AI测试必学 ｜ AI 赋能接口自动化测试系列（二）：全场景测试数据智能构造Agent Skill

在上一篇中，我们介绍了 api-schema-parser —— 它是接口自动化测试的"入口技能"，它能将各种格式的接口文档统一解析为标准化的 api_definitions.json。

但解析完接口定义后，下一个让人头疼的问题来了：测试数据怎么造？

传统模式下，测试工程师需要：

  • 为每个接口的每个参数，人工构造合法值、边界值、异常值
  • 考虑空字符串、null、类型错误、超长超短、非法字符
  • 还要写SQL注入、XSS等安全测试数据
  • 数据格式还要统一，方便数据驱动框架调用

几十个接口下来，光是造数就要花掉好几天。

更致命的是，人工造数极易遗漏边界场景——"这个字段的最大长度测了吗？""枚举值外的非法值传了吗？""空数组和缺字段有什么区别？"——这些细节的不注意往往极易产生线上Bug。

今天这篇，我们聚焦 AI 赋能接口自动化的第二步：api-testdata-generator— 全场景测试数据智能构造Agent Skill。

用于解决接口测试"造数难、覆盖不全、效率低"的痛点，彻底告别人工造数的繁琐与遗漏。

一、为什么测试数据构造，建议用 AI 赋能？

很多人以为，接口自动化最难的是写脚本。但实际上，数据构造的质量直接决定了自动化测试的有效性、覆盖深度和缺陷发现能力。

但传统人工造数存在三大核心痛点：

痛点一：场景覆盖不全，只造"能跑通"的数据

人工造数时，下意识会优先构造"能跑通"的正向数据。但接口测试的核心价值，恰恰在于验证异常场景下系统的容错能力：

  • 必填字段传空，接口是否返回正确的错误码？
  • 超边界参数传入，系统是否做了长度截断或优雅拒绝？
  • 非法格式数据（如手机号传字母），校验逻辑是否生效？
  • 重复提交同一请求，幂等性机制是否正常工作？

这些场景人工极易遗漏，但AI可以基于规则系统化、无遗漏地生成。

痛点二：效率低、数据格式混乱

人工来构造多个接口的全维度测试数据，熟练工也需 1-2 天。

且不同的人构造的数据散落在各个脚本里，今天张三写了一套，明天李四又写了一套，格式不统一、命名不规范、复用性极差。一旦业务规则变更（如密码最小长度从6位改为8位），需要逐行修改所有脚本中的硬编码数据，维护成本极大。

痛点三：业务贴合度差

通用造数工具生成的 “假数据”（如随机字符串）无法覆盖 “库存不足的商品 ID”、“重复添加的商品 SKU” 等业务场景。

且针对一些接口安全测试的场景，如SQL注入、XSS攻击、路径穿越、命令注入……这些安全测试数据需要专业的安全知识储备，普通测试工程师往往"不会写 payload"或"写了也不知道对不对"。

AI赋能的核心思路

而基于 AI 驱动的Skill技能特性恰好能解决这些问题：

  • 结构化输入适配：基于api-schema-parser输出的标准化接口定义，精准匹配参数约束；
  • 多维度自动生成：一键覆盖正向、反向、边界、业务异常、安全测试等全场景数据；
  • 业务场景定制化：贴合实际业务逻辑生成关联数据，而非脱离业务的 “纯随机数”；
  • 格式无缝适配：自动输出 YAML/JSON/Excel 等格式，直接对接 Pytest/TestNG 等框架。

温馨提示：AI 造数并非 “替代人工”，而是将工程师从重复造数的体力活中解放，聚焦于数据规则设计、业务场景校验等核心工作。

二、不要搞"万能Skill"，要拆成"专业Skill"

很多新手容易踩的坑：想做一个"万能Skill"，输入接口文档，直接输出完美脚本。

这里有一个非常重要的认知：千万不要寄希望于用一个 “万能 Skill” 解决所有问题。

一个技能包揽解析、造数、生成、优化、执行，会导致逻辑臃肿、维护困难、扩展受限，也违背了 Agent Skill 设计的核心思想。

正确的做法是按职责拆分，每个Skill只做一件事（如解析、生成、校验），避免功能耦合。

比如，可以这样来拆：

Skill 核心职责 解决什么痛点
api-schema-parser 接口定义结构化解析 人工读文档慢、易遗漏、格式不统一
api-testdata-generator 测试数据智能生成 人工造数重复、边界场景覆盖不全
api-testscript-generator 自动化脚本批量生成 人工编码慢、风格不统一、规范难落地
api-test-optimizer 脚本质量检查与优化 AI幻觉导致脚本有错、场景缺失、健壮性不足
api-test-executor（后续教程） 脚本执行与结果复盘 人工执行繁琐、失败分析耗时

