Prompt Engineering 进阶：如何写出让 AI 自动生成高质量测试用例的提示词？

在软件测试领域，AI 的接入正在改变游戏规则。很多测试同学尝试用 AI 写用例时，往往会发现：生成的用例要么太泛，要么漏掉核心逻辑，或者根本无法执行。

这通常不是 AI 的能力问题，而是提示词（Prompt）的颗粒度问题。想要让 AI 像资深测试工程师一样思考，你需要构建一套“结构化思维”的 Prompt 框架。

一、 拒绝“一句话指令”：建立上下文感知

最失败的 Prompt 莫过于：“请帮我写一个登录功能的测试用例”。AI 无法预知你的业务规则、数据库约束或异常处理机制。

核心公式：角色设定 + 业务背景 + 技术栈 + 约束条件 + 输出格式

进阶示例：“你是一位拥有 10 年经验的资深 QA。请针对一个跨境电商订单系统的‘取消订单’功能编写测试用例。业务逻辑： 订单在支付后 30 分钟内可取消，若已发货则不可取消。技术细节： 接口返回码符合 RESTful 标准，数据库为 MySQL。要求： 覆盖等价类、边界值及异常场景（如并发取消）。”

二、 引入“测试设计方法论”

AI 默认生成的通常是正向流。要提升质量，必须在 Prompt 中显式引入测试设计模型。

• 等价类与边界值： 强制要求 AI 关注数值范围（如：0、1、上限值、上限值+1）。
• 状态转换图： 针对复杂工作流（如审批流），要求 AI 根据状态机编写路径覆盖用例。
• 错误猜测法： 提示 AI 思考“如果网络抖动”、“如果 Token 瞬间过期”会发生什么。

三、 结构化输出：从自然语言到可执行脚本

为了让 AI 生成的用例直接对接到你的测试管理工具（如 Jira, TestRail）或自动化框架（如 Pytest, Playwright），你需要规定输出格式。

1. 表格化展现（适合手工用例）

要求 AI 使用 Markdown 表格输出，包含：ID、模块、前置条件、测试步骤、预期结果。

2. 逻辑分层（适合自动化脚本）

如果你希望 AI 直接写代码，推荐使用 Page Object Model (POM) 结构。

Prompt 片段：“请使用 Python + Pytest 编写自动化用例。要求使用 POM 模式，将页面元素定位与业务逻辑分离。断言部分需包含数据库状态校验。”

四、 进阶技巧：Few-Shot Prompting（少样本提示）

AI 是优秀的模仿者。如果你觉得它写的风格不对，直接给它 1-2 个你认为“标准”的用例模板。

• 做法： “这是我们公司的标准用例格式：[示例 1]。请参照这个格式和颗粒度，为以下功能编写用例：[新功能描述]。”

这种方式能瞬间拉齐 AI 与你团队的文档标准。

五、 针对“异常场景”的深度挖掘

高质量用例的价值往往在于“非正常路径”。你可以通过以下 Prompt 诱导 AI 开启“破坏者模式”：

“请列出 5 个最容易被开发忽略的边缘异常场景（Edge Cases），并针对这些场景编写具体的测试步骤，重点关注接口幂等性和分布式事务的一致性。”

总结

写好测试用例 Prompt 的本质，是将你脑海中的测试经验抽象化并传递给 AI。AI 不缺知识，它缺的是你对当前业务的上下文理解。

想要尝试优化你现有的用例库吗？

如果你愿意，可以提供一个具体的功能模块描述或现有的简单用例，我可以帮你将其重构成更专业、覆盖率更高的 Prompt 模板。