AI测试用例生成脚本本项目基于大模型将需求文档自动转为结构化测试资产，支持docx/pdf/md/txt解析，两阶段生成

项目由来与对测试工程师的价值（Origin & Impact）

本文档用于说明本项目为什么被创建、解决了测试工程里哪些痛点，以及能给测试工程师带来什么效果与提效方式。

1. 项目由来（为什么要做这个）

在需求驱动的研发流程中，测试用例的产出往往面临以下共性问题：

用例产出成本高、节奏快
- 需求文档到用例编写之间的时间通常很短；
- 大量用例属于“重复性/模板化/覆盖规则明确”的工作。
覆盖不稳定、质量受个人经验影响
- 不同测试工程师对“正常/异常/边界/权限/数据校验”等覆盖维度的理解与粒度不同；
- 容易出现遗漏或重复，导致评审返工。
文档与用例难以标准化、难以导入 TMS
- 手工整理导致格式不统一；
- 导入禅道/TestLink/TestRail 时需要二次加工。
需求变更带来的维护成本
- 需求细节变化后，用例需要重新梳理；
- 人工更新成本高且容易遗漏关联点。

基于以上痛点，本项目选择把“大模型擅长的结构化抽取与文本生成能力”用于测试设计：从需求文档自动生成测试点与结构化测试用例，并输出可导入、可审查的格式资产。

2. 设计理念（本项目如何更适合测试场景）

为了让生成结果更“可落地”，本项目采取了几项关键策略：

两阶段生成
- 先生成“测试大纲”（摘要 + 测试点 + 思维导图结构）；
- 再围绕测试点分批生成大量测试用例。
结构化输出 + 强校验
- 用 schema 强约束输出结构；
- 解析失败时把原始模型返回写入 debug/，便于定位问题；
- 最终产物统一封装为 Pydantic 模型，减少“格式不一致”的问题。
工程化可观测性
- 全链路日志落盘到 log/；
- 统计任务耗时与单文档耗时；
- 把失败原因分类型输出（网络/长度/JSON 解析），让排障更快。
去重与兜底机制
- 在收集阶段边收集边去重，尽量贴近 --max-cases 的目标；
- 增加兜底停止条件，避免模型持续重复导致的无限循环。

3. 对测试工程师的效果（能带来什么）

3.1 提效：从“手写”到“生成初稿 + 快速审校”

测试工程师通常需要先形成“初始用例骨架”，再做评审与补全。本项目可以把这一步自动化：

生成测试点与结构化用例初稿；
测试工程师把精力从“写第一版”转移到“审查覆盖、补充关键业务细节、确认预期结果”。

结果是：需求评审与用例产出节奏更快，整体产出周期更短。

3.2 质量：覆盖维度更完整、粒度更一致

通过统一的生成规则与 schema，项目能较稳定地覆盖：

正常流程、异常流程、边界条件
权限/角色（如需求涉及）
数据校验（如需求涉及）
幂等/并发与可观测性（如需求涉及）

对团队来说，这意味着测试资产更容易做到“结构一致、评审更高效”。

3.3 标准化：输出格式可导入、可追溯

项目输出：

*.testcases.md：便于在文档/评审会议中直接查看
*.testcases.xlsx：便于筛选、导入 TMS
*.meta.md：记录测试点、假设、风险与不在范围，提升对齐效率
*.xmind：形成测试点到用例的思维导图结构，提升理解成本收益

测试工程师可直接把产物用于流程化管理，而不是把“格式转换”当作额外工作。

3.4 维护：需求变更时更容易更新测试资产

当需求文档更新后，仍可基于新文档重新生成结构化产物，再进行对比与增量审查。这降低了“维护用例”阶段的人工整理负担。

4. 如何量化提效（建议你在团队落地时做的评估）

如果你希望把效果写进工作汇报/简历，建议用以下指标做一次对比：

用例产出周期：需求到可提交用例的时间（小时/天）
返工率：评审被要求补充/修改的次数或比例
覆盖完整度：异常/边界/权限/数据校验维度的命中率
导入成功率：直接导入 TMS 的成功次数 vs 需要二次处理的次数

