一个测开老兵的 26 年个人成就计划

2026 年测试智能化升级技术实现方案 v3

1. 核心背景与重构目标

本项目 llmcase-v3 旨在通过最先进的 RAG（检索增强生成）与 Multi-Agent（多智能体）代理技术，对老旧的线性流水线进行彻底重构。

1.1 核心攻关痛点

• 幻觉问题：生成内容脱离需求文档。
• 逻辑浅薄：生成的测试用例缺乏深度业务逻辑覆盖。
• 不可观测：无法追踪 Agent 内部推理过程，难以调试。
• 评估滞后：缺乏自动化的量化评估体系。

1.2 核心目标

• 构建基于 LangGraph 的循环自愈工作流。
• 集成 Ragas 实现全自动质量闭环。
• 引入 LangSmith 提供工业级可观测性。
• 存量复用：深度吸收并重构现有成熟的实体提取、测试要点生成逻辑，避免重复造轮子。

2. 总体架构设计 (Technical Stack)

2.2 技术选型与判定逻辑 (Technology Selection Logic)

基于 demos/ 目录下的技术验证，制定了以下选型与判定逻辑，作为本案的实施基石：

1. 文档解析与加载提取 (Data Loader)

   • 文本解析 (Word/PDF): 选用 Docx2txtLoader，它在保真度与轻量化之间取得了良好的平衡（详单见 demos/rag_01_data_loader.py），能高效提取需求文档内容。
   • 历史用例解析 (Excel): 弃用传统的纯文本读取，改用 Pandas 对已有 .xlsx 进行结构化解析（处理 NaN 空缺），从而应对各异的表头（如 "操作步骤" 与 "* 测试步聚" 等变体），并将关键字段（如所属模块、测试点）结构化地存储至 Document 的 metadata 中以供精确检索。

2. 文档分块策略 (Chunking Strategy)

   • 判定依据: 经过 demos/rag_02_text_splitter.py 的验证，对于需求文档这种强上下文相关的数据，固定长度切分容易导致语义截断。
   • 最终选型: 优先考虑采用 SemanticChunker（语义相似度分块），它能在主题发生切换时才切分段落，从而保持逻辑的完整性。

3. 检索架构 (Retrieval Architecture)

   • 双路召回 (Dual-Path Strategy): 将 “需求文档知识（Context）” 与 “历史用例示例（Few-Shot Examples）” 分开检索。在 demos/rag_04_langgraph.py 的验证中，通过 metadata={"row": index} 进行精准匹配，成功分离了背景知识获取与特定样本参考的逻辑，大幅提升了 Prompt 中少样本学习的关联度。

2.3 逻辑架构图 (LangGraph Flow)

graph TD
    User([需求文档 Word/Text]) -->|Input| Start((开始))

    subgraph "知识层 (Knowledge Base)"
        History[历史 Excel 用例] -->|ETL| VectorStore[(向量数据库)]
        Doc[当前需求] -->|Loader| VectorStore
    end

    subgraph "智能体层 (LangGraph Core)"
        Start --> Entity[实体提取 Agent]
        Entity --> Point[测试要点生成 Agent]
        Point --> Case[测试用例生成 Agent]

        VectorStore -.->|Few-Shot Samples| Point
        VectorStore -.->|Context Metadata| Case

        Case --> Eval[Ragas 评估 Agent]
        Eval -->|分数 < 0.8| Opt[重构优化 Agent]
        Opt -->|改进建议| Case
        Eval -->|分数 >= 0.8| Output[最终测试方案]
    end

    LangGraph -->|全链路 Trace| LangSmith
    Output -->|Result| User

3. 详细模块实现方案

3.1 闭环 RAG Pipeline 实现

1. 加载器 (Data Loader):
   • 需求文档：使用 Docx2txtLoader 实现 Word 对 Markdown 的高保真保留。
   • 历史库：使用 Pandas 对已有 .xlsx 用例进行清洗，提取 (测试点, 步骤, 预期) 作为元数据。
2. 动态分块 (Chunking):
   • 采用 SemanticChunker（语义分块）减少上下文断裂。
   • 备选方案：RecursiveCharacterTextSplitter（500/50 overlap）。
3. 高级检索流程 (Advanced Retrieval Flow):
   • 预检索 (Pre-retrieval):
     • Query Rewriting: 利用 LLM 将用户需求扩展为更具搜索性的测试点描述。
   • 检索 (Retrieval):
     • Dual-Path Strategy: 需求背景检索与历史用例检索。
   • 检索后处理 (Post-processing):
     • Reranking: 使用重排序模型过滤噪声。
     • Context Compression: 仅保留核心片段，节省 Token。

3.2 现有功能逻辑复用 (Legacy Logic Integration)

• 略

3.3 LangGraph 状态机与自愈机制

• 略

3.4 LangSmith 增强功能

• 略

3.5 Few-Shot 详细设计实现机制

为了确保 生成 Agent 能够输出高可用、格式标准的测试用例，我们基于演示验证 (demos/rag_04_langgraph.py) 设计了 Few-Shot 的专门处理与应用机制：

• 略

4. 实施阶段 (Roadmap)

1. Phase 1: 基础设施搭建与 Legacy 逻辑原子化封装。
2. Phase 2: 构建 RAG 知识库与两路检索链路。
3. Phase 3: 实现 LangGraph 闭环并集成 Ragas + LangSmith。

5. 核心拓展方案设计评估 (Extensions)

5.1 输入内容定义机制评估

考虑到不同用户角色的使用习惯及诉求，方案定义了 “三核触发模式”：

1. 主流程（用户提供 docx 策划文档）：
   • 提取文档内容并进行 RAG 动态分块存入当前上下文。
   • LangGraph 隐式利用 docx 提取的内容结合 Few-shot（从历史知识库召回）完成全量测试操作与用例生成。
2. 知识库底座录入（用户提供 excel 策划文档）：
   • 不作为即时生成触发器，而是作为 few-shot 提取的依据库。
   • 对上传的 Excel 历史用例进行 ETL 后结构化入库（向量库），为生成提供高质量标准对齐参考。
3. 即时探索流程（不录入文档直接提问）：
   • 跳过 Context Loader，直接提取用户指令里的 Query 开启 LangGraph 流程。
   • 利用通用 LLM 推理结合向量库中的类似功能历史记忆作答，适合轻量级验证与探索。

5.2 动态分块与多模态处理方案评估

结合实际带有配图的需求文档，形成如下处理链路：

• 略 ### 5.3 模型环境配置策略
• 略

5.4 全链路详细节点与数据流转设计 (Detailed Implementation Flow)

- 略

6. 实施现状与后续工作规划 (Implementation Status & Future Planning)

6.1 当前落实情况 (v3.0 Release State)

在当前版本的优化中采取了 “技术思想先行，轻量化落地” 的策略。具体应用如下：

• LangChain (深度应用)：已通过 FAISS 和 HuggingFaceEmbeddings 实现了 RAG 检索（Few-shot 召回），显著提升了测试用例的生成深度。
• LangGraph (逻辑对齐)：按照 v3 设计的 Node 1-5 序贯逻辑重构了后端服务。目前由后端 Service 状态机驱动，尚未引入 .graph 状态机文件。
• Ragas (算法对齐)：在 evaluator 模块中手动实现了 Ragas 的核心评价逻辑（Faithfulness, Relevance），完成了质量评估闭环。
• LangSmith (日志化对齐)：全链路通过规范化的 logger 追踪推理过程，模仿了 Trace 逻辑，确保过程可观测。