一、金融业测试数据准备的核心痛点

数据复杂性高：银行系统业务种类多（如客户信息、个人金融、投资理财）、客户群体广、监管规则严，生成端到端测试数据链路长（如购买理财产品的借记卡数据需流经3个系统、6个模块、10+接口）。

架构转型新挑战：分布式架构下测试数据存储于多系统异构数据库，数据不同步导致“测试灾难”；信创转型与多版本迭代（如7-9月版环境）加剧数据同步难度，大量数据不可用。

需求属性高且传统方法失效：每日高频需求（如手机银行需活期存折、个人网银需一类借记卡）依赖人工提供，效率低；传统方法（SQL更新、导入生产数据、接口生成）存在长链路数据难准备、合规风险高、多接口难串联等问题。

二、测试数据智能体建设思路

核心目标：实现造数/查数全自助，解决自动化测试数据误报，提升功能测试用数效率，达成“多（覆盖80%高频数据）、快（一键跨系统造数）、好（数据定时保鲜）、准（大模型精准解析需求）”四大指标。

关键解决方案：

统一数据服务规范：封装标准化数据服务，支持“搭积木式”跨系统造数，解决多接口串联与报文字段赋值难题。

构建测试数据知识库：分为造数知识库（含数据服务层、报文字段层，补充多表述方式）与查数知识库（含数据种类层、特征条件层，支持同义词/口语化匹配），为智能解析提供支撑。

数据保鲜机制：通过定时数据建模与刷新，保障数据有效性，避免版本升级导致数据失效。

大模型融合：基于知识库+大模型实现需求精准识别，输出匹配的数据服务或查询条件，减少人工依赖。

三、测试数据智能体建设实践

知识库问题与调优：针对“用户需求与业务规则冲突”（如“上海地区借记卡”因网点/柜员号错误开卡失败），新增常识库（如333地区对应常用网点/柜员号、人民币账户对应钞户），提升智能体业务“成熟度”。

提示词工程优化：

提升推理效率：删除提示词中“报文默认值”要求，约束“未提及字段赋空值”，推理耗时从278000毫秒降至48524毫秒（提速6倍）。

适配模型特性：将查数特征拆解为“数字-中文”两列，先让模型输出数字结果，再拼接为“数字-中文”格式（如1→1-军保卡），解决模型仅识别数字的偏差问题。

智能需求识别：结合知识检索模型与银行业务规则，精准解析需求（如“需要借记卡+客户编号123***”，优先匹配“基于现有客户编号开卡”服务，而非“新开客户+开卡”，减少冗余操作）。

四、成效与未来展望

落地成效：

覆盖一线高频造数/查数需求，实现对话式自助用数，降低人工依赖。

构建企业级智能测试底座，统一核心应用知识，形成可扩展、可共享的知识库资产。

开创人机对话用数新范式，为AI赋能研发测试提供参考。

未来方向：

扩展知识库：拓宽数据源，覆盖更多业务系统，丰富数智资产。

增强检索能力：整合业务规则形成通用模块，优化算法提升推荐准确度。

提升推理精度：迭代提示词工程，优化造数报文/查数特征生成的精度与效率。

泛化用数触点：封装原子服务接口，嵌入接口测试工具、OA聊天、企业研发平台，提升使用便捷性。