 多种格式需求文档，精准提取需求点。
智能生成与筛选：采用 Spring AI Alibaba 的生成者评估者模式，生成者批量产出候选测试用例，评估者从合理性、覆盖率等维度筛选，保障用例质量与全面性。
脑图可视化呈现：将生成的测试用例自动转化为表格和脑图，清晰展示用例逻辑结构和与需求的对应关系，方便理解、执行与团队协作。
🛠️ 技术架构
底层框架：依托 Spring AI Alibaba，实现对文档的智能解析与处理。
生成模式：运用生成者评估者模式，构建高效可靠的测试用例生成流程。
可视化：集成表格和脑图生成技术，让测试用例以直观图形化方式呈现。

🛠️代码整体框架：

🛠️代码详解：

常量定义（Consts.java）

package com.fingertip.caseaibackend.commons;

public class Consts {
    public static final String ANALYZE_PROMPT = ...;
    public static final String CASE_WRITER_PROMPT = ...;
    public static final String CASE_REVIEWER_PROMPT = ...;
    public static final String CASE_FORMAT_PROMPT = ...;
    public static final String VISUAL_PROMPT = ...;

    public static final String ORIGIN_MESSAGE = "originMessage";
    public static final String CASE_INFO_MESSAGE = "caseInfoMessage";
    public static final String CASE_REVIEW_MESSAGE = "caseReviewMessage";
    public static final String CASE_FORMAT_MESSAGE = "caseFormatMessage";
}

该类定义了一系列常量，包括与大语言模型交互时使用的提示信息（如需求分析提示、测试用例编写提示等）以及状态图中使用的消息键。

配置文件（application.yml）

server:
  port: 8080

spring:
  application:
    name: spring-ai-alibaba-openai-chat-model-example
  ai:
    openai:
      api-key: xxx
      base-url: https://api.siliconflow.cn/
      chat:
        options:
          model: deepseek-ai/DeepSeek-R1
  servlet:
    multipart:
      max-file-size: 50MB
      max-request-size: 50MB
case-model:
  visual:
    api-key: xxx
    base-url: https://api.siliconflow.cn/
    model: Qwen/Qwen2.5-VL-72B-Instruct
  analyze:
    api-key: xxx
    base-url: https://api.siliconflow.cn/
    model: deepseek-ai/DeepSeek-R1
  generate:
    api-key: xxx
    base-url: https://api.siliconflow.cn/
    model: deepseek-ai/DeepSeek-R1-Distill-Qwen-7B
  reviewer:
    api-key: xxx
    base-url: https://api.siliconflow.cn/
    model: MiniMaxAI/MiniMax-M1-80k
  format:
    api-key: xxx
    base-url: https://api.siliconflow.cn/
    model: deepseek-ai/DeepSeek-V3
logging:
  level:
    root: INFO
    org.springframework.ai: DEBUG
    com.example.demo: DEBUG

配置文件定义了服务器端口、Spring AI 的基本配置（如 API 密钥、基础 URL、模型类型）以及不同任务（如可视化、需求分析、测试用例生成等）使用的模型信息。同时，还配置了文件上传的最大大小和日志级别。

大语言模型配置（LLMConfig.java）

package com.fingertip.caseaibackend.aiproxies.configs;

import org.springframework.ai.chat.model.ChatModel;
import org.springframework.ai.openai.OpenAiChatModel;
import org.springframework.ai.openai.OpenAiChatOptions;
import org.springframework.ai.openai.api.OpenAiApi;
import org.springframework.beans.factory.annotation.Value;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;

@Configuration
public class LLMConfig {
    @Value("${case-model.analyze.api-key}")
    private String analyze_apiKey = "";
    @Value("${case-model.analyze.base-url}")
    private String analyze_baseUrl = "";
    @Value("${case-model.analyze.model}")
    private String analyze_Model = "";

