构建测试专属 AI Agent。让 AI 成为你的 24 小时质量专家（含完整代码与部署指南

# index_code.py
from langchain_community.document_loaders import DirectoryLoader
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_chroma import Chroma
from langchain_ollama import OllamaEmbeddings
def index_project_code(project_path: str, persist_dir: str):
    # 加载所有 Python 文件
    loader = DirectoryLoader(project_path, glob="**/*.py")
    docs = loader.load()
    # 按函数/类分块（保留上下文）
    text_splitter = RecursiveCharacterTextSplitter(
        chunk_size=600,
        chunk_overlap=100,
        separators=["\n\ndef ", "\n\nclass "]
    )
    splits = text_splitter.split_documents(docs)
    # 向量化并存储
    vectorstore = Chroma.from_documents(
        documents=splits,
        embedding=OllamaEmbeddings(model="nomic-embed-text"),
        persist_directory=persist_dir
    )
    vectorstore.persist()
    print(f"Indexed {len(splits)} code chunks to {persist_dir}")
# 执行索引
index_project_code("./my_project", "./vectorstores/code")

1.2 缺陷知识库构建

# index_defects.py
import pandas as pd
from langchain_chroma import Chroma
from langchain_ollama import OllamaEmbeddings
def index_defects(jira_csv: str, persist_dir: str):
    df = pd.read_csv(jira_csv)
    # 构造缺陷描述文本
    defect_texts = []
    for _, row in df.iterrows():
        text = f"""
        缺陷ID: {row['issue_key']}
        标题: {row['summary']}
        描述: {row['description']}
        根因: {row['root_cause']}
        解决方案: {row['resolution']}
        模块: {row['component']}
        """
        defect_texts.append(text)
    # 向量化
    vectorstore = Chroma.from_texts(
        texts=defect_texts,
        embedding=OllamaEmbeddings(model="nomic-embed-text"),
        persist_directory=persist_dir
    )
    vectorstore.persist()
# 从 Jira 导出 CSV 后执行
index_defects("jira_defects.csv", "./vectorstores/defects")

📌 数据源建议：

代码：Git 仓库

缺陷：Jira / Azure DevOps 导出

文档：Confluence / Markdown 测试规范

步骤 2：搭建 AI Agent 核心引擎

2.1 定义工具（Tools）

# tools.py
from langchain_core.tools import tool
from langchain_chroma import Chroma
from langchain_ollama import OllamaEmbeddings
@tool
def search_code(query: str) -> str:
    """搜索项目代码库，返回相关代码片段"""
    vectorstore = Chroma(
        persist_directory="./vectorstores/code",
        embedding_function=OllamaEmbeddings(model="nomic-embed-text")
    )
    results = vectorstore.similarity_search(query, k=3)
    return "\n\n".join([doc.page_content for doc in results])
@tool
def search_defects(query: str) -> str:
    """搜索历史缺陷库，返回相似缺陷案例"""
    vectorstore = Chroma(
        persist_directory="./vectorstores/defects",
        embedding_function=OllamaEmbeddings(model="nomic-embed-text")
    )
    results = vectorstore.similarity_search(query, k=2)
    return "\n\n".join([doc.page_content for doc in results])

2.2 创建 Agent 执行器

# agent.py
from langchain import hub
from langchain.agents import create_tool_calling_agent, AgentExecutor
from langchain_ollama import OllamaLLM
from tools import search_code, search_defects
def create_test_agent():
    # 初始化大模型（可替换为阿里云百炼 API）
    llm = OllamaLLM(model="qwen:7b", temperature=0.2)
    # 获取预设 Prompt（支持中文）
    prompt = hub.pull("hwchase17/openai-functions-agent")
    # 绑定工具
    tools = [search_code, search_defects]
    agent = create_tool_calling_agent(llm, tools, prompt)
    return AgentExecutor(agent=agent, tools=tools, verbose=True)
# 全局 Agent 实例
test_agent = create_test_agent()

