本發(fā)明涉及人工智能，尤其涉及一種基于增強(qiáng)rag的測(cè)試用例自動(dòng)生成方法。

背景技術(shù)：

1、傳統(tǒng)的系統(tǒng)測(cè)試過程中，都由測(cè)試人員手動(dòng)編寫大綱用例并執(zhí)行，最后完成測(cè)試報(bào)告。

2、rag(retrieval?augmented?generation)技術(shù)是一種結(jié)合檢索和生成功能的自然語言處理技術(shù)。它通過從大型外部數(shù)據(jù)庫中檢索與輸入問題相關(guān)的信息，來輔助生成模型回答問題?，F(xiàn)有的rag技術(shù)，可以將該系統(tǒng)所有資料，例如需求定義書、系統(tǒng)設(shè)計(jì)書、測(cè)試報(bào)告模板等等都作為知識(shí)庫交給ai學(xué)習(xí)，測(cè)試人員可以通過ai來自動(dòng)生成大綱用例等等。

3、而缺陷在于現(xiàn)有技術(shù)的rag技術(shù)只是將資料切分成片段，再與用戶的輸入進(jìn)行匹配，通過這樣的單路召回得到回答，范圍非常局限而且用詞泛化，只有20％可用，所以本發(fā)明提供了三路召回增強(qiáng)型rag模型，用來提升生成測(cè)試用例的可用性，替換后可用性達(dá)到90％以上。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明主要解決現(xiàn)有技術(shù)rag生成的測(cè)試用例范圍局限而且用詞泛化的技術(shù)問題，提出一種基于增強(qiáng)rag的測(cè)試用例自動(dòng)生成方法，實(shí)現(xiàn)測(cè)試用例書的自動(dòng)化生成，以減少工作內(nèi)容，提升工作效率。

2、本發(fā)明提供了一種基于增強(qiáng)rag的測(cè)試用例自動(dòng)生成方法，包括：

3、對(duì)系統(tǒng)文檔進(jìn)行文字提取，并將提取后的文字切分成文本片段，形成文本向量，存入向量數(shù)據(jù)庫中；

4、將切分后的文本片段，交由本地的第一大語言模型，生成對(duì)應(yīng)的三元組，存入知識(shí)圖譜數(shù)據(jù)庫中；

5、將系統(tǒng)文檔直接交由本地的第一大語言模型，抽出文章大綱，存入關(guān)系型數(shù)據(jù)庫中；

6、根據(jù)用戶輸入的測(cè)試用例需求，從向量數(shù)據(jù)庫、知識(shí)圖譜數(shù)據(jù)庫和關(guān)系型數(shù)據(jù)庫中進(jìn)行檢索，從向量數(shù)據(jù)庫中使用余弦相似度算法得到與測(cè)試用例生成相關(guān)的文本片段，再使用重排模型對(duì)文本片段按照相似性排序；從知識(shí)圖譜數(shù)據(jù)庫中使用實(shí)體關(guān)鍵詞相似度，匹配得到對(duì)應(yīng)的三元組；從關(guān)系型數(shù)據(jù)庫中直接得到對(duì)應(yīng)的文章大綱；

7、將匹配的與測(cè)試用例生成相關(guān)的文本片段、三元組和文章大綱發(fā)送給本地的第二大語言模型；第二大語言模型根據(jù)這些信息自動(dòng)生成具體的測(cè)試用例和詳細(xì)的測(cè)試用例文檔。

8、進(jìn)一步的，所述系統(tǒng)文檔包括但不限于需求定義書、系統(tǒng)設(shè)計(jì)書、測(cè)試報(bào)告模板

9、進(jìn)一步的，使用文本切分工具進(jìn)行，將系統(tǒng)文檔切分成文本片段；

10、用嵌入模型將文本片段轉(zhuǎn)化為文本向量。

11、進(jìn)一步的，所述第一大語言模型，通過創(chuàng)建好的提示詞模版，提取片段中的實(shí)體關(guān)鍵詞，生成對(duì)應(yīng)的三元組。

12、進(jìn)一步的，將系統(tǒng)文檔直接交由本地的第一大語言模型，抽出文章大綱，存入關(guān)系型數(shù)據(jù)庫中，包括：

13、第一大語言模型遍歷系統(tǒng)文檔的頁數(shù)，提取出每頁的大綱內(nèi)容，最后將每頁的大綱匯總，第一大語言模型在進(jìn)行總結(jié)，得到整體的大綱，存入關(guān)系型數(shù)據(jù)庫中。