    @Bean
    public ChatModel analyzeModel() {
        OpenAiChatOptions options = new OpenAiChatOptions();
        options.setModel(analyze_Model);
        options.setTemperature(0.7);
        return OpenAiChatModel.builder().openAiApi(OpenAiApi.builder().apiKey(analyze_apiKey).baseUrl(analyze_baseUrl).build()).defaultOptions(options).build();
    }

    // 其他模型配置...
}

该类使用 Spring 的 @Configuration 注解，通过 @Value 注解从配置文件中读取不同任务所需的 API 密钥、基础 URL 和模型类型，然后创建相应的 ChatModel 实例。

控制器（AiChatController.java）

@RestController
@RequestMapping("/ai-api")
public class AiChatController {
    private static final String DEFAULT_PROMPT = "你好，介绍下你自己！";

    private final ChatClient openAiAnalyzeChatClient;
    private final ChatClient openAiGenerateChatClient;
    private final ChatClient openAiReviewerChatClient;
    private final ChatClient openAiFormatChatClient;
    private final ChatClient openAiVisualChatClient;

    public AiChatController(@Qualifier("analyzeModel") ChatModel analyzeModel, ...) {
        this.openAiAnalyzeChatClient = ChatClient.builder(analyzeModel)
                .defaultAdvisors(new SimpleLoggerAdvisor())
                .defaultOptions(OpenAiChatOptions.builder().topP(0.7).build())
                .build();
        // 其他 ChatClient 初始化...
    }

    @PostMapping("/file/upload")
    public ApiResult<String> uploadFile(@RequestParam("files") MultipartFile[] files) {
        ApiResult<String> result = new ApiResult<>();
        try {
            if (files == null || files.length == 0) {
                result.setMessage("上传文件为空");
                result.setCode(400);
                return result;
            }

            StringBuilder contentBuilder = new StringBuilder();
            for (MultipartFile file : files) {
                if (file.isEmpty()) {
                    continue;
                }
                String fileName = file.getOriginalFilename();
                if (fileName == null) {
                    continue;
                }

                if (fileName.endsWith(".docx") || fileName.endsWith(".pdf")) {
                    List<Media> mediaList = null;
                    if (fileName.endsWith(".docx")) {
                        // 将 docx 转换为 PDF
                        XWPFDocument docxDoc = new XWPFDocument(file.getInputStream());
                        ByteArrayOutputStream pdfOutputStream = new ByteArrayOutputStream();
                        PdfOptions options = PdfOptions.create();
                        PdfConverter.getInstance().convert(docxDoc, pdfOutputStream, options);
                        byte[] pdfBytes = pdfOutputStream.toByteArray();
                        mediaList = convertPdfToImages(pdfBytes);
                    } else if (fileName.endsWith(".pdf")) {
                        mediaList = convertPdfToImages(file.getBytes());
                    }
                    if (mediaList != null && !mediaList.isEmpty()) {
                        UserMessage message = UserMessage.builder().text(Consts.VISUAL_PROMPT).media(mediaList).metadata(new HashMap<>()).build();
                        message.getMetadata().put(MESSAGE_FORMAT, MessageFormat.IMAGE);
                        String content = openAiVisualChatClient.prompt(new Prompt(message)).call().content();
                        contentBuilder.append(content).append("\n");
                    }
                } else {
                    if (!file.isEmpty()) {
                        contentBuilder.append(file.getOriginalFilename()).append(":\n");
                        contentBuilder.append(new String(file.getBytes(), StandardCharsets.UTF_8)).append("\n");
                    }
                }
            }
            String content = contentBuilder.toString();

            String resp = openAiAnalyzeChatClient
                    .prompt(Consts.ANALYZE_PROMPT)
                    .user(content)
                    .call()
                    .content();

            result.setData(resp);
            result.setMessage("解析完成");
            result.setCode(200);
        } catch (Exception e) {
            result.setMessage("文件处理异常: " + e.getMessage());
            result.setCode(500);
            return result;
        }
        return result;
    }