步骤 3：扩展高级能力（测试专项）

3.1 Allure 报告分析

# allure_analyzer.py
import xml.etree.ElementTree as ET
def parse_allure_report(report_path: str) -> str:
    """解析 Allure 测试报告，提取失败用例模式"""
    tree = ET.parse(f"{report_path}/widgets/summary.json")
    summary = tree.getroot()
    failed_tests = []
    for suite in summary.findall(".//testSuite"):
        if suite.find("statistic/failed").text != "0":
            suite_name = suite.get("name")
            failed_count = suite.find("statistic/failed").text
            failed_tests.append(f"{suite_name}: 失败 {failed_count} 个用例")
    return "近期失败热点:\n" + "\n".join(failed_tests[:5])
# 在 Agent 中注册为工具
@tool
def analyze_allure() -> str:
    return parse_allure_report("./allure-report")

3.2 测试用例生成器

# test_generator.py

TEST_PROMPT_TEMPLATE = """

你是一名资深测试工程师，请为以下函数生成 pytest 用例：

要求：

1. 覆盖正常流、异常流、边界值

2. 使用 @pytest.mark.parametrize

3. 包含中文注释

4. 遵循团队规范：用例名以 test_ 开头

函数代码：

@tool
def generate_test_cases(code_snippet: str) -> str:
    """根据代码片段生成测试用例"""
    from langchain_ollama import OllamaLLM
    llm = OllamaLLM(model="qwen:7b")
    prompt = TEST_PROMPT_TEMPLATE.format(code=code_snippet)
    return llm.invoke(prompt)

步骤 4：部署与集成（让 Agent 随时可用）

4.1 启动 HTTP 服务

# server.py
from flask import Flask, request, jsonify
from agent import test_agent
app = Flask(__name__)
@app.route('/ask', methods=['POST'])
def ask_agent():
    query = request.json['query']
    # 路由逻辑：根据问题类型选择工具
    if "生成测试" in query or "写用例" in query:
        # 调用专用生成器
        code = request.json.get('code', '')
        result = generate_test_cases(code)
    elif "allure" in query or "报告" in query:
        result = analyze_allure()
    else:
        # 通用问答
        response = test_agent.invoke({"input": query})
        result = response["output"]
    return jsonify({"answer": result})
if __name__ == '__main__':
    app.run(host='0.0.0.0', port=8080)

4.2 集成到 PyCharm

安装 REST Client 插件

创建 test_agent.http 文件：

### 生成测试用例
POST http://localhost:8080/ask
Content-Type: application/json
{
  "query": "生成用户登录测试用例",
  "code": "def login(username, password): ..."
}
### 分析缺陷
POST http://localhost:8080/ask
Content-Type: application/json
{
  "query": "支付超时有哪些历史案例？"
}

在编辑器中按 Alt+Enter → Send Request，结果直接显示

💡 进阶：用 PyCharm Plugin SDK 开发侧边栏插件，实现语音输入！‍

📊 四、效果验证：真实场景演示

场景 1：生成符合规范的测试用例

用户输入：

“为 calculate_discount 函数生成测试用例，需覆盖 VIP/普通用户”

Agent 输出：

import pytest
@pytest.mark.parametrize("user_level, expected_discount", [
    ("VIP", 0.8),      # VIP 享受 8 折
    ("regular", 1.0),  # 普通用户无折扣
    ("", 1.0),         # 空用户级别视为普通
])
def test_calculate_discount(user_level, expected_discount):
    """测试不同用户级别的折扣计算"""
    price = 100.0
    result = calculate_discount(price, user_level)
    assert result == price * expected_discount

场景 2：分析缺陷根因

用户输入：

“最近支付模块有哪些偶发失败？”

Agent 输出：

根据历史缺陷库，近 3 个月支付模块偶发失败主要集中在：

DEF-1234：第三方支付网关超时（发生于网络波动时）

解决方案：增加 3 秒超时重试机制

DEF-1567：并发下单导致库存超卖

解决方案：数据库行锁 + 库存预占

建议：在自动化中增加网络延迟混沌实验‍

⚠️ 五、避坑指南与优化建议

常见问题：

问题	解决方案
响应慢	1. 用 GPU 加速 Ollama 2. 对知识库分片检索
答案不准确	1. 优化分块策略（按函数而非固定长度） 2. 添加后处理校验
内存溢出	1. 限制向量库大小 2. 使用 FAISS 替代 Chroma（更大规模）