核心内容摘要
鲜活滋味，智慧共赢：美女老板联袂，打造豆浆蘑菇新风尚
在编写测试用例的过程中测试工程师会通过需求文档研发的概要设计等信息编写测试用例测试用例的输出格式常常为思维导图或者excel等数据信息。
在以上的流程中一个测试工程师可以根据比较详细的需求文档以及研发的概要设计输出对应的测试点以及测试用例。
而如果和人工智能进行结合的话人工智能代替的工作就是测试工程师目前的位置。
实践演练需求说明接下来则通过一个小实战练习完成整个流程以下为某个产品的需求文档需要右键另存为。
实战要完成具体的操作为根据对应的需求文档生成一个思维导图。
实现思路完整代码from langchain_community.document_loaders import TextLoader from langchain_community.vectorstores.faiss import FAISS from langchain_core.tools import tool from langchain_openai import ChatOpenAI, OpenAIEmbeddings from langchain.agents import AgentExecutor, create_openai_tools_agent from langchain import hub from plantuml import PlantUML # 声明模型 llm ChatOpenAI() # #
读取文件。
loader TextLoader(./需求文档.md) data loader.load() #
embedding embeddings OpenAIEmbeddings() # #
向量存储 vector FAISS.from_documents(data, embeddings) retriever vector.as_retriever() from langchain.tools.retriever import create_retriever_tool retriever_tool create_retriever_tool( retriever, search_demand, 找到需求文档中具体说明需求的地方, ) tool def generate_png(uml_code, filename): 输入plantuml代码生成图像并保存为文件 plantuml PlantUML(urlhttps://plantuml.ceshiren.com/img/) image_bytes plantuml.processes(uml_code) with open(f{filename}.png, wb) as f: f.write(image_bytes) tools [retriever_tool, generate_png] llm_with_tools llm.bind_tools(tools) prompt hub.pull(hwchase17/openai-tools-agent) agent create_openai_tools_agent(llm, tools, prompt, ) agent_executor AgentExecutor(agentagent, toolstools, verboseTrue) result agent_executor.invoke({ input: 我是一个测试工程师我需要从以上的需求文档中梳理出来需求信息请帮我将所有的需求梳理出来 思维导图的第一级是需求文档中的
x开头的标题信息表示功能模块第二级是该功能模块的测试点 请先输出一个 plantuml 格式的源码源码格式如代码内所示 startmindmap * root node * some first level node * second level node * another second level node * another first level node endmindmap 然后再根据源码信息输出一个plantuml格式的思维导图文件。
生成一个图片文件文件名为 hogwarts加任意随机数 })
总结掌握 LangChain 中Retrieval的使用。
掌握 LangChain 中 agent 的使用。
掌握通过 LangChain 将需求文档转为测试用例的技巧感谢每一个认真阅读我文章的人礼尚往来总是要有的虽然不是什么很值钱的东西如果你用得到的话可以直接拿走这些资料对于【软件测试】的朋友来说应该是最全面最完整的备战仓库这个仓库也陪伴上万个测试工程师们走过最艰难的路程希望也能帮助到你!有需要的小伙伴可以点击下方小卡片领取