通常你会发现：第一版更快、更标准，评审集中在业务细节与风险确认，而不是格式与结构本身。

5. 核心功能是什么？

本项目是一个 测试用例自动生成器：

从本地 input/ 读取需求文档（支持：docx / pdf / md / markdown / txt）
抽取文档文本并归一化
调用大模型进行两阶段生成：
- 阶段一：生成 测试大纲
  - 提炼可复用摘要 context_summary
  - 列出 test_points（测试点）
  - 生成思维导图 mindmap_mermaid
  - 输出 assumptions / risks / out_of_scope
- 阶段二：按测试点分批生成 结构化测试用例
  - 每批输出一个严格 JSON：{"test_cases": [...]}（字段需与 schema 一致）
将结果多格式导出到 output/：
- *.xmind 思维导图
- *.testcases.md 测试用例表格（Markdown）
- *.testcases.xlsx 测试用例表格（Excel）
- *.meta.md 元信息 + 质量校验告警

6. 使用方式（运行与参数）

6.1 安装依赖

git clone https://github.com/Junmet/test_case.git
cd test_case

pip install -r requirements.txt

6.2 配置环境变量

复制并编辑 .env.example -> .env
至少设置 DEEPSEEK_API_KEY
可选设置：
- DEEPSEEK_BASE_URL
- DEEPSEEK_MODEL
- DEEPSEEK_TIMEOUT
- DEEPSEEK_MAX_TOKENS

6.3 运行命令

python -m src.main

常用参数：

--input：输入目录（默认 input）
--output：输出目录（默认 output）
--language：输出语言（zh/en）
--encoding：读取文本/Markdown 编码（默认 utf-8）
--max-cases：每份文档目标生成的“唯一用例数”（内部会去重）
--batch-size：每次调用模型期望生成的用例条数（越大越容易触发长度上限）
--max-chars：参与生成的大文档最大字符数（超出会截断）

注：当 --input 目录不存在时，程序会自动创建并提示你放入文档后重新运行。

7. 输出文件说明

对每个输入文件 xxx.ext，在 output/ 下生成：

xxx.xmind
- XMind 思维导图：包含“测试点”和“测试用例”两层结构
xxx.testcases.md
- Markdown 表格：列字段为 编号/优先级/模块/测试标题/...
xxx.testcases.xlsx
- Excel 表格：同样字段映射，方便导入测试管理系统
xxx.meta.md
- 生成信息（时间、来源、语言）
- 测试点列表、假设、风险、不在范围
- 质量检查告警（空标题、空步骤、重复编号等）

同时运行时会生成：

log/YYYMMDD_HHMMSS.log：本次任务全链路日志
debug/debug_*.txt：当模型返回无法解析 JSON 时，把原始响应落盘以便排查

8. 关键流程总览（主流程链路）

入口在 src/main.py 的 main()：

初始化日志与耗时计时
遍历 input/ 支持文件，逐个处理：
- parse_document()：抽取文本
- 截断文本（--max-chars）
- generate_outline()：生成测试大纲
- 循环 generate_cases_batch()：
  - 每批生成后立即“边收集边去重”
  - 达到 --max-cases 则停止
  - 启用兜底：最大批次上限 + 连续多批新增为 0 时停止
- 组装 GenerationResult 并 write_outputs()

核心效果：即使模型重复输出/批次返回变短，最终导出的用例数仍尽量贴近 --max-cases，并且出错可定位。

9. 代码结构与文件说明

9.1 `src/main.py`（CLI 入口 + 端到端编排）

主要职责：

解析命令行参数（_parse_args）
初始化文件日志与输出耗时
逐文件执行“解析 -> outline -> cases -> 导出”
在“收集阶段”实现唯一性去重与兜底停止条件
根据错误类型（长度/网络/JSON）给出更可操作的中文提示

关键实现点（理解用）：

(1) 主循环结构

for i, path in enumerate(files, 1):
    parsed = parse_document(path, encoding=args.encoding)
    outline = generate_outline(...)
    while len(all_cases) < args.max_cases:
        batch = generate_cases_batch(...)
        # 边收集边去重，避免最后再去重导致数量偏差

(2) 去重键与兜底

优先用 tc.title 去重
若 title 为空，用 ID:{tc.id} 兜底，避免丢失造成“永远凑不满”的死循环
兜底停止：
- max_batches_limit：最大批次上限
- max_consecutive_zero_new：连续多批“新增为 0”停止

(3) 任务耗时

单文件耗时：写入日志 + 控制台显示
总耗时：控制台显示，并写入日志

9.2 `src/config.py`（环境变量配置加载）

主要职责：

读取 .env / 环境变量
对 DEEPSEEK_BASE_URL 做兼容处理：
- 支持用户填写 https://api.deepseek.com/v1，会自动去掉末尾 /v1
提供统一的 AppConfig 数据结构给 LLM 层使用

