从需求文档到可执行脚本：AI全链路测试智能体的工程架构解析

在智能终端与智能座舱的研发迭代中，测试团队长期面临一个结构性矛盾：需求文档的语义复杂度与测试脚本的维护成本同步攀升。传统模式下，测试工程师需要人工阅读 PRD、拆解测试场景、再手写脚本，一条链路走完，用例编写周期往往以“周”为单位。更棘手的是，当 UI 或协议发生微调时，硬编码的坐标和断言极易大面积失效，导致回归测试成本居高不下。

本文基于东舟技术在 AI 全链路测试智能体研发中的工程实践，从系统架构与底层技术的角度，解析如何将“需求理解→场景生成→脚本输出→发布上线”打通为自动化闭环。

一、 全链路架构：从非结构化文档到可执行资产

整个智能体的数据流向可以抽象为四个阶段：

1. 需求解析层：接收 Word、PDF、Markdown 等格式的文档，进行语义切片与关键逻辑抽取。

2. 场景生成层：基于 RAG 检索增强生成，结合企业历史用例与业务规则，输出结构化的测试场景。

3. 脚本编译层：通过 NLP 步骤描述引擎，将自然语言步骤转换为可执行脚本。

4. 发布与校验层：支持云平台或本地部署，脚本可对接企业内部系统，并经过自动校验与分级处理后发布。

这条链路的核心挑战不在于“调用大模型 API”，而在于如何让模型在垂直测试领域输出稳定、可复现的结果。以下是几个关键的技术解法。

二、 核心技术剖析

1. RAG 与行业定制化向量引擎：让检索“懂测试”

通用大模型在面对复杂的测试语境时，容易出现语义漂移。东舟的方案在 RAG 链路上做了两层优化：

• 通用稠密向量底座：采用开源高性能模型 bge-large 作为基础检索层。

• 垂直微调 Embedding：基于海量真实测试文档，通过 SFT 方法训练专属 Embedding，使检索精度提升超过 15% 。这些训练语料不仅包含智能终端领域的应用层协议与硬件交互逻辑，也涵盖了智能座舱复杂的车机总线（如CAN/LIN）报文与多模态交互规则。

这意味着，当工程师输入“验证设备在低温环境下的唤醒时序”或“验证车机蓝牙连接状态”时，系统能精准召回跨领域历史用例库中相似场景的测试逻辑，而不是泛泛地生成通用代码。

2. NLP 步骤描述引擎：自然语言到脚本的语义桥接

自然语言步骤与脚本代码之间存在天然的语义鸿沟。智能体的 NLP 引擎经过大量测试领域语料训练，能够识别操作对象、动作类型、预期结果等要素，并将其映射为脚本中的函数调用与断言。

例如，输入“测试蓝牙开关功能”（此基础交互逻辑在智能手机端与智能座舱HMI测试中皆高度通用），引擎会自动展开为：打开蓝牙设置页 → 读取当前状态 → 切换开关 → 验证状态变更 → 记录耗时。整个过程无需工程师介入脚本层面。

3. 推理引擎：vLLM 与 PagedAttention 的工程优化

在并发场景下，测试智能体需要同时处理多条需求解析与脚本生成请求。底层采用 vLLM 作为推理引擎，原生支持 PagedAttention、动态批处理与投机解码，显存利用率提升超过 40% 。

PagedAttention 的核心价值在于将 KV Cache 分页管理，避免长上下文场景下的显存碎片化。对于需要同时载入多份需求文档和用例库的测试场景，这一优化直接决定了系统能否在有限的硬件资源下支撑并发推理。

4. 微调策略：LoRA 权重保持 FP16 精度

在垂直领域微调中，一个常见的工程权衡是量化精度与输出保真度。东舟的策略是：仅对基座模型进行量化，而垂直方向的 LoRA 微调权重保留 FP16 原始精度。

这一设计规避了传统全量化带来的性能损失，确保模型在协议理解、边界条件生成等关键任务上的输出质量不打折。特别是在智能座舱这类对脚本执行时序和车规级稳定性要求极高的场景下，保真度优先级远高于单纯的推理速度。

三、 部署形态与数据边界

智能体支持 “云端 + 本地”混合部署架构。对于数据敏感的车企与终端大厂，可将模型与向量库完全部署在客户内网，推理过程不出域。这种架构在保证数据安全的同时，也允许客户根据自身用例库规模灵活调整硬件配置。

四、 工程价值与扩展性

从落地数据来看，该架构带来的直接变化是：用例编写周期从 7 天压缩至 1 天，场景覆盖率提升至 90% 以上，同时通过自动校验与分级处理降低了上线风险。

更底层的价值在于，测试资产（需求-用例-脚本）的流转从“人工搬运”转变为“机器理解与生成”。由于底层引擎在架构设计上实现了对UI控件、物理接口与通信协议的彻底解耦，这套智能体不仅能加速智能手机、平板等移动终端的敏捷迭代，同样能够无缝适配并支撑智能座舱全场景（如HMI、语音、OTA）的自动化测试。 测试团队可以将精力从重复性脚本编写中释放出来，转向测试策略设计与质量根因分析。

对于迭代频率高、协议栈复杂的软硬件研发领域，AI 全链路测试智能体提供的不只是一次效率提升，更是一种测试工程范式的迁移——从“写脚本”到“描述意图”，让机器承担中间的翻译与校验工作。