这5个Skill形成完整闭环：解析→造数→生成→优化→执行，既能串联使用，也能独立调用。

目前本系列主要是聚焦接口脚本生成阶段工作，在接口执行阶段还会根据执行阶段的工作特性，将其拆分成 5 个专业的Agent Skill来各司其职。

接口文档（Swagger/Postman/HAR 等）
  │
  ▼
api-schema-parser ──→ 标准化接口数据 (api_definitions.json)
  │
  ├──→ api-testdata-generator ──→ 全场景测试数据
  │         │
  │         ▼
  │   api-testscript-generator ──→ 接口自动化脚本工程
  │         │
  │         ▼
  │   api-test-optimizer ──→ 脚本质量检查与优化
  │         │
  │         ▼
  │   api-test-tagger ──→ 智能标签化管理
  │         │
  │         ▼
  │   api-test-executor ──→ 智能执行调度
  │         │
  │         ├──→ api-failure-diagnoser ──→ 失败诊断与自动修复
  │         │
  │         └──→ api-pipeline-scheduler ──→ 全链路流水线调度
  │                 │
  │                 ├── api-test-executor（执行测试）
  │                 ├── api-testdata-cleaner（清理数据）
  │                 └── api-report-generator（生成报告）
  │
  └──→ 也可直接进入 generator-testcase-xmind/excel 生成接口级测试用例

可以这样说，掌握了这套Agent Skill技能组合，日常接口自动化测试工作零基础的同学也能轻松搞定。

目前这套AI测试赋能的Skill技能组合，「狂师 . AI进化社」的成员都在使用，很多同学都表示，接口自动化测试落地效率明显提升了数倍，代码基础薄弱的同学也能轻松落地自动化测试了。

三、api-testdata-generator — 全场景测试数据智能构造

人工造数的痛点

做过接口自动化的同学都懂，人工构造测试数据有多 “折磨”：

  • 合法数据费脑：“这个手机号是否符合正则？”“用户名长度刚好符合要求吗？”，每一条合法数据都要反复核对接口文档；
  • 边界数据漏测：参数长度极值（如密码刚好 6 位 / 32 位）、枚举值边界、分页参数临界值，人工梳理极易遗漏；
  • 异常数据匮乏：空字符串与 null 的区别、触发限流的高频请求参数、触发账户锁定的错误密码，这些场景往往想不到、造不出；
  • 安全数据难求：SQL 注入、XSS 攻击、越权访问的测试 payload，需要专门学习且难以批量构造。

Agent Skill：api-testdata-generator 核心能力

api-testdata-generator是专门为接口自动化测试设计的测试数据智能生成 Skill，核心是 “基于规则、贴合业务、全场景覆盖”，其核心特性如下：

1、三大输入模式，覆盖全测试场景

该 Skill 突破了 “仅依赖接口文档造数” 的局限，支持三种灵活的输入模式，适配不同测试场景：

输入模式 核心输入 输出格式 适用场景
传统模式（API 驱动） api_definitions.json（接口解析结果） YAML/JSON/Excel 接口自动化测试（高频使用）
规范模式（规则驱动） 自定义字段规则文件（类型、长度、正则、枚举） CSV/JSON/YAML/Excel 团队有固定数据规范，多项目复用
自然语言模式（Faker 驱动） 自然语言描述（如 “生成 10 条符合中国身份证规则的数据”） CSV 手工测试、性能测试、UI 自动化（无需接口文档）

2、四大维度数据，全场景覆盖

基于接口约束和业务规则，自动生成四类测试数据，无死角覆盖测试场景：

  • 正向数据：符合所有必填 / 格式 / 长度约束的合法数据（如符合正则的用户名、有效验证码、正常库存的商品 ID）；
  • 反向数据：空值、超长度、非法格式（含特殊字符的用户名）、类型错误（布尔值传字符串）等异常参数；
  • 边界数据：参数长度极值（如密码 6 位 / 32 位）、枚举值边界、分页参数临界值（如 pageNum=10000）；
  • 业务异常数据：触发限流的高频请求参数、触发账户锁定的错误密码、库存不足的商品 ID、已取消订单的支付请求等。

3、工程化输出，无缝对接自动化框架

生成的测试数据并非 “零散文件”，而是按工程化规范组织：

  • 按接口模块分类存储（如 auth/order/product/cart 等）；
  • 自动封装为数据驱动格式，直接适配 Pytest/TestNG；
  • 生成全局配置文件（鉴权、测试账号）和接口依赖链文件（如订单流程、商品流程的关联数据）。

实战效果

虽然api-testdata-generator 技能支持三种模式的输入，但对于日常绝大多数的使用场景来说，使用最高频的还是传统模式（基于 api_definitions.json 接口定义）和自然语言模式（基于自然语言描述，Faker 驱动）。