关键字段：

deepseek_api_key
deepseek_base_url
deepseek_model
deepseek_timeout
deepseek_max_tokens

9.3 `src/parsers.py`（文档解析与文本归一化）

主要职责：

根据后缀选择解析策略
- .docx：python-docx 提取段落与表格
- .pdf：PyMuPDF(fitz) 逐页提取文本
- .md/.markdown/.txt：直接按编码读取
对提取文本做归一化：
- 统一换行符
- 压缩连续空行（让 LLM 更易读）

关键函数：

iter_input_files(input_dir)：遍历输入目录，过滤支持文件类型
parse_document(path, encoding)：返回 ParsedDocument(path, text)

9.4 `src/prompts.py`（提示模板）

主要职责：

提供系统提示与用户提示模板
强制模型输出满足 JSON schema

内容分为：

SYSTEM_ZH：中文系统提示（严格要求 JSON）
SYSTEM_EN：英文系统提示（同样严格要求 JSON）
USER_TEMPLATE：完整生成（旧接口，保留兼容）
OUTLINE_USER_TEMPLATE：大纲生成 prompt
CASES_BATCH_USER_TEMPLATE：按测试点分批生成用例 prompt

注意：本项目的“严格 JSON + schema 对齐”是解析成功的核心原因之一。

9.5 `src/models.py`（Pydantic 数据模型）

主要职责：

定义结构化数据的强校验模型
在解析 JSON 后，使用 TypeAdapter(...).validate_python(...) 确保字段类型正确

关键模型：

TestCase
- id/priority/module/title/summary/.../steps/expected/...
GenerationResult
- source_name/language/context_summary/mindmap_mermaid/test_points/test_cases/...

9.6 `src/llm.py`（LLM 调用、JSON 解析与容错恢复）

主要职责：

构建 LangChain 的 ChatOpenAI 客户端（通过 OpenAI 兼容接口访问 DeepSeek 等）
进行两阶段 LLM 调用：
- generate_outline()
- generate_cases_batch()
对 LLM 输出进行严格 JSON 解析，并增强容错：
- _safe_json_loads()：提取 JSON 片段并修复常见逗号错误
- _recover_cases_batch_from_raw()（P0-1）：批量场景解析失败时尽量“部分恢复”
将 LLM 调用错误分类（网络/长度/JSON），返回给上层更明确的提示

关键组件：

(1) 错误分类异常

LLMConnectionError：网络/网关问题
LLMLengthLimitError：长度上限导致截断
LLMJSONParseError：JSON 格式与 schema 不匹配

(2) 批量解析部分恢复（P0-1）

当 cases_* 场景整体 JSON 解析失败时：

从原始返回中尽量定位 "test_cases": [ ... ] 数组片段
再尝试把其中的多个 {...} 对象逐个解析为 TestCase
能解析成功的条目会被保留并继续生成流程

这样可以避免“一个坏 JSON 导致整批作废”的体验问题。

9.7 `src/writers.py`（结果导出：XMind / Markdown / Excel / Meta）

主要职责：

将 GenerationResult 写入磁盘
输出前先做质量校验，并把告警写入 meta

关键功能：

_validate_result_quality(result)
- 重复的 id
- 空标题
- steps/expected 为空
- 标题过短
write_outputs(result, output_dir)
- 写 XMind：py-xmind16
- 写 Markdown：*.testcases.md
- 写 Excel：pandas + openpyxl
- 写 meta：*.meta.md（包含质量告警）

9.8 `tools/check_readme_defaults.py`（文档默认值一致性校验脚本）

主要职责：

解析 src/config.py 中 DEEPSEEK_TIMEOUT / DEEPSEEK_MAX_TOKENS 的默认值
解析 README.md 的“默认值表格”
若不一致，会打印错误并返回非 0

用于降低“文档与代码默认值不一致”带来的误导风险。

10. 建议的新增方向（可作为下一步文档扩展）

如果你要继续扩展功能，建议优先考虑：

进一步强化 JSON “逐对象恢复”覆盖更多脏输出形态
提供 --dedup-key / --max-unique-cases 参数，让唯一性策略更可控
输出适配更多 TMS（如 TestRail/禅道列映射配置化）
增加 --dry-run/--outline-only 节省 token 成本

