测试用例生成智能体应用实战（附核心代码）

## 从数据库读取到结构化入库：企业级测试智能体的工程化实现

企业真正关心的不是模型能写多少内容，而是：

* 是否能读取真实数据库
* 是否能保证结果可控
* 是否可以嵌入现有系统
* 是否支持批量执行
* 是否具备安全校验

本文拆解一套基于 **数据库 + 双智能体 + 校验层** 的测试用例生成方案，并给出核心实现代码。

---

# 目录

1. 企业真实需求模型
2. 为什么纯 RAG 不够
3. 双智能体架构设计
4. SQL 智能体实现（含代码）
5. 用例生成智能体实现（含代码 + 时序图）
6. 三层校验机制
7. API 封装与系统集成
8. 生产环境风险控制
9. 测试工程师能力升级

---

# 一、企业真实需求模型

典型企业场景：

* 需求存储在数据库
* 希望一键生成测试用例
* 输出必须结构化
* 可自动入库
* 可定时批量执行

核心不是“生成文本”，而是：

> 构建一条自动读取 → 自动生成 → 自动校验 → 自动入库的工程链路。

---

# 二、为什么纯 RAG 不够？

RAG 适合知识召回，但企业需求场景涉及：

* 强结构依赖
* 表间关联
* 条件过滤
* 精确字段访问

因此需要：

* Text-to-SQL
* 数据库直连
* 智能体调度
* 校验层

---

# 三、双智能体架构设计

采用职责分离：

* SQL Agent：读取需求
* Case Agent：生成用例

整体结构：

```mermaid
flowchart LR
A[需求数据库] --> B[SQL Agent]
B --> C[结构化需求]
C --> D[Case Agent]
D --> E[结构化测试用例]
E --> F[API返回或入库]
```

---

# 四、SQL 智能体实现

## 1.定义结构化返回模型

```python
from pydantic import BaseModel
from typing import List, Any

class SQLResult(BaseModel):
    sql: str
    explanation: str
    data: List[Any]
```

---

## 2.构建 SQL Agent

```python
from pandect import agent

@agent(
    model=deepseek_model,
    result_type=SQLResult,
    dependencies=[db_connection]
)
def sql_agent(user_query: str):

    return f"""
    根据用户请求生成SQL查询语句。

    数据库结构：
    {schema_info}

    用户请求:
    {user_query}

    返回：
    - SQL语句
    - SQL解释
    - 查询结果
    """
```

---

## 3.SQL 校验层

```python
from pandect import result_validator

@result_validator(sql_agent)
def validate_sql_result(result: SQLResult):

    forbidden = ["delete", "update", "insert", "drop"]

    for word in forbidden:
        if word in result.sql.lower():
            raise ValueError("检测到危险SQL操作")

    if result.data is None:
        raise ValueError("未返回数据")

    return result
```

执行链路：

```mermaid
flowchart LR
A[生成SQL] --> B[语法校验]
B --> C[执行]
C --> D[结果验证]
D --> E[结构化返回]
```

---

# 五、用例生成智能体实现

这是系统真正产生业务价值的部分。

---

## 1.定义测试用例结构

```python
from pydantic import BaseModel
from typing import List

class TestCase(BaseModel):
    title: str
    steps: List[str]
    expected: str

class CaseResult(BaseModel):
    cases: List[TestCase]
```

---

## 2. Case Agent 构建

```python
@agent(
    model=deepseek_model,
    result_type=CaseResult
)
def case_agent(requirements: list):

    return f"""
    根据以下需求生成测试用例。

    要求：
    1. 每条用例必须包含 title、steps、expected
    2. 输出必须为 JSON
    3. 包含正常流程与边界条件
    4. 不得生成与需求无关内容

    需求列表:
    {requirements}
    """
```

---

## 3. 用例生成图

```mermaid
sequenceDiagram
用户->>CaseAgent: 传入需求ID或需求列表
CaseAgent->>SQLAgent: 请求结构化需求数据
SQLAgent-->>CaseAgent: 返回需求数据
CaseAgent->>大模型: 按JSON结构生成用例
大模型-->>CaseAgent: 返回测试用例
CaseAgent-->>用户: 输出结构化CaseResult
```

这张图体现的是：

* 智能体协作
* 数据流方向
* 职责分离
* 可替换性

---

## 4. 用例校验层

```python
@result_validator(case_agent)
def validate_case_result(result: CaseResult):

    if len(result.cases) == 0:
        raise ValueError("未生成测试用例")

    for case in result.cases:
        if not case.steps:
            raise ValueError("步骤不能为空")
        if not case.expected:
            raise ValueError("预期结果不能为空")

    return result
```

---

# 六、完整执行链路

```mermaid
flowchart TD
A[读取需求] --> B[SQL Agent]
B --> C[SQL校验]
C --> D[生成需求列表]
D --> E[Case Agent]
E --> F[JSON校验]
F --> G[结构化返回]
G --> H[入库或API输出]
```

三层结构：

1. 数据访问层
2. 生成层
3. 校验层

---

# 七、API 封装与系统集成

推荐方式：

* 封装为 REST API
* 输入需求ID
* 返回 JSON
* 由现有系统入库

```mermaid
flowchart LR
A[现有系统] --> B[调用AI接口]
B --> C[智能体处理]
C --> D[返回结构化用例]
```

---

# 八、生产环境风险控制

必须增加：

* 数据库只读权限
* SQL 白名单
* JSON Schema 校验
* 敏感字段脱敏
* 日志隔离

智能体是可控组件。
权限设计才是风险核心。

---

# 九、趋势与能力升级

企业落地后：

* 70%~80% 用例自动生成
* 人工转向复杂逻辑与风险设计

测试工程师的能力边界正在变化：

* 从执行者 → 架构设计者
* 从写脚本 → 设计规则系统
* 从工具使用 → 构建智能体链路

未来真正稀缺的能力，是：

> 设计一个可控、可验证、可扩展的智能体系统。