关键是提示词，提示词越精准，效果就越好

const messages = [{
role: "system",
content: "你是一个专业的软件测试工程师，擅长编写接口自动化测试脚本。请生成符合 PEP8 规范的 Python 测试脚本，返回 Python 代码。不要包含任何解释说明或其他文本。换行符也不需要。"
},
{
role: "user",
content: 请根据以下测试用例信息生成Python自动化测试脚本，并且生成详细的注释：
测试用例名称: ${testCaseInfo.name}
测试步骤: ${JSON.stringify(testCaseInfo.steps, null, 2)}
预期结果: ${testCaseInfo.expectedResult}
请使用Python和requests库编写测试脚本。
}
]

嗯，我们是业务问题，有相应的知识库。提示词已经尽可能的优化了，但是准确率还不是很高 。也尝试了不同的模型

所以兜底就是人工呀，这东西我们只能调整提示词。

1. 构建提示词模板
2. 构建循环提示
3. 构建大模型自己思维连 COT
4. 让大模型自己提升自己
5. 构建自动化评测，通过提示词评测模型准确度，好，中，差。

知识库本身的质量、rag 的分段是否合理，召回策略的选择，相似度设置，是否重排，提示词是否准确
都会有不小的影响，需要一步步的调试 + 优化