我们接下来，就重点验证一下这两类模式下的效果：

1、传统模式（基于 api_definitions.json 接口定义）

第一步，在技能列表选择api-testdata-generator技能。

提供接口定义、字段规则文件或自然语言描述，比如这里我们传入上一步生成好的 api_definitions.json 接口定义，点击执行。

收到提示词后，api-testdata-generator技能会基于接口定义文件使用传统模式来生成测试数据，最终生成的数据汇总结果如下：共为59个接口生成了2032条数据，包括正向数据、边界值数据，异常数据，安全数据等不同维度。

并且生成好的数据，会按照模块进行保存：

output/test_data/
├── _config.yaml              # 全局配置（鉴权、测试账号等）
├── _dependencies.yaml        # 接口依赖链（order流程、product流程等）
├── summary.json              # 汇总报告
├── auth/                     # 认证管理（6文件，login/register/logout）
├── order/                    # 订单管理（20文件，10接口×2格式）
├── admin/                    # 管理后台（46文件，23接口×2格式）
├── address/                  # 地址管理
├── cart/                     # 购物车管理
├── captcha/                  # 验证码管理
├── product/                  # 商品管理
├── search/                   # 商品搜索
├── banner/                   # Banner轮播图
└── user/                     # 用户管理

每条数据都精准匹配接口参数约束，例如购物车接口会自动生成 “库存不足的商品 ID”“重复添加的商品 SKU” 等业务相关异常数据，而非简单的随机字符串。

第二种：自然语言模式（基于Faker 驱动）

此类使用方式，无需依赖接口文档，通过自然语言描述所需要的测试数据即可：

  • 例如：“帮我生成 100 条完整用户信息（含姓名、手机号、身份证号、收货地址），符合中国手机号和身份证规则”；
  • 执行 Skill 后，一键生成 CSV 格式的 100 条用户数据；
  • 数据格式规范、符合业务规则，可直接用于手工测试、UI 自动化或性能测试。

下面我们简要演示一下操作：

选择api-testdata-generator技能，输入：帮我生成100条完整用户信息。

发送提示词，很快100条完整测试数据就生成好了

打开生成的csv文件，查看数据详细。

只需一句话，整整齐齐100条完整的用户信息就生成好了，以后妈妈再也不用担心我为构造测试数据发愁了😊

100条完整用户信息，一句话搞定。

四、api-testdata-generator 与其他 Skill 的联动

api-testdata-generator并非孤立存在，而是接口自动化 AI 流水线的核心环节，其上下游联动逻辑如下：

┌─────────────────┐     ┌──────────────────┐     ┌──────────────────┐
│ api-schema-     │ ──→ │ api-testdata-    │ ──→ │ api-testscript-  │
│ parser          │     │ generator        │     │ generator        │
│ (接口解析)       │     │ (数据生成)        │     │ (脚本生成)        │
└─────────────────┘     └──────────────────┘     └──────────────────┘
  • 上游：接收api-schema-parser输出的标准化接口定义，确保数据与接口参数约束 100% 匹配；
  • 下游：为api-testscript-generator提供全维度测试数据，让生成的自动化脚本直接绑定有效数据，无需人工二次适配。

五、使用关键：让 AI 造数更 “精准” 的核心原则

  1. 规则先行：在使用 Skill 前，需明确接口参数的约束规则（必填、长度、正则、枚举），规则越清晰，AI 生成的数据越精准；
  2. 业务关联：针对电商、支付等业务场景，需提前定义业务规则（如 “订单状态为取消后不可支付”），让 AI 生成贴合业务的异常数据；
  3. 人工校验：AI 生成数据后，重点校验边界数据、业务异常数据的合理性，确保数据能真正触发目标测试场景。

六、项目源码与完整教程

项目完整实操教程、开发架构、设计思路（AI测试实战教程，平均每篇约3.5W字图文教程，非常详细，保姆级手把手喂饭教程，零基础也能快速上手）和项目源码（含30多个AI测试全场景Agent Skill），AI 知识库统一在「狂师 . AI 进化社」中。

目前「AI 进化社」中已经有非常多的AI 项目实战、AI测试实战保姆级教程（图文教程、视频教程）。

写在最后

api-testdata-generator作为 AI 赋能接口自动化的核心 Skill 之一，解决了 “测试数据覆盖不全、构造效率低、业务贴合度差” 的行业痛点。

但需注意：AI 造数的核心价值是 “提效” 而非 “替代”，测试工程师仍需聚焦于 “数据规则设计、业务场景定义、数据有效性校验” 等核心工作。

下一篇，我们将聚焦api-testscript-generator，聊聊如何让 AI 批量生成规范、可运行、覆盖全场景的接口自动化脚本，彻底告别手工编码的繁琐与低效。

本文配套的api-testdata-generator Skill 源码、shop-lab 项目实战教程（保姆级图文 + 视频），可前往「狂师 . AI 进化社」获取，包含 30+AI 测试全场景 Agent Skill，助力零基础落地 AI 赋能的接口自动化测试。

posted @ 2026-06-24 09:07  狂师  阅读(89)  评论(0)    收藏  举报