AI测试｜利用OpenAI的文本生成模型，自动生成测试用例的几个场景示例

03-23 阅读 0评论

$AI测试｜利用OpenAI的文本生成模型，自动生成测试用例的几个场景示例,AI测试｜利用OpenAI的文本生成模型，自动生成测试用例的几个场景示例,词库加载错误:未能找到文件“C:\Users\Administrator\Desktop\火车头9.8破解版\Configuration\Dict_Stopwords.txt”。,使用,我们,访问,第2张$

（图片来源网络，侵删）

2024软件测试面试刷题，这个小程序（永久刷题），靠它快速找到工作了！（刷题APP的天花板）_软件测试刷题小程序-CSDN博客文章浏览阅读2.7k次，点赞85次，收藏12次。你知不知道有这么一个软件测试面试的刷题小程序。里面包含了面试常问的软件测试基础题，web自动化测试、app自动化测试、接口测试、性能测试、自动化测试、安全测试及一些常问到的人力资源题目。最主要的是他还收集了像阿里、华为这样的大厂面试真题，还有互动交流板块……_软件测试刷题小程序 $AI测试｜利用OpenAI的文本生成模型，自动生成测试用例的几个场景示例,词库加载错误:未能找到文件“C:\Users\Administrator\Desktop\火车头9.8破解版\Configuration\Dict_Stopwords.txt”。,使用,我们,访问,第3张$ https://blog.csdn.net/AI_Green/article/details/134931243?spm=1001.2014.3001.5502将人工智能 (AI) 融入软件测试将彻底改变游戏规则，可以显著提高效率和有效性。本文利用 OpenAI 的文本生成模型（text generation model），特别是 GPT-3.5-turbo 和 GPT-4-turbo-preview，在 Google Colab 中构建文本生成模型，重点关注测试自动化用例。

示例1：自动生成测试用例

我们的用例围绕软件应用程序测试用例的自动生成展开。通过采用文本生成模型（Text Generation Model）从用户故事（User Story）或需求中自动生成测试方案，可以大大简化传统的人工劳动密集型流程。

构建模型的步骤

第1步：环境设置

首先在 Google Colab 中设置环境，这是 Google 提供的免费 Jupyter 笔记本（ Jupyter notebook）环境。

1.打开 Google Colab 并创建一个新笔记本（notebook）。

（图片来源网络，侵删）

2.安装 OpenAI 包：

!pip install openai -q

第2步：导入库

在你的笔记本中，导入必要的库：

从openai导入 OpenAI

第3步：OpenAI认证

获取你的 OpenAI API 密钥并进行身份验证，如下所示：

openai.api_key = 'your-api-key' client = OpenAI(api_key=openai.api_key)

第4步：定义测试用例生成函数

定义一个函数来根据软件需求生成测试用例。

def generate_test_cases(requirement):    response = client.chat.completions.create(      model="gpt-3.5-turbo",      messages=[        {"role": "system", "content": "You are a helpful assistant capable of generating software test cases."},        {"role": "user", "content": requirement}      ]    )    return response.choices[0].message.content

第5步：测试功能

使用示例需求测试该功能：

（图片来源网络，侵删）

requirement = "The system shall allow users to securely login with a username and password."test_cases = generate_test_cases(requirement)print(test_cases)

第6步：输出分析和细化

评估输出的相关性和完整性，根据需要完善提示或参数。

第7步：与测试管理工具集成

（可选）将输出与测试管理工具或存储库集成，以自动将新测试用例添加到套件中。

结论

你现在已经创建了一个工具，可以使用 OpenAI 的文本生成模型生成测试用例。该工具不仅节省时间，还能确保人工难以达到的一致性和彻底性。

未来的增强功能

集成GPT-4-vision-preview 以进行 GUI 测试。
实施可重复的输出以保持一致性。
使用 JSON 模式进行与测试管理工具兼容的结构化输出。

在软件测试中的人工智能动态领域，保持适应性和探索性至关重要，从而释放其全部潜力。

示例2：为购物车（Shopping Cart ）功能生成回归测试场景

目标：自动生成电子商务应用程序中购物车功能的回归测试场景，确保新的更改不会破坏现有功能。

代码演练：

设置身份验证：

使用你的 OpenAI API 密钥向 OpenAI 客户端进行身份验证。
```
从 openai导入 OpenAI客户端 = OpenAI(api_key= 'your-api-key' )
```
定义测试用例生成器函数：

该函数将获取功能描述并返回回归测试场景。
```
def generate_regression_tests(feature_description):    response = client.chat.completions.create(        model="gpt-3.5-turbo",        messages=[            {"role": "system", "content": "You are a helpful assistant capable of generating regression test scenarios for a shopping cart feature."},            {"role": "user", "content": feature_description}        ]    )    return response.choices[0].message.content
```
调用具有功能描述的函数：

