关注 霍格沃兹测试学院公众号，回复「资料」, 领取人工智能测试开发技术合集

最近一年，AI 在软件测试领域最火的应用之一，就是：

AI 自动生成测试用例。

很多团队都做过类似尝试：

把需求文档丢给 AI，让它自动生成测试用例。

甚至有些工具可以做到：

输入一句话：

生成登录功能测试用例

AI 就能生成几十条测试场景。

第一次看到的时候，很多人都会觉得：

AI 测试时代来了。

但只要在真实项目里用一段时间，很多团队很快就会发现一个问题：

AI 写出来的测试用例，经常不完整。

于是一个新的讨论开始在测试圈出现：

AI 自动生成测试用例，真正的技术瓶颈到底在哪里？

在这个探索过程中，一个技术词开始频繁出现：

知识图谱（Knowledge Graph）

很多团队发现，仅靠 RAG 知识库，AI 很难真正理解系统结构。

这篇文章，我们就来拆解一个问题：

AI 自动生成测试用例的真实技术架构，以及为什么越来越多团队开始重新关注知识图谱。

---

目录

1. AI 自动生成测试用例的真实原理

2. 为什么很多团队开始做 AI 测试平台

3. RAG 知识库的核心问题：关联性

4. 为什么行业开始重新关注知识图谱

5. 知识图谱为什么很难落地

6. AI 自动化测试架构的未来

---

一、AI 自动生成测试用例的真实原理

很多人第一次看到 AI 自动生成测试用例，会产生一个误解：

AI 理解了你的系统。

但实际上，大部分 AI 测试工具的工作方式是：

AI 在帮你查文档。

典型架构是这样的：

整个过程其实非常简单：

第一步 AI 在知识库中搜索需求文档

第二步 把需求文档和提示词一起发送给大模型

第三步 大模型根据需求生成测试用例

所以很多人会产生一种错觉：

我只输入一句话，AI 就理解业务了。

但真实发生的是：

AI 自动查找需求文档，然后再生成答案。

---

二、为什么很多团队开始做 AI 测试平台

如果团队成员直接使用 ChatGPT 或 Claude，会出现一个非常现实的问题：

Prompt 能力差异巨大。

例如：

普通 Prompt

生成登录测试用例

稍微专业一点的 Prompt

根据以下需求生成测试用例
包含正常流程、异常流程、边界值、安全验证
输出为测试用例表结构

生成效果差距非常大。

于是很多企业开始做一件事情：

把 Prompt 固定下来。

也就是通过 AI 应用平台，把复杂 Prompt 封装起来。

这样做带来三个重要价值：

统一团队 AI 使用水平

不需要每个人都掌握 Prompt Engineering。

自动查找需求文档

AI 可以自动搜索知识库中的需求。

沉淀测试经验

测试策略、测试模板可以沉淀在平台中。

这也是为什么现在越来越多公司开始搭建：

• AI 测试平台

• AI 测试助手

• AI Test Agent

---

三、RAG 知识库的核心问题：关联性

目前大部分 AI 测试平台都会使用：

RAG（Retrieval Augmented Generation）

简单来说就是：

先搜索文档，再让 AI 生成答案。

典型流程如下：

看起来逻辑非常合理。

但在真实项目里，会出现几个典型问题。

---

搜索结果不完整

RAG 的核心是 向量相似度搜索。

如果需求文档被拆成多个部分：

• 登录流程

• 登录安全策略

• 权限校验

• 用户状态

RAG 可能只召回其中一部分。

结果就是：

AI 生成的测试用例缺少关键场景。

---

无法理解业务关系

真实系统往往是这样的结构：

这些模块之间存在复杂关系。

但 RAG 只能做一件事情：

搜索相似文本。

它并不知道：

这些模块其实属于同一个业务链路。

---

效果受模型与切片影响

RAG 的效果还受到很多因素影响：

• Embedding 模型

• 文档切片策略

• 检索算法

不同方案效果差异很大。

这也是为什么很多团队会发现：

AI 写测试用例 Demo 很惊艳，但真实项目效果一般。

---

四、为什么行业开始重新关注知识图谱

为了解决 RAG 的关联问题，行业开始重新关注一个技术：

知识图谱（Knowledge Graph）

知识图谱的核心思想不是搜索文档，而是：

构建业务关系网络。

例如：

当 AI 查询：

登录功能测试用例

系统不仅能找到文档，还能找到：

• 相关模块

• 依赖系统

• 上下游关系

这样生成的测试用例就会更加完整。

---

五、知识图谱为什么很难落地

知识图谱听起来非常理想。

但真正落地时，会遇到一个现实问题：

成本非常高。

构建知识图谱通常需要：

• 数据清洗

• 实体识别

• 关系建模

• 持续维护

而企业项目里的需求文档往往：

• 写得不规范

• 版本很多

• 结构混乱

要把这些数据结构化成知识图谱，成本非常高。

所以目前行业的真实情况是：

技术方案	行业状态
RAG知识库	已大量应用
AI测试平台	正在落地
知识图谱	仍在探索

很多团队仍在寻找：

成本更低的 AI 测试架构。

---

六、AI 自动生成测试用例的未来架构

AI 测试技术正在经历三个阶段：

未来真正成熟的 AI 测试架构，很可能会是这样：

也就是说：

AI 不只是写测试用例。

它会逐渐演变成：

自动测试工程师。

---

结语

AI 自动生成测试用例确实展示了巨大的潜力。

但工程世界里有一个非常朴素的事实：

问题往往不在模型，而在数据结构。

RAG 解决的是：

文档检索问题

知识图谱试图解决的是：

业务关系问题

而真正成熟的 AI 测试系统，仍然在进化之中。

未来几年，我们很可能会看到一种新的角色：

AI Test Agent（测试智能体）

它可以：

• 自动阅读需求

• 自动生成测试用例

• 自动执行测试

• 自动生成测试报告

当这一天真正到来时，软件测试的工作方式可能会发生一次巨大的变化。

关于我们

霍格沃兹测试开发学社，隶属于 测吧（北京）科技有限公司，是一个面向软件测试爱好者的技术交流社区。

学社围绕现代软件测试工程体系展开，内容涵盖软件测试入门、自动化测试、性能测试、接口测试、测试开发、全栈测试，以及人工智能测试与 AI 在测试工程中的应用实践。

我们关注测试工程能力的系统化建设，包括 Python 自动化测试、Java 自动化测试、Web 与 App 自动化、持续集成与质量体系建设，同时探索 AI 驱动的测试设计、用例生成、自动化执行与质量分析方法，沉淀可复用、可落地的测试开发工程经验。

在技术社区与工程实践之外，学社还参与测试工程人才培养体系建设，面向高校提供测试实训平台与实践支持，组织开展 “火焰杯” 软件测试相关技术赛事，并探索以能力为导向的人才培养模式，包括高校学员先学习、就业后付款的实践路径。

同时，学社结合真实行业需求，为在职测试工程师与高潜学员提供名企大厂 1v1 私教服务，用于个性化能力提升与工程实践指导。