11. 附录：逐文件关键代码解读（更细粒度）

本附录重点解释“每个文件里关键函数/类在干什么、输入输出是什么、为什么要这么写”。建议你配合源码逐段对照阅读。

11.1 `src/main.py`（主流程编排）

关键点：职责拆分

main()：把整个端到端流程串起来（解析 -> outline -> cases -> 写出）
_parse_args()：定义命令行参数并把 help 文案做中文化

`main()` 的关键步骤（输入/输出/关键逻辑）

计时：start_ts = time.time() 用于算任务总耗时
日志初始化：
- 创建 log/
- 日志文件名：log/YYYMMDD_HHMMSS.log
- logging.basicConfig(...FileHandler...)
输入目录处理：
- input_dir = Path(args.input).resolve()
- 不存在则自动创建并提示“放入文档后重跑”
- 存在但不是目录则抛异常
扫描输入文件：
- files = list(iter_input_files(input_dir))
加载配置与 LLM：
- cfg = load_config(override_language=args.language)
- llm = build_llm(cfg)
遍历每个文档文件：
- parse_document(path, encoding=args.encoding)：抽取文本
- 超长截断：if len(text) > args.max_chars: text = text[:args.max_chars]
生成测试大纲：
- outline = generate_outline(cfg, llm, source_name, document_text)
按测试点分批生成用例（核心循环）：
- 初始化收集容器：all_cases、existing_titles、seen_titles
- 兜底控制：
  - max_batches_limit：最大批次数
  - max_consecutive_zero_new：连续多批“新增=0”停止
- 每次循环：
  - 选择测试点：test_point = outline.test_points[tp_idx % len(...)]
  - 算 batch_size：min(args.batch_size, remaining)
  - 调模型：batch = generate_cases_batch(...)
  - 边收集边去重：
    - 去重键：title；title 为空则用 ID:{tc.id}
    - 新增的用例才会加入 all_cases，因此最终输出更贴近 --max-cases
组装输出数据：
- GenerationResult.model_validate({... "test_cases": [tc.model_dump() for tc in all_cases] ...})
写出结果：

write_outputs(result, output_dir)

打印耗时：

单文件：file_elapsed_min
全任务：total_elapsed_min

异常处理（为什么要分类型）

通过 isinstance(e, LLMLengthLimitError / LLMConnectionError / LLMJSONParseError) 给出不同中文提示，便于你决定下一步操作（减小 batch、检查网络、看 debug 文件等）。

11.2 `src/config.py`（配置加载）

`AppConfig`

用 @dataclass(frozen=True) 固定配置，不让运行时意外修改
保存 LLM 所需关键参数（api_key、base_url、model、timeout、max_tokens）

`_normalize_base_url(base_url)`

去掉末尾 /，并兼容用户填写 .../v1
避免 build_llm 再拼 /v1 导致 .../v1/v1

`load_config(override_language)`

load_dotenv(override=True)：优先使用项目根目录 .env
强校验：
- 缺少 DEEPSEEK_API_KEY 直接抛中文异常
解析数值：
- timeout / max_tokens 转 int，解析失败用默认值回退

11.3 `src/parsers.py`（文档解析）

`ParsedDocument`

path：源文件路径
text：归一化后的纯文本内容

`SUPPORTED_SUFFIXES`

定义系统支持的文件后缀集合

`iter_input_files(input_dir)`

遍历目录下文件
过滤 suffix in SUPPORTED_SUFFIXES
按文件名排序输出，保证输入顺序可控

`parse_document(path, encoding)`

根据后缀分支调用：
- _parse_docx
- _parse_pdf
- _parse_text
最后统一 _normalize_text()：
- 统一换行符
- 压缩多余空行（让 LLM 更容易处理）

11.4 `src/prompts.py`（提示模板）

这一文件的核心价值是：让 LLM 输出尽量“结构化且可解析”。

SYSTEM_ZH / SYSTEM_EN：
- 强制“严格 JSON”
- 强制字段与 schema 对齐
- 为 mindmap_mermaid / steps / priority 提供格式约束
USER_TEMPLATE：
- 完整生成（兼容旧接口）
- 把 document_text + schema 拼成最终 prompt
OUTLINE_USER_TEMPLATE：
- outline 阶段控制长度（context_summary <= 600 字）、测试点数量限制等
CASES_BATCH_USER_TEMPLATE：
- cases 阶段控制 batch_size、每条 steps/expected 数量、避免标题重复等

