当前位置：首页 > news >正文

AI 智能测试平台：自动进行需求分析测试建模测试用例测试报告「详细介绍」

news 来源：原创 2025/6/14 19:35:33

Streamlit+LLM+RAG 测试智能体平台

- 项目简介
- ✨ 主要功能
- 🚀 安装指南
- - 前置条件
  - 步骤
- 💡 使用方法
- 💾 数据存储
- ⚙️ 配置

项目简介

本项目是一个基于 Streamlit 构建的交互式 Web 应用，利用大语言模型 (LLM) 和检索增强生成 (RAG) 技术，辅助完成各种软件测试任务。用户可以输入需求描述，选择性地通过知识库和历史数据增强上下文，从而生成 需求规格说明书、测试用例、测试建模文档、和 测试报告。
在这里插入图片描述

✨ 主要功能

📝 AI 生成任务:
- 需求分析: 基于提供的需求描述，生成软件需求规格说明书 (SRS)。
- 测试分析 (建模): 创建详细的测试建模文档。
- 测试用例生成: 从需求描述自动生成结构化的测试用例。
- 测试报告生成: 根据输入信息生成专业的测试报告。
🔍 检索增强生成 (RAG):
- 知识库集成: 支持上传文档来构建知识库。系统会自动解析和切分这些文档。
- 上下文增强: 从知识库和相似的历史数据中检索相关片段，为 LLM 提供更丰富的上下文，从而提高生成内容的质量和相关性。
🧠 灵活的 LLM 集成:
- 支持多种 LLM 服务提供商：Ollama、OpenAI 以及自定义 API 端点。
- 允许从多种预定义模型中选择，或指定自定义模型名称。
- 可通过 UI 配置 API 端点和 API 密钥。
📊 用户界面与输出:
- 交互式 UI: 使用 Streamlit 构建，包含 AI 生成、知识库管理和模型设置等标签页。
- 多种输出视图: 以表格、JSON 和 Markdown 格式显示生成的测试用例。
- 导出功能: 允许将生成的需求规格说明书、测试建模文档、测试用例和测试报告下载为 Markdown 文件。
- 知识库查看器: 浏览已上传的文档及其提取的片段。
- 统计信息: 显示知识片段数量和历史测试用例数量等基本统计数据。

🚀 安装指南

前置条件

Python 3.8+
Ollama (推荐用于本地模型，如果使用默认设置，请先安装并运行)
Git

步骤

克隆仓库:

git clone <your-repository-url> （项目源码可联系我获取）
cd <repository-folder-name>

创建并激活虚拟环境:

# Windows
python -m venv venv
.\venv\Scripts\activate

# Linux/macOS
python -m venv venv
source venv/bin/activate

安装依赖:

pip install -r requirements.txt

提示: 如果在国内遇到网络问题，可以尝试使用镜像源:

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

💡 使用方法

确保您选择的 LLM 服务正在运行:
- 如果使用 Ollama (默认)，请确保 Ollama 应用程序正在运行。
- 如果使用 OpenAI 或自定义 API，请确保您拥有正确的 API 端点和凭据。
运行 Streamlit 应用:
```
streamlit run rag_test_agent.py
```
与应用交互:
- 📝 AI 生成标签页:
  - 输入或通过文件上传导入需求描述。
  - 可选择勾选 “使用知识库和历史用例” 复选框以启用 RAG 来增强生成效果 (影响测试用例、测试分析、需求分析和测试报告的生成)。
  - 调整生成参数，如最大用例数和温度 (创造性)。
  - 点击相应的按钮：“需求分析”、“生成测试建模”、“生成测试用例” 或 “生成测试报告”。
  - 查看并导出结果。
  - 需求分析（部分示例）：
  - 测试建模（部分示例）：
  - 测试用例（部分示例）：
  - 测试报告（部分示例）：

📚 知识库管理标签页: 上传相关文档 (PDF, DOCX, TXT, MD, JSON) 来构建您的知识库。可以查看已存在的知识片段。
⚙️ 模型设置标签页: 配置您想要的 LLM 提供商、模型名称、API 基础 URL 和 API 密钥 (如果需要)。默认使用 Ollama 的 qwen2.5:7b 模型，地址为 http://127.0.0.1:11434。