【AI测试系统】第2篇：拒绝盲目 AI：规则引擎 10ms 自动生成 36 条测试用例实战（附源码）

测试员周周
0 阅读9分钟

​

AI测试系统系列会写28篇，这是第2篇，会持续更新

先说个反直觉的事：规则引擎比 AI 更适合作为用例生成的第一步

很多人一听"AI测试"就以为所有用例都是大模型生成的。实际上我们跑下来的经验是：规则引擎出基础用例，AI 做精细打磨，两者配合效率最高。

原因很简单。规则引擎纯 Python 执行，10 毫秒级出几十条用例，成本为零，结构统一，适合快速评估测试工作量；AI 生成一条用例要 1-3 秒，成本几分钱，但能覆盖规则引擎想不到的边缘场景。先规则后 AI，相当于先用粗筛网捞一遍，再用精筛网补漏。

这篇先讲粗筛网——规则引擎怎么从需求文档名称自动提取功能点，每个功能点生成 3 个测试场景。

一、核心思路：关键词匹配 + 场景模板

规则引擎的输入是需求文档名称（比如"电商秒杀查询功能需求文档"），输出是测试用例列表。中间经过三步：

  1. 从文档名称提取功能点——匹配关键词，找到要测哪些功能
  2. 按功能点名称去重——合并重复项，保留唯一功能点
  3. 为每个功能点生成 3 个场景——正常流程、异常处理、边界条件

整个过程不依赖任何外部 API，纯 Python 代码，毫秒级完成。

二、功能点提取：从文档名称到功能列表

代码里维护了一个 feature_map，把业务关键词映射到功能点：

feature_map = {
    '登录': [
        {'name': '正常登录', 'module': '登录模块', 'priority': 'P0'},
        {'name': '错误密码处理', 'module': '登录模块', 'priority': 'P1'},
        {'name': '账号锁定机制', 'module': '登录模块', 'priority': 'P1'},
        {'name': '忘记密码流程', 'module': '登录模块', 'priority': 'P2'},
    ],
    '订单': [
        {'name': '创建订单', 'module': '订单模块', 'priority': 'P0'},
        {'name': '订单取消', 'module': '订单模块', 'priority': 'P1'},
        {'name': '订单查询', 'module': '订单模块', 'priority': 'P2'},
        {'name': '订单修改', 'module': '订单模块', 'priority': 'P2'},
    ],
    '查询': [
        {'name': '商品列表查询', 'module': '商品查询', 'priority': 'P0'},
        {'name': '秒杀活动查询', 'module': '秒杀查询', 'priority': 'P0'},
        {'name': '订单列表查询', 'module': '订单查询', 'priority': 'P0'},
        # ... 共 12 个查询相关功能点
    ],
    # 还有 '支付'、'商品'、'用户'、'电商'、'秒杀'、'财务' 等关键词（共 10 个）
}

匹配逻辑是按优先级顺序遍历关键词列表：

priority_keywords = ['查询', '电商', '秒杀', '财务', '商品', '订单', '支付', '用户', '登录']

for keyword in priority_keywords:
    if keyword in base_name:  # base_name = doc_name.lower()，兼容英文文档名
        matched_features.extend(feature_map.get(keyword, []))

为什么要排优先级？因为一个文档名称可能匹配多个关键词。比如"电商秒杀查询需求"同时命中"查询"、"电商"、"秒杀"三个关键词。按优先级顺序匹配，确保更具体的关键词优先被选中。

去重逻辑（关键一步）：

# 按功能点名称去重，保留第一次出现的优先级
seen = set()
unique_features = []
for f in matched_features:
    if f['name'] not in seen:
        seen.add(f['name'])
        unique_features.append(f)
matched_features = unique_features

如果所有关键词都没命中，兜底策略上场：

if not matched_features:
    if '需求' in doc_name:
        matched_features = [
            {'name': '功能完整性测试', 'module': '需求验证', 'priority': 'P0'},
            {'name': '业务流程测试', 'module': '需求验证', 'priority': 'P0'},
            {'name': '异常场景测试', 'module': '需求验证', 'priority': 'P1'},
            {'name': '边界条件测试', 'module': '需求验证', 'priority': 'P2'},
        ]
    else:
        matched_features = [
            {'name': '核心功能流程', 'module': '核心模块', 'priority': 'P0'},
            {'name': '异常处理流程', 'module': '核心模块', 'priority': 'P1'},
            {'name': '边界条件测试', 'module': '核心模块', 'priority': 'P2'},
            {'name': '用户体验测试', 'module': '核心模块', 'priority': 'P3'},
        ]

三、场景模板：每个功能点生成 3 条用例

拿到功能点列表后，为每个功能点套用 3 个场景模板：

test_scenarios = [
    {
        'suffix': '正常流程',
        'type': '功能测试',
        'preconditions': '用户已登录且权限充足',
        'steps': ['进入功能页面', '执行正常操作流程', '填写必要的输入信息', '提交操作', '验证系统响应'],
        'expected': '系统正确处理请求并返回预期结果'
    },
    {
        'suffix': '异常处理',
        'type': '异常测试',
        'preconditions': '用户已登录',
        'steps': ['进入功能页面', '输入无效的测试数据', '执行操作', '观察系统错误处理', '验证错误提示'],
        'expected': '系统正确捕获异常并显示友好的错误提示'
    },
    {
        'suffix': '边界条件',
        'type': '边界测试',
        'preconditions': '用户已登录',
        'steps': ['进入功能页面', '输入边界值数据（最大值/最小值）', '执行操作', '验证系统处理结果'],
        'expected': '系统正确处理边界值，不出现崩溃或数据错误'
    }
]