14、進(jìn)一步的，所述重排模型利用余弦相似度算法計(jì)算用戶輸入與匹配到文本片段的距離，從而達(dá)到相似性排序。

15、本發(fā)明提供的一種基于增強(qiáng)rag的測(cè)試用例自動(dòng)生成方法，將系統(tǒng)文檔進(jìn)行文本切分后，轉(zhuǎn)成文本向量存入向量數(shù)據(jù)庫中。系統(tǒng)文檔交由本地的第一大語言模型生成的三元組，存入知識(shí)圖譜數(shù)據(jù)庫中；系統(tǒng)文檔交由本地的第一大語言模型抽出的文章大綱，存入關(guān)系型數(shù)據(jù)庫中；再將用戶的輸入與三個(gè)數(shù)據(jù)庫進(jìn)行匹配，得到回答。本發(fā)明采用了獨(dú)特的三路召回增強(qiáng)型rag模型，數(shù)據(jù)工程師提前將待測(cè)試系統(tǒng)的相關(guān)系統(tǒng)文檔上傳。當(dāng)有生成測(cè)試用例的需求時(shí)，測(cè)試人員向本地的第二大語言模型發(fā)送需要被測(cè)試的部分。此時(shí)數(shù)據(jù)工程師上傳的相關(guān)系統(tǒng)文檔已被三路召回增強(qiáng)型rag處理成三種數(shù)據(jù)，通過代碼邏輯與測(cè)試人員的輸入進(jìn)行匹配，得到最相關(guān)的部分，再全部發(fā)送給本地的第二大語言模型。依靠本地的第二大語言模型強(qiáng)大的自然語言處理能力，就可以自動(dòng)生成測(cè)試用例，再通過代碼邏輯寫入用例書模板，實(shí)現(xiàn)測(cè)試用例書的自動(dòng)化生成。原先測(cè)試人員需要編寫大綱、編寫測(cè)試用例、執(zhí)行用例、寫入用例書，使用了本申請(qǐng)技術(shù)方案之后，直接省去70％的工作部分，執(zhí)行用例之后將結(jié)果寫入用例書即可，極大減少了工作內(nèi)容，提升了工作效率。且相比普通rag，本申請(qǐng)技術(shù)生成的測(cè)試用例結(jié)果可用性可達(dá)90％以上。

技術(shù)特征：

1.一種基于增強(qiáng)rag的測(cè)試用例自動(dòng)生成方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的基于增強(qiáng)rag的測(cè)試用例自動(dòng)生成方法，其特征在于，所述系統(tǒng)文檔包括但不限于需求定義書、系統(tǒng)設(shè)計(jì)書、測(cè)試報(bào)告模板。

3.根據(jù)權(quán)利要求1所述的基于增強(qiáng)rag的測(cè)試用例自動(dòng)生成方法，其特征在于，使用文本切分工具進(jìn)行，將系統(tǒng)文檔切分成文本片段；

4.根據(jù)權(quán)利要求3所述的基于增強(qiáng)rag的測(cè)試用例自動(dòng)生成方法，其特征在于，所述第一大語言模型，通過創(chuàng)建好的提示詞模版，提取片段中的實(shí)體關(guān)鍵詞，生成對(duì)應(yīng)的三元組。

5.根據(jù)權(quán)利要求4所述的基于增強(qiáng)rag的測(cè)試用例自動(dòng)生成方法，其特征在于，將系統(tǒng)文檔直接交由本地的第一大語言模型，抽出文章大綱，存入關(guān)系型數(shù)據(jù)庫中，包括：

6.根據(jù)權(quán)利要求5所述的基于增強(qiáng)rag的測(cè)試用例自動(dòng)生成方法，其特征在于，所述重排模型利用余弦相似度算法計(jì)算用戶輸入與匹配到文本片段的距離，從而達(dá)到相似性排序。

技術(shù)總結(jié)
本發(fā)明涉及人工智能技術(shù)領(lǐng)域，提供一種基于增強(qiáng)RAG的測(cè)試用例自動(dòng)生成方法，包括對(duì)系統(tǒng)文檔進(jìn)行文字提取，并將提取后的文字切分成文本片段，形成文本向量，存入向量數(shù)據(jù)庫中；本地的第一大語言模型，生成對(duì)應(yīng)的三元組，存入知識(shí)圖譜數(shù)據(jù)庫中；將系統(tǒng)文檔直接交由本地的第一大語言模型，抽出文章大綱，存入關(guān)系型數(shù)據(jù)庫中；根據(jù)用戶輸入的測(cè)試用例需求，得到與測(cè)試用例生成相關(guān)的文本片段、三元組和文章大綱并發(fā)送給本地的第二大語言模型；第二大語言模型根據(jù)這些信息自動(dòng)生成具體的測(cè)試用例和詳細(xì)的測(cè)試用例文檔。本發(fā)明能夠?qū)崿F(xiàn)測(cè)試用例書的自動(dòng)化生成，以減少工作內(nèi)容，提升工作效率。

技術(shù)研發(fā)人員：曲帥,李澤煬,劉海蕓
受保護(hù)的技術(shù)使用者：大連百易軟件股份有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/6