前言
啥都不会的老菜鸟本人通过 AI 编程工具开发的平台，分享思路！
适用范围：小团队拥抱 AI 接口测试
基本流程
步骤 1: 服务平台上传 API 文档
步骤 2: 解析接口信息
步骤 3: AI 自动生成测试用例
步骤 4: 人工审核用例
步骤 5: 用例执行 (自动提交 SVN + 触发 Jenkins+Pytest 执行用例）
步骤 6: 查看测试报告
系统架构
1. 服务平台 (Flask Web 应用)
- 文档解析 (OpenAPI/Swagger/Markdown)
- 接口管理 (增删改查/批量操作/手动新增接口)
- AI 用例生成 (单个/批量/调用 dify)
- 用例审核 (在线编辑/批量审核/调试)
- SVN 自动提交 (调试/正式环境)
- Jenkins 自动触发 (输出 Allure 报告)
2. Dify AI 平台 (AI 工作流)
- 对话工作流 (Chatflow)
- LLM 智能分析 (GPT-4/其他模型)
- JSON 格式输出 (结构化测试用例)
- 多场景覆盖 (正向/异常/边界)
3. 接口用例脚本执行框架 (Pytest + Allure)
- 用例执行 (参数化测试/通用解析用例/单独解析用例)
- 报告生成 (Allure HTML 报告)
- Jenkins 集成 (SVN 触发/参数化构建)
- 环境隔离 (调试/正式分离)
AI 生成测试用例工作流程
用户点击生成
↓
平台调用 Dify API (POST /v1/chat-messages)
↓
Dify 接收接口详情 (JSON 格式)
↓
LLM 分析接口信息 (GPT-4 等模型)
↓
生成测试用例 JSON (结构化输出)
↓
平台解析并保存 (data/testcases/)
↓
返回给前端展示 (实时反馈)
执行用例自动化流程
点击"▶️ 执行用例"按钮
↓
前端发送请求 (POST /api/execute-testcases)
↓
后端转换为 YAML 格式 (JSON → YAML)
↓
提交到 SVN 服务器 (svn commit)
↓
获取 SVN 版本号 (revision)
↓
触发 Jenkins 构建 (POST /job/{job_name}/buildWithParameters)
↓
等待获取构建号 (轮询队列)
↓
生成 Allure 报告 URL
↓
返回执行结果给前端
↓
前端显示报告链接（可点击查看）
💻 技术栈
API 文档解析服务平台
后端技术:
- Flask - Python Web 框架
- Python 3.8+ - 编程语言
- Requests - HTTP 客户端
- PyYAML - YAML 处理
- python-dotenv - 环境变量管理
前端技术:
- 原生 JavaScript - 无框架依赖
- HTML5 + CSS3 - 页面结构和样式
-
主题系统 - 支持 3 种主题切换
- 🎨 默认主题 (紫色渐变)
- ⚡ 专业主题 (多彩渐变)
- ✨ 时尚主题 (深色科技风)
集成服务:
- Dify AI - AI 工作流平台
- SVN - 版本控制系统
- Jenkins - CI/CD 平台
文档解析服务平台项目源码结构
截图
简约主题
时尚主题
最后
为何用 jenkins 和 Dify 接口调用方式实现？
图方便，刚好自己也搭建了这 2 个，也方便调试 AI 模型提示语。
源码？
不清楚需要的人多不多。