11.5 `src/models.py`（Pydantic 强校验模型）

`TestCase`

通过 Pydantic 把每个字段“类型/是否缺失”变成运行时校验
你在输出到 Excel/Markdown 前，数据都已通过 schema 校验，减少写出错误。

`GenerationResult`

描述一份输入文档对应的完整生成产物：
- test_points + test_cases + assumptions/risks/out_of_scope

11.6 `src/llm.py`（LLM 调用、JSON 解析、容错恢复）

错误分类（P0-3）

LLMConnectionError：网络连接异常
LLMLengthLimitError：模型输出长度上限（导致截断）
LLMJSONParseError：JSON 解析失败/字段不匹配

`build_llm(cfg)`

初始化 ChatOpenAI
关键参数：
- base_url=f"{cfg.deepseek_base_url}/v1"
- max_tokens=cfg.deepseek_max_tokens
- model_kwargs={"response_format": {"type": "json_object"}}（支持的 provider 下强约束 JSON）

`generate_outline(...)`

outline 阶段调用：
- 使用 _outline_schema_json() 作为 schema 强约束
- 调用 _invoke_llm_with_classification() 获得 raw content
- _parse_or_debug() 解析并校验 OutlineResult

`generate_cases_batch(...)`

cases 阶段调用：
- schema 来自 _cases_batch_schema_json()
- 最多重试 3 次（重试对象主要是 LLMJSONParseError）

`_invoke_llm_with_classification(...)`

try/catch 包装 llm.invoke
根据异常文本关键词做类型映射并抛出对应错误类

`_parse_or_debug(raw, debug_stem)`

通用入口：先 _safe_json_loads
失败逻辑：
- 写入 debug/debug_{debug_stem}_{ts}.txt
- 抛出 LLMJSONParseError
P0-1 部分恢复（批量 cases 场景）：
- 当 debug_stem 以 cases_ 开头时，尝试从 raw 文本中恢复 test_cases 数组
- 可恢复到条目就返回继续执行，减少整批作废

`_safe_json_loads(s)`

从一段文本中提取 JSON：
- 去 BOM/空白
- 若是 markdown 代码块，剥离 ``` 包裹
- 识别最外层 {...}，否则截取最外层大括号范围
- json.loads 失败后尝试 _repair_json

`_repair_json(json_str)`

当前修复策略偏“轻量”：
- 修尾逗号
- 补 }{ 之间缺逗号

schema 构造器

_generation_schema_json()：完整生成 schema（旧接口）
_outline_schema_json()：outline schema
_cases_batch_schema_json()：cases schema

11.7 `src/writers.py`（输出写出 + 质量校验）

`write_outputs(result, output_dir)`

执行流程：
1. output_dir.mkdir(...)
2. _validate_result_quality(result) 得到告警列表
3. 写 XMind、写 Markdown、写 Excel、写 meta

`_validate_result_quality(result)`（P1-2）

质量校验项：
- 重复用例编号 id
- 空测试标题
- 标题过短
- 空 steps / 空 expected
返回告警列表字符串，既写到日志也写到 meta.md

`_render_testcases_md`

Markdown 表格生成
表头字段使用中文列名

`_write_testcases_xlsx`

使用 pandas -> ExcelWriter -> sheet_name="测试用例"

`_write_xmind`

通过 py-xmind16 生成思维导图：
- 测试点分支
- 测试用例分支（含前置条件/步骤/期望层级）

`_render_meta_md`

meta 内容包含：
- 生成信息
- 测试点、假设、风险、不在范围
- 质量检查告警（如果有）

11.8 `tools/check_readme_defaults.py`

`main()`

从：
- src/config.py 提取 DEEPSEEK_TIMEOUT / DEEPSEEK_MAX_TOKENS 默认值
- README.md 提取配置表里的默认值
若存在不一致：
- 输出差异
- 返回 1
若一致：
- 输出通过信息
- 返回 0

使用建议（读代码时的顺序）

先看 src/main.py：它串起来所有流程
再看 src/llm.py：理解 JSON schema、容错与错误分类
再看 src/parsers.py 与 src/writers.py：理解输入/输出如何落地
最后看 src/models.py：理解 schema 对齐与字段校验

