"从精准检索到智能共创，重塑测试用例生成体验。" 本项目来源于字节训练营，个人结题项目，希望对尝试测开方向小伙伴们有一定的学习与帮忙 Auto_prd_test_expert 是一款基于 “轻量化本地部署 + 企业级大模型 API” 混合架构的智能测试助手。它采用 Advanced RAG 和 Human-in-the-Loop 闭环设计，解决了传统工具“各种幻觉”、“无法微调”、“流程割裂”的痛点，是一个具备记忆与质检能力的可进化测试管家。
在软件测试领域，测试人员长期面临以下挑战：
- 🕒 文档理解耗时：PRD（需求文档）冗长，人工提取测试点效率低。
- 🕳️ 用例覆盖不全：容易遗漏边界值、异常场景或安全隐患。
- ♻️ 经验难以复用：优质历史用例沉淀在文档坟墓中，无法自动联想。
- 😵💫 AI 生成幻觉：通用大模型不懂内部规范（如密码策略），生成内容“假大空”。
构建 “精准检索 -> 智能共创 -> 对抗评估” 的完整闭环体系。
- 精准检索：漏斗式 RAG，拒绝噪音。
- 智能共创：多模态输入 + 双屏交互，支持持续 Fine-tune。
- 对抗评估：引入 AI Critic 角色，像 QA 专家一样对用例进行质检。
解决痛点：解决通用大模型不懂业务规范、引用内容包含噪音的问题。
- 📥 输入：非结构化资产（PDF/图片/历史用例） + 当前 PRD。
- ⚙️ 处理 (The Funnel)：
- 智能切片 (Smart Chunking)：基于滑窗机制将文档切分为细粒度语义片段。
- 向量粗筛 (Vector Retrieval)：利用 Embedding 快速召回 Top-K 相关片段。
- LLM 智能细筛 (Contextual Filtering)：引入轻量级模型作为“过滤器”，剔除无关噪音（如背景介绍），只保留核心干货。
- 📤 输出：100% 纯净的核心知识上下文，并向用户透明展示引用的具体来源文件名。
解决痛点：交互体验差、无法微调、视觉逻辑丢失。
- 📥 输入：多模态材料（PDF 文档、UI 设计图、补充文本）。
- ⚙️ 处理：
- 视觉逻辑推导：利用 Gemini Vision 识别 UI 元素（按钮/输入框）并推导交互逻辑。
- 双屏共创交互：
- 左侧（思维链）：展示 AI 分析思路，支持多轮对话微调（Fine-tune）。
- 右侧（实时交付）：动态渲染结构化表格，所见即所得。
- 意图路由 (Intent Routing)：自动识别用户是“闲聊”还是“修改指令”，动态切换 Prompt 策略。
- 📤 结果：
- 支持 CSV/Excel/YAML/JSON/Markdown 五种格式一键导出。
- 资产回流：确认后的用例可“归档”回知识库，成为下一次生成的“历史参考”。
解决痛点：人工验收慢、缺乏标准度量。
- ⚙️ 处理：
- 独立评审 Agent (AI Critic)：构建“QA 验收专家”角色，与生成者形成对抗。
- 多维质检：覆盖率分析、逻辑自洽性检查、去重与规范性检测。
- 差异化比对：若上传了标准用例 (Golden Sample)，自动计算偏差。
- 📤 结果：输出可视化的质量评估报告（包含评分、漏测点、优化建议）。
- 图 1: 上传多模态文件进行RAG向量库生成与UI前端可视化预览，搜寻、删除、下载与核心摘要生成
- 图 2: 构建RAG知识库的污染文件与利用RAG知识库与LLM进行相关知识检索生成
- 图 3: 进行测试用例生成后人工微调、查看、多种格式下载、入库
- 图 4: 测试专家对测试用例评估效果展示
| 模块 | 技术选型 | 理由 |
|---|---|---|
| Lang | Python 3.10 | AI 领域标准语言，生态最丰富。 |
| Frontend | Streamlit | 专为数据科学设计，支持 Session State 状态管理与快速迭代。 |
| Backend | Google Generative AI SDK | 原生支持 Gemini Pro/Flash，具备 1M+ Token 上下文与多模态能力。 |
| RAG DB | ChromaDB | 轻量级本地向量数据库，无需服务器，保障数据隐私。 |
| Data | Pandas | 强大的数据清洗与格式转换能力 (JSON <-> DataFrame)。 |
本项目采用模块化分层架构：
prompts.py: 统一管理所有 Prompt。内置智能路由逻辑，根据用户意图动态组装 System Prompt，并强制执行“解释与数据分离”策略。