正常流程验证系统"能做对"，异常处理验证系统"能容错"，边界条件验证系统"能扛住"。三个场景覆盖软件测试最核心的三个维度。

每个功能点 × 3 个场景 = 最终用例数。比如「电商秒杀查询需求」匹配到 20 个功能点（含重复），按名称去重后为 12 个，12 × 3 = 36 条用例。

四、实战走一遍

输入文档名称："电商秒杀查询功能需求文档"

匹配结果：

  • '查询' → 12 个查询相关功能点
  • '电商' → 4 个电商相关功能点
  • '秒杀' → 4 个秒杀相关功能点
  • 去重后共 12 个功能点

生成用例（前 6 条 + 最后 3 条）：

编号名称模块优先级类型
TC001商品列表查询 - 正常流程商品查询P0功能测试
TC002商品列表查询 - 异常处理商品查询P0异常测试
TC003商品列表查询 - 边界条件商品查询P0边界测试
TC004秒杀活动列表查询 - 正常流程秒杀查询P0功能测试
TC005秒杀活动列表查询 - 异常处理秒杀查询P0异常测试
TC006秒杀活动列表查询 - 边界条件秒杀查询P0边界测试
...............
TC034边界条件测试 - 正常流程通用查询P2功能测试
TC035边界条件测试 - 异常处理通用查询P2异常测试
TC036边界条件测试 - 边界条件通用查询P2边界测试

12 个功能点 × 3 个场景 = 36 条用例，纯 Python 执行，无需调用任何外部 API。

五、规则引擎 vs AI 生成：对比一览

维度规则引擎AI 生成
生成速度10 毫秒级1-3 秒/条
成本零（纯本地）几分钱/条（API 调用）
用例数量固定（功能点数 × 3）灵活（可指定数量）
用例质量结构化但通用针对性强、更具体
覆盖范围仅预定义关键词可理解任意业务场景
可维护性需手动维护 feature_map只需改 Prompt
适用场景快速评估、批量初筛精细打磨、边缘场景

结论：两者不是替代关系，而是互补关系。规则引擎负责"广度"，AI 负责"深度"。

六、踩过的坑

坑 1：功能点重复。「电商秒杀查询」同时命中三个关键词，同一个功能点被添加了多次（比如「订单查询」同时出现在「订单」和「查询」的映射里）。加上按名称去重逻辑后解决。

坑 2：关键词不够用。项目初期只有 9 个关键词，后来接了「物流」、「营销」、「客服」等新模块，feature_map 从 9 个扩展到了 10 个。规则引擎的通病——维护成本随业务增长而上升。

坑 3：优先级分配不够细。P0 全给了核心功能，但实际测试中 P0 用例太多（占了 40%），资源分配不过来。后来调整了策略，把部分 P0 降为 P1，让 P0 只保留真正核心的流程。

七、工程建议

如果你要在自己的项目里落地类似的规则引擎，以下几点经验供参考：

  1. feature_map 建议抽离到配置文件（JSON/YAML），不要硬编码在 Python 文件里。这样业务人员也能直接编辑，不用改代码。
  2. 去重策略要统一：按功能点名称去重是最简单的方案。如果业务更复杂，可以考虑按「名称 + 模块」组合去重。
  3. 预留扩展点：在匹配逻辑里留一个 custom_rules 钩子，让特殊业务可以绕过关键词匹配，直接返回自定义功能点列表。
  4. 加单元测试：规则引擎看起来简单，但关键词交叉匹配时很容易出边界问题。建议至少覆盖：单关键词、多关键词、无匹配、兜底策略 4 种场景。
  5. 监控 feature_map 命中率：记录每次匹配命中了哪些关键词、走了多少次兜底策略。兜底比例过高（>30%）说明 feature_map 需要扩充了。

八、规则引擎的边界在哪里

规则引擎的优势是快、便宜、结构统一。但它的局限也很明显：

  • 只能覆盖预定义的关键词。遇到"元宇宙"、"Web3"这种新词，feature_map 里没有映射，只能走兜底策略。
  • 生成的用例不够具体。「执行正常操作流程」这种步骤描述，放之四海而皆准，但也意味着不够具体。真正执行的时候，测试工程师还是要手动细化。
  • 缺少业务深度。规则引擎不知道你的业务逻辑是什么，它只是按模板填空。真正的测试设计还需要测试工程师结合业务经验来补充。

所以我们的策略是：规则引擎出基础用例 → AI Skill 做精细打磨 → 测试工程师最终评审。三层过滤，效率和质量都有保障。

下篇预告：第3篇讲 LLM Skill 怎么调用大模型生成高质量用例——Prompt 设计、质量评分、容错处理，一个都不能少。

​

avatar
文章
阅读
粉丝