AI测试用例生成脚本

项目由来与对测试工程师的价值（Origin & Impact）

1. 项目由来（为什么要做这个）

2. 设计理念（本项目如何更适合测试场景）

3. 对测试工程师的效果（能带来什么）

3.1 提效：从“手写”到“生成初稿 + 快速审校”

3.2 质量：覆盖维度更完整、粒度更一致

3.3 标准化：输出格式可导入、可追溯

3.4 维护：需求变更时更容易更新测试资产

4. 如何量化提效（建议你在团队落地时做的评估）

5. 核心功能是什么？

6. 使用方式（运行与参数）

6.1 安装依赖

6.2 配置环境变量

6.3 运行命令

7. 输出文件说明

8. 关键流程总览（主流程链路）

9. 代码结构与文件说明

9.1 src/main.py（CLI 入口 + 端到端编排）

9.2 src/config.py（环境变量配置加载）

9.3 src/parsers.py（文档解析与文本归一化）

9.4 src/prompts.py（提示模板）

9.5 src/models.py（Pydantic 数据模型）

9.6 src/llm.py（LLM 调用、JSON 解析与容错恢复）

9.7 src/writers.py（结果导出：XMind / Markdown / Excel / Meta）

9.8 tools/check_readme_defaults.py（文档默认值一致性校验脚本）

10. 建议的新增方向（可作为下一步文档扩展）

11. 附录：逐文件关键代码解读（更细粒度）

11.1 src/main.py（主流程编排）

关键点：职责拆分

main() 的关键步骤（输入/输出/关键逻辑）

异常处理（为什么要分类型）

11.2 src/config.py（配置加载）

AppConfig

_normalize_base_url(base_url)

load_config(override_language)

11.3 src/parsers.py（文档解析）

ParsedDocument

SUPPORTED_SUFFIXES

iter_input_files(input_dir)

parse_document(path, encoding)

11.4 src/prompts.py（提示模板）

11.5 src/models.py（Pydantic 强校验模型）

TestCase

GenerationResult

11.6 src/llm.py（LLM 调用、JSON 解析、容错恢复）

错误分类（P0-3）

build_llm(cfg)

generate_outline(...)

generate_cases_batch(...)

_invoke_llm_with_classification(...)

_parse_or_debug(raw, debug_stem)

_safe_json_loads(s)

_repair_json(json_str)

schema 构造器

11.7 src/writers.py（输出写出 + 质量校验）

write_outputs(result, output_dir)

_validate_result_quality(result)（P1-2）

_render_testcases_md

_write_testcases_xlsx

_write_xmind

_render_meta_md

11.8 tools/check_readme_defaults.py

main()

使用建议（读代码时的顺序）

9.1 `src/main.py`（CLI 入口 + 端到端编排）

9.2 `src/config.py`（环境变量配置加载）

9.3 `src/parsers.py`（文档解析与文本归一化）

9.4 `src/prompts.py`（提示模板）

9.5 `src/models.py`（Pydantic 数据模型）

9.6 `src/llm.py`（LLM 调用、JSON 解析与容错恢复）

9.7 `src/writers.py`（结果导出：XMind / Markdown / Excel / Meta）

9.8 `tools/check_readme_defaults.py`（文档默认值一致性校验脚本）

11.1 `src/main.py`（主流程编排）

`main()` 的关键步骤（输入/输出/关键逻辑）

11.2 `src/config.py`（配置加载）

`AppConfig`

`_normalize_base_url(base_url)`

`load_config(override_language)`

11.3 `src/parsers.py`（文档解析）

`ParsedDocument`

`SUPPORTED_SUFFIXES`

`iter_input_files(input_dir)`

`parse_document(path, encoding)`

11.4 `src/prompts.py`（提示模板）

11.5 `src/models.py`（Pydantic 强校验模型）

`TestCase`

`GenerationResult`

11.6 `src/llm.py`（LLM 调用、JSON 解析、容错恢复）

`build_llm(cfg)`

`generate_outline(...)`

`generate_cases_batch(...)`

`_invoke_llm_with_classification(...)`

`_parse_or_debug(raw, debug_stem)`

`_safe_json_loads(s)`

`_repair_json(json_str)`

11.7 `src/writers.py`（输出写出 + 质量校验）

`write_outputs(result, output_dir)`

`_validate_result_quality(result)`（P1-2）

`_render_testcases_md`

`_write_testcases_xlsx`

`_write_xmind`

`_render_meta_md`

11.8 `tools/check_readme_defaults.py`

`main()`