rag_engine.py(知识引擎): 封装 ChromaDB 操作。实现了TextSplitter递归切片算法，以及多模态解析接口parse_file_content（支持 UI 图转文字）。llm_client.py(AI 网关): 封装 Gemini API，实现带历史记忆的对话接口get_gemini_chat_response。evaluator.py(评估引擎): 独立的质检模块，负责调用 LLM 输出结构化的质量报告。
main.py(主控台): 业务编排中心。- RAG 智能双重筛选: 串联
rag_engine(粗筛) 与llm_client(细筛/去噪)。 - 思维链共创: 利用
split_text_and_json实现左侧聊天流与右侧数据流的视觉分离。 - 资产归档: 闭环逻辑，将最终用例回流至 ChromaDB。
- RAG 智能双重筛选: 串联
sidebar.py: 全局配置入口，包含动态模型加载与 API Key 管理。components.py: 专注于数据表格渲染与多格式导出。
- 输入端拓展：
- 集成 FastAPI，支持飞书/钉钉机器人接入，实现 IM 群组中的“对话即测试”。
- 增加 URL 解析能力（直接读取在线 PRD/Jira）。
- 输出端 Agent 化：
- 自动化脚本生成：利用生成的结构化数据，调用大模型生成 Pytest / Midscene.js 执行脚本。
- 集成 CI/CD 流水线，实现“从文档到代码”的自动化闭环。
- 上游优化：
- 增加 “PRD 质检” 模块，在生成用例前先对需求文档本身进行逻辑漏洞分析。
本项目提供 Docker（推荐） 和 本地源码 两种部署方式。由于项目依赖 Google Gemini API，请确保你的运行环境能够访问 Google 服务。
这是最简单、最稳定的部署方式，无需配置复杂的 Python 环境，且已配置好数据持久化。
- 安装 Docker Desktop (Windows/Mac/Linux)。
- 克隆本项目代码：
git clone https://github.com/YourUsername/Auto_prd_test_expert.git cd Auto_prd_test_expert
为了安全起见，API Key 不包含在代码库中。请按照以下步骤配置：
- 进入
data/目录。 - 将
user_config.example.json重命名为user_config.json。 - 编辑该文件，填入你的 Gemini API Key：
{ "api_key": "YOUR_GEMINI_API_KEY_HERE" }
如果你在中国大陆地区使用，必须配置代理才能连接 Gemini API。
打开项目根目录下的 docker-compose.yml，找到 environment 部分，根据你的实际代理端口修改：
environment:
# host.docker.internal 代表宿主机 IP
# 请将 7897 修改为你本地代理软件（如 v2ray/clash）的端口号
- HTTP_PROXY=http://host.docker.internal:7897
- HTTPS_PROXY=http://host.docker.internal:7897
在项目根目录下打开终端，运行：
docker-compose up -d --build- 构建过程可能需要几分钟（已配置国内镜像源加速）。
- 启动成功后，浏览器访问：http://127.0.0.1:8501 即可使用。
docker-compose down关于数据持久化：Docker 已配置挂载卷，你的知识库（向量数据）和上传的原始文件会保存在本地
data/目录下，重启容器数据不会丢失。
如果你需要修改代码或进行二次开发，建议使用 Anaconda 环境。
conda create -n gemini_test python=3.10
conda activate gemini_testpip install -r requirements.txt项目会自动读取系统环境变量。如果在代码中未检测到代理，默认会尝试使用 http://127.0.0.1:7897。你可以直接修改 config/settings.py 中的默认端口，或者在终端设置环境变量：
# Windows PowerShell
$env:HTTP_PROXY="http://127.0.0.1:7890"
$env:HTTPS_PROXY="http://127.0.0.1:7890"streamlit run ui/main.py