# AI-Agent

**Repository Path**: elfbobo_admin_admin/ai-agent

## Basic Information

- **Project Name**: AI-Agent
- **Description**: 一个专注于智能代理开发的开源项目，支持多平台应用，涵盖自动化决策、数据分析等领域，旨在为开发者提供高效灵活的AI解决方案。
- **Primary Language**: Python
- **License**: AGPL-3.0
- **Default Branch**: main
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 1
- **Created**: 2026-04-16
- **Last Updated**: 2026-04-28

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 智能测试用例生成器 (ai-agent)

基于 Python 的智能测试用例生成工具，提供测试点生成和测试用例生成两条管线，结合 RAG 知识库与 LLM 实现高质量的自动化测试设计。

## 核心功能

| 功能 | 描述 |
|------|------|
| RAG 知识库 | 集成外部 rag_knowledge_base 服务，支持混合检索 + CrossEncoder 重排序 |
| 测试点生成管线 | 从需求文档提取测试域、约束规则，结构化生成测试点（Markdown） |
| 测试用例生成管线 | 基于测试点 + RAG 知识库，每个测试点生成 3-8 个覆盖 4 类场景的测试用例 |
| LLM 缓存 | DeepSeek prompt 缓存 + 本地磁盘缓存，大幅降低重复生成成本 |
| 异步任务 | Celery + FastAPI 支持异步提交和查询任务状态 |
| 多格式输出 | 支持 Excel（样式化）、Markdown、JSON 三种输出格式 |

## 项目结构

```
ai-agent/
├── src/                        # 核心源代码
│   ├── main.py                 # CLI 主程序入口
│   ├── llm_integration.py      # LLM 集成（DeepSeek / Ollama）
│   ├── rag_knowledge_bridge.py # RAG 知识库 HTTP 客户端
│   ├── test_point_pipeline.py  # 测试点生成管线（5 阶段）
│   ├── test_case_pipeline.py   # 测试用例生成管线（5 阶段）
│   ├── md_parser.py            # Markdown 解析器
│   ├── pdf_parser.py           # PDF 解析模块
│   ├── output_formatter.py     # 输出格式化（Excel/Markdown/JSON）
│   ├── api_server.py           # FastAPI 异步任务服务
│   ├── celery_worker.py        # Celery Worker 入口
│   ├── tasks.py                # Celery 异步任务定义
│   └── utils/                  # 工具模块
├── scripts/                    # 工具脚本
├── tests/                      # 测试文件
├── need_test_data/             # 用户提供的原始测试点文档（输入）
├── test_points/                # 管线生成的高质量测试点（输出 → 测试用例的输入）
├── test_cases/                 # 测试用例生成结果输出目录
├── frontend/                   # Web 前端界面
├── generate.py                 # 一键生成（自动选最新测试点 → 测试用例）
├── config.py                   # 全局配置
├── start_services.py           # 服务启动管理
├── requirements.txt            # Python 依赖
└── .env                        # 环境变量配置
```

## 快速开始

### 1. 安装依赖

```bash
pip install -r requirements.txt
```

### 2. 配置环境变量

```bash
cp .env.example .env
```

关键字段：

```env
DEEPSEEK_API_KEY=your_deepseek_api_key
RAG_SERVICE_URL=http://localhost:8000
RAG_SERVICE_ENABLED=true
```

### 3. 启动 RAG 知识库服务

ai-agent 依赖外部 rag_knowledge_base 服务：

```bash
# 克隆并启动 RAG 服务
git clone https://gitee.com/hankaizhou/rag_knowledge_base.git
cd rag_knowledge_base
pip install -r requirements.txt
# 配置 .env，下载模型，构建知识库
python main.py --build
python scripts/start_web.py
# 服务运行在 http://localhost:8000
```

### 4. 生成测试点

从用户提供的测试点文档生成结构化高质量测试点：

```bash
python src/main.py generate-test-points \
    --kb-dir rag_knowledge_base \
    --module "自动化充值" \
    --test-points-file need_test_data/自动化充值V4.0测试点.md \
    --output test_points/自动化充值V4.0测试点.md
```

### 5. 生成测试用例

基于已生成的测试点文件生成测试用例：

```bash
python src/main.py generate-test-cases \
    --test-points test_points/自动化充值V4.0测试点.md \
    --format excel
```

测试用例默认输出到 `test_cases/` 目录。支持 `--max-test-points` 限制处理数量，`--retrieval-mode` 切换检索模式。

### 6. 构建知识库

```bash
python src/main.py build-knowledge-base \
    --docs-dir ./knowledge_data \
    --retrieval-mode hybrid
```

## 一键生成

项目根目录提供 `generate.py`，无需指定参数，自动选择 `test_points/` 中最新修改的测试点文件，生成测试用例到 `test_cases/`：

```bash
python generate.py
```

流程：扫描 `test_points/*.md` → 按修改时间取最新 → 执行管线 → 输出到 `test_cases/`。

## 管线架构

### 测试点生成管线

```
Phase 1: 文档解析 → 提取测试域和术语
Phase 2: 全局 RAG TOP30 检索（共享上下文）
Phase 3: 逐域并行生成测试点（利用 DeepSeek prompt 缓存）
Phase 4: 质量评审和重复检测
Phase 5: 导出 Markdown
```

### 测试用例生成管线

```
Phase 1: 加载测试点 → 构建任务列表
Phase 2: 全局 RAG TOP30 检索（共享上下文）
Phase 3: 并行 LLM 生成（每测试点 → 3-8 个测试用例，4 类场景）
Phase 4: 后处理（去重、格式校验、占位符检测）
Phase 5: 导出 Excel（样式化）+ Markdown
```

每个测试用例覆盖 4 类场景：正常流程、异常流程、边界值、接口异常。

## 异步任务

启动 Celery Worker：

```bash
celery -A src.celery_worker worker --loglevel=info --pool=solo -E
```

启动 API 服务：

```bash
uvicorn src.api_server:app --host 0.0.0.0 --port 8000
```

## 技术栈

| 技术 | 用途 |
|------|------|
| Python 3.9+ | 开发语言 |
| DeepSeek | LLM 推理 |
| ChromaDB + LangChain | 知识库向量存储与检索 |
| Celery + Redis | 异步任务队列 |
| FastAPI | API 服务 |
| Express.js | Web 前端服务 |
| pandas / openpyxl | Excel 输出 |
| requests / tenacity | HTTP 请求与重试 |

## 注意事项

1. 使用 LLM 功能需要有效的 DeepSeek API 密钥（或本地 Ollama）
2. 测试点文件需遵循 Markdown 格式，使用三级标题作为测试点
3. 必须先启动 rag_knowledge_base 服务，ai-agent 才能正常使用知识库
4. 生成测试用例前建议先构建知识库，以获得更好的检索质量

## 版本历史

- **v1.0.0**：初始版本，基于 FAISS 轻量知识库
- **v1.1.0**：添加 Web 界面，支持更多文档格式
- **v1.2.0**：升级为 ChromaDB + LangChain 生产级 RAG 系统
- **v1.3.0**：微服务化改造，使用外部 rag_knowledge_base 服务
- **v1.4.0**：重构管线架构，新增 TestCasePipeline，移除旧的 TestCaseGenerator，全局 RAG TOP30 优化，项目清理

## 相关项目

- [RAG 知识库服务](https://gitee.com/hankaizhou/rag_knowledge_base.git)