告别AI“失忆症”：用知识库与工作流，打造工业级AI测试用例生成流水线

关注 霍格沃兹软件测试开发 公众号，回复「资料」, 领取人工智能测试开发技术合集

引言：从入门到进阶的挑战
大家好，在上一期的分享中，我们带领大家使用 DeepSeek Harness（一个智能体开发框架）搭建了一个基于本地Harness的智能体，并学习了一些基础的优化技巧：

让AI帮我们生成更精准的提示词（Prompt）。
引导AI增加中间推理过程（CoT，思维链）。
让AI能并行调度子智能体，进行更细粒度的任务拆分。
通过这些技巧，我们最终获得了一个能够生成不错测试用例的智能体。但是，它有一个明显的局限：它的“大脑”只能基于我们单次喂给它的PDF文档进行分析。当我们的项目文档变得庞大、复杂且数量众多时，这种简单的方式就显得力不从心了。

今天，我们将正式进入进阶篇，核心解决两个问题：

如何构建一个庞大的、可持续更新的业务知识库？
如何将知识库与更可控的工作流（Workflow）结合，生成工业级、高覆盖率的测试用例？
图片
第一部分：升级你的知识库——告别简单的“文件读取”
在上次的练习中，我们使用了一个简单的pdf_to_text技能，每次都临时读取整个PDF文件。这种方式有几个致命伤：

上下文窗口限制：大模型的上下文长度是有限的，一次塞入整个大型文档会导致信息丢失。
无法持续积累：每次都是临时“阅读”，没有形成积累，无法跨文档关联知识。
检索效率低：难以针对特定功能模块（如“打卡管理”）快速精准地找到相关描述。
为了升级，我们需要引入知识库（Knowledge Base） 的概念。知识库的本质是：将非结构化的原始文档，转化为结构化的、易于检索的“外部大脑”。行业内有几种经典的技术路径：

基于向量的检索（Vector RAG）：
代表产品：Dify 知识库。
原理：将文档切分成段落，通过嵌入（Embedding）模型计算出每个段落的向量（即数学意义上的“语义指纹”），存入向量数据库。查询时，将问题也转化为向量，检索出语义最相关的几个段落。
优势：语义检索能力强，能理解“考勤机如何用”和“打卡设备操作”是同一种意思。
基于知识图谱的检索（Graph RAG）：
代表产品：LightRAG。
原理：利用大模型分析文档的每个段落，抽取出其中的实体（如“智能考勤机”、“HR”、“审批流程”）和它们之间的关系，构建成一个庞大的知识网络（图谱）。
优势：不仅能找到相关段落，更能理解业务之间的关联关系。例如，查询“考勤机”时，能关联返回“行政人员”、“WiFi打卡”和“管理后台”等相关实体，上下文理解更精准。
本地Markdown知识库（简单方案）：
代表工具：milkdown 等本地知识管理工具。
适用场景：个人或小团队本地快速验证。
原理：通过一个自动化脚本，将/docs目录下的PDF、Word等文档，统一解析并转换为结构化的Markdown文件，形成一个轻量级的本地Wiki。
小结：无论哪种方案，其核心流程都是 “文档加载 -> 数据清洗/拆分 -> 存储（向量/图谱/Markdown） -> 检索” 。理解了这个底层逻辑，你就掌握了知识库的钥匙。

第二部分：工作流（Workflow）——让流程从“混沌”走向“可控”
当我们只依赖单智能体（Agent）时，所有的流程控制都靠自然语言描述（Prompt）。这在流程简单时是可行的，但当流程包含并行、分支、循环和多轮检索时，Prompt会变得极其复杂且不稳定。

这时，我们需要引入工作流（Workflow） 。它和智能体的关系可以这样理解：

智能体（Agent）：是一种特殊的、由大模型自主决策下一步行动的工作流（Agent Loop）。
工作流（Workflow）：是一种由人来预定义好每一步做什么、顺序如何、条件分支如何的“确定性”流程。
在AI测试用例生成场景中，使用工作流的优势巨大。一个典型的高质量用例生成工作流包含以下步骤：

步骤 1：多路知识检索（Multi-path RAG）用户输入需求（例如：“请为V2.0版本的‘打卡管理’功能生成测试用例”），工作流的第一步并不是把整个需求文档喂给AI，而是并发去多个知识库中检索：

从向量库中检索“打卡管理”相关的语义段落。
从知识图谱中检索“打卡管理”涉及的实体和关联关系。
从本地Markdown库中检索相关章节。
步骤 2：上下文聚合与功能点拆分将多路检索到的所有上下文汇总后，交给第一个大模型节点。这个节点的任务是：不要生成用例，而是基于上下文，拆分出本次需要测试的所有功能点（Feature List）。这个步骤非常关键，它能确保我们不会遗漏任何功能。

步骤 3：测试场景与测试点生成遍历上一步生成的每一个功能点，将其作为一个独立任务，结合该功能点专属的上下文，交给下一个模型节点。这个节点的任务是生成该功能点下的测试场景（Scenario） 和测试点（Test Point）。

步骤 4：详细测试用例生成针对每一个测试点，再次结合最细粒度的上下文，让AI生成最终的、包含详细步骤和预期结果的测试用例（Test Case）。

可视化流程：[用户输入] -> [多路知识检索] -> [功能点拆分] -> [测试场景/点生成] -> [详细用例生成] -> [输出]

通过工作流，我们将一个复杂的、混沌的任务，拆解成了一个个职责清晰、输入输出明确的“流水线工序”。现在主流的AI应用开发平台（如Dify）都提供了可视化的Workflow编排功能。

第三部分：实践指南——从入门到落地
对于新手，建议按以下路径实践：

1. 入门级方案（工具：Dify）

在Dify中创建一个知识库，上传你的业务文档（PDF/Word/TXT）。
使用Dify的可视化工作流编排功能，按照上文“第二部分”的逻辑，拖拽出知识库检索、LLM、代码执行等节点，将流程串起来。
优点：上手快，可视化程度高，适合流程初探。

2. 进阶级方案（工具：DeepSeek Harness + 脚本）

当流程极其复杂，图形化拖拽变得低效时，可以考虑使用 DeepSeek Harness 这类框架。
它允许你用JavaScript/TypeScript编写工作流脚本。甚至可以让AI帮你“蒸馏”出一份工作流代码。
优点：版本控制（Git）、调试方便、扩展性强，适合专业团队。

课程领取
想学习以上课程内容，可扫码进群领取。

总结
将AI测试用例生成从“玩具”变成“工具”，关键在于解决AI的“短期记忆”问题，并让流程“固定”下来。

构建知识库：是让AI拥有“长期记忆”的基础。根据项目复杂度，从Markdown、向量库到知识图谱，选择合适的技术。
设计工作流：是让流程“稳定输出”的保障。将用例生成过程拆解为检索、拆分、生成等多个确定性环节，而非全部交给模型黑盒决策。
掌握了这两个核心技能，你的AI测试助手就不再只是一个会聊天的“实习生”，而是一位知识渊博、流程严谨的“高级工程师”。后续，我们还可以在这个基础上加入质量评测（Evaluation） 机制，让生成用例的质量也能被量化和持续优化，这将是我们的下一个进阶话题。

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。