周 五 好呀米娜桑！今天迎来了双倍快乐，是周末，也是儿童节！愿你永葆童心，永远快乐！

今天我们一起学习讨论一个“老生常谈”但却值得不断去研究的话题，那就是“基于大模型如何生成测试用例，是否能真的提升测试效率”！据京东零售团队研究发现，基于Langchain生成测试用例，结果效率提升了50%！

我们今天就来从研究背景、实现的过程思路、实践效果以及大模型自动生成的优缺点方面来学习讨论，希望对你有所启发！

它是一个开源框架，用于构建基于大型语言模型（LLM）的应用程序。LLM 是基于大量数据预先训练的大型深度学习模型，可以生成对用户查询的响应，例如回答问题或根据基于文本的提示创建图像。

LangChain 提供各种工具和抽象，以提高模型生成的信息的定制性、准确性和相关性。例如，开发人员可以使用 LangChain 组件来构建新的提示链或自定义现有模板。LangChain 还包括一些组件，可让 LLM 无需重新训练即可访问新的数据集。

在研究开源框架LangChain之前，公司最先普及的是JoyCoder，但是在把相关需求及设计文档信息拷贝到JoyCoder，让其生成测试用例时，却发现人工操作步骤较多（如：复制粘贴文档，编写提示词，拷贝结果，保存用例等）、响应时间久，而且当需求或设计文档内容较大时，提示词太长或超出 token 限制！

因此开展了基于LangChain的研究！

用例生成后是否真的能帮助我们节省用例设计的时间，是大家重点关注的，因此我随机在一个小型需求中进行了实验，此需求的 PRD 文档总字数 2000+，设计文档总字数 100+（因大部分是流程图），结果效率提升 50%。

本次利用大模型自动生成用例的优缺点：

优势：

劣势：

AI如何辅助我们更加完整高效的保证测试工作，一直是我们我们测试人员关心的话题。而到目前为止，利用大模型生成测试用例是用户研究最多的，我们公众号也相继发表了很多用AI生成测试用例的工具介绍及文章介绍，如下：

文章1：《19个测试⽤例⽣成的AI⼯具！卷起来！》

文章2：《AI测试干货！实例讲解AI自动生成测试用例》

文章3：《好用！这个小工具轻松提升测试用例的编写效率！》（PS：这篇是作者自己写的一个测试用例小工具，用户反响很好，希望对你也有所帮助！）

那么：

#1.针对文章1中提到的19个AI工具你有详细研究过吗？欢迎评论区分享

#2.针对文章3作者自己写的小工具，你有使用吗？使用感受如何？觉得哪些地方还可以优化？

#3.AI生成测试用例免不了提示词，就工作中任何一个小的测试场景为例，你会提炼出哪些关键词？（例如：登录场景测试：关键词1，关键词2）

以上话题，任选其一，欢迎评论区留言，小编会在下周一（2024年6月3日）下午，选取1位幸运小伙伴，送出《测试工程师全栈技术进阶与实践》一本，快来评论区分享吧~