一、项目背景：需求与技术契机

手工测试用例痛点：需求复杂度高且跨领域，业务经验沉淀难；软件迭代周期缩至单周，需兼顾测试质量与效率；团队间数据壁垒高，业务经验难实时更新。

AI技术支撑：大模型推理能力跃升，融合知识图谱后语义理解精度优化；智能Agent、多轮对话等应用爆发，为辅助手工测试奠定技术基础。

二、平台设计：核心思路与架构

关键挑战：需求文档主观内容难理解、长文本输出压力大、专家经验与知识库配置解析难、召回排序复杂、用例统一管理难。

设计思路：以“原始需求→格式化文本→测试点→测试用例”流程，通过测试点过渡降低模型长文本压力；同步用RAG工程匹配业务回归用例，提升覆盖度。

架构分层：

应用层：含历史用例推荐、用例生成管理、Agent评测等功能，支持Xmind用例转化与需求格式化。

服务层：通过多Agent协作（需求格式化、测试点生成、用例生成）、Prompt与知识库协同、RAG召回工程实现核心逻辑。

数据层：依托Milvus向量库、历史用例表、评测数据集，支撑分词向量化、语义匹配等操作。

三、技术实现：核心策略与优化

多模型协同：按场景匹配模型（需求转化用非推理模型，测试点提取用推理模型），拆分任务分层处理，成本降低20%，耗时降低10%，且模型可无缝替换。

Multi Agent协作：格式转化Agent保障需求关键信息不丢失；测试点生成Agent叠加业务Prompt提升覆盖度；用例生成Agent按测试点类型匹配策略，严守质检原则。

RAG知识库增强：通过多轮扩写语义增强生成多Query，结合BM25关键词检索与BGE-dense语义检索实现多路召回，再经RRF融合排序输出Top-K用例，提升匹配精度。

工程优化：多线程并发执行减少等待时间；缓存复用需求格式化内容；简化强校验场景Prompt，Token消耗降低10%+。

拓展探索：将用例转化为BDD形式生成UI自动化代码，采用观察者模式提升执行精度；AI辅助需求理解（格式化PRD）与业务文档落档。

四、实践效果与未来展望

实践成效：中小项目需求中，AI生成用例干预前召回率40%-60%、干预后50%-70%，正确率40%-50%；生成耗时8-10分钟，Token消耗优化10%+。

未来方向：引入多模态模型分析设计稿/原型图；基于历史故障分析新需求测试风险；通过MCP输出测试数据；联动生成UI自动化代码并实现部署维护。