    // 其他接口方法...
}

AiChatController 是项目的控制器类，负责处理客户端的请求。它通过构造函数注入不同任务的 ChatClient 实例，提供了文件上传、流式文件上传和测试用例创建等接口。在文件上传接口中，会根据文件类型（.docx 或 .pdf）进行相应的处理，如将 docx 转换为 PDF，再将 PDF 转换为图片，最后调用可视化模型进行处理

节点类（CaseGenerateNode.java, CaseReviewerNode.java, CaseFormatNode.java）

package com.fingertip.caseaibackend.aiproxies.nodes;

import com.alibaba.cloud.ai.graph.OverAllState;
import com.alibaba.cloud.ai.graph.action.NodeAction;
import com.fingertip.caseaibackend.commons.Consts;
import org.springframework.ai.chat.client.ChatClient;
import org.springframework.ai.chat.model.ChatResponse;
import org.springframework.util.StringUtils;

import java.util.HashMap;
import java.util.Map;

public class CaseGenerateNode implements NodeAction {
    private final ChatClient chatClient;

    public CaseGenerateNode(ChatClient chatClient) {
        this.chatClient = chatClient;
    }

    @Override
    public Map<String, Object> apply(OverAllState t) {
        String origin_message = (String) t.value(Consts.ORIGIN_MESSAGE).orElse("");
        String case_reviewer_message = (String) t.value(Consts.CASE_REVIEW_MESSAGE).orElse("");
        String caseInfo = (String) t.value(Consts.CASE_INFO_MESSAGE).orElse("");

        if (!StringUtils.hasText(origin_message)) {
            throw new IllegalArgumentException("没有找到原始消息");
        }
        String content = Consts.CASE_WRITER_PROMPT + "\n\n" + origin_message;
        if (StringUtils.hasText(case_reviewer_message) && StringUtils.hasText(caseInfo)) {
            content = "%s\n# 原始需求:\n%s\n\n# 上个版本需求用例:\n%s \n# 专家意见:%s\n".formatted(Consts.CASE_WRITER_PROMPT, origin_message, caseInfo, case_reviewer_message);
        }

        ChatResponse response = chatClient.prompt(content).call().chatResponse();
        String output = null;
        if (response != null) {
            output = response.getResult().getOutput().getText();
        }

        Map<String, Object> updated = new HashMap<>();
        updated.put(Consts.CASE_INFO_MESSAGE, output);

        return updated;
    }
}

这些节点类实现了 NodeAction 接口，用于在状态图中执行特定的任务。例如，CaseGenerateNode 负责根据原始需求和评审意见生成测试用例，它从 OverAllState 中获取所需的信息，构造请求内容，调用相应的 ChatClient 与大语言模型交互，最后将生成的测试用例信息存储到 OverAllState 中。

反馈分发器（FeedbackDispatcher.java）

package com.fingertip.caseaibackend.aiproxies.nodes;

import com.alibaba.cloud.ai.graph.OverAllState;
import com.alibaba.cloud.ai.graph.action.EdgeAction;
import com.fingertip.caseaibackend.commons.Consts;

public class FeedbackDispatcher implements EdgeAction {
    @Override
    public String apply(OverAllState t) {
        String output = (String) t.value(Consts.CASE_REVIEW_MESSAGE).orElse("");
        return output.toLowerCase().contains("approve") ? "positive" : "negative";
    }
}

FeedbackDispatcher 实现了 EdgeAction 接口，根据测试用例评审结果（CASE_REVIEW_MESSAGE）判断是否通过评审，并返回相应的反馈结果（positive 或 negative），用于状态图中的流程控制

总结：

目前用例生成的 promot 需持续调优，测试用例的补全、最终用例的存储、下载功能有待开发，敬请期待~

3 个赞

共收到 1 条回复时间点赞

叶飞 #1 · 2025年07月08日

思路看起来可行，我看到有说将 docx 转为 pdf，再将 pdf 转为图片，最后调用视觉大模型来解析，这是为什么呢？为什么不直接使用需求的文字来直接调用 LLM 解析呢？

需要登录后方可回复, 如果你还没有账号请点击这里注册。