提供购物车功能的描述以生成测试场景。
```
feature_description = "Ensure that the shopping cart allows users to add items, remove items, and proceed to checkout."regression_tests = generate_regression_tests(feature_description)print(regression_tests)
```
评估和完善：

分析生成的测试场景，并根据需要迭代提示以确保全面覆盖。

示例3：验证天气预报服务的API响应

目标：生成测试用例来验证天气预报服务的JSON API响应，确保数据结构和值符合预期。

代码演练：

设置身份验证：

使用你提供的 API 密钥通过 OpenAI API 进行身份验证。
```
from openai import OpenAIclient = OpenAI(api_key='your-api-key')
```
定义测试用例生成器函数：

此函数将获取 API 端点描述并返回测试用例以验证API的JSON响应。
```
def generate_api_validation_tests(api_description):    response = client.chat.completions.create(        model="gpt-3.5-turbo",        messages=[            {"role": "system", "content": "You are a helpful assistant that generates test cases to validate JSON responses from an API."},            {"role": "user", "content": api_description}        ]    )    return response.choices[0].message.content
```
使用API描述调用函数：

提供 API 端点的描述以生成验证测试用例。
```
api_description = "The weather API should return a JSON response with fields for temperature, humidity, and precipitation forecast for the next 5 days."api_validation_tests = generate_api_validation_tests(api_description)print(api_validation_tests)
```
评估和完善：

检查生成的测试用例的准确性和完整性。确保测试用例检查每个字段是否存在以及数据格式的正确性。

用户说明：
- 确保替换'your-api-key'为实际的 OpenAI API 密钥。
- 在 Jupyter Notebook 环境（例如 Google Colab）中运行每个代码块。
- 运行测试用例生成器函数后，查看建议的测试用例。
- 如果输出不令人满意，请细化功能或 API 描述以使其更加具体，或调整系统消息以更好地指导模型。
- 迭代输入和系统消息，直到生成的测试用例满足您对覆盖范围和细节的要求。
  
  通过遵循这些示例，你可以扩展 AI 驱动的测试生成的功能，以涵盖软件测试的各个方面，从而使测试过程更加稳健和高效。
  
  让我们为此创建一个Web应用程序
  
  第1步：创建 GitHub 帐户
  
  1.访问GitHub 的网站。（https://github.com/）
  
  2.单击右上角的“注册”按钮。
  
  3.在必填字段中填写新 GitHub 帐户的用户名、电子邮件地址和密码。
  
  4.通过 GitHub 发送给你的电子邮件验证你的帐户。
  5.按照屏幕上的说明完成设置。
  
  第2步：创建新存储库
  
  1.登录后，单击右上角的“+”图标并选择“新存储库（New repository）”。
  
  2.为你的存储库命名，例如“streamlit-test-case-generator”。
  
  3.选择你希望存储库是公共的还是私有的。
  
  4.使用 README 文件初始化存储库。
  
  5.单击“创建存储库”。
  
  第3步：将文件添加到你的存储库
  
  1.在你的存储库中，单击“添加文件”并选择“创建新文件”。
  
  2.创建一个名为app.py—这将是 Streamlit 应用程序的主 Python 文件。
  
  3.将你的 Streamlit 代码写入app.py. 确保您的代码包含 API 密钥的错误处理，以避免暴露它。
  
  4.创建另一个名为requirements.txt. 此文件应列出你的应用程序依赖的所有 Python 库，包括streamlit和openai.
  
  5.单击“提交新文件”来提交新文件。
  
  这是app.py：
```
import streamlit as stimport openaiimport os
# Retrieve the API key from the environment variableOPENAI_API_KEY = os.getenv('OPENAI_API_KEY')
# Initialize the OpenAI client with the API keyopenai.api_key = OPENAI_API_KEY
# Define the function to generate test casesdefgenerate_test_cases(requirement):    response = openai.ChatCompletion.create(        model="gpt-3.5-turbo",        messages=[            {"role": "system", "content": "You are a helpful assistant capable of generating software test cases."},            {"role": "user", "content": requirement}        ]    )    return response.choices[0].message.content
# Streamlit app layoutst.title('AI-powered Test Case Generator')st.write('Enter your software requirement to generate test cases.')
# Text area for user to enter the software requirementrequirement = st.text_area("Requirement", height=150)
# Button to generate test casesif st.button('Generate Test Cases'):    if requirement:        with st.spinner('Generating...'):            try:                test_cases = generate_test_cases(requirement)                st.success('Generated Test Cases')                st.write(test_cases)            except Exception as e:                st.error('An error occurred while generating test cases.')                st.error(e)    else:        st.error('Please enter a requirement to generate test cases.')
```
  这是需求.txt
```
streamlitopenai
```
  第4步：添加你的API密钥作为秘密
  
  1.转到 GitHub 存储库的“设置”选项卡。
  
  2.在左侧边栏中找到“秘密”部分，然后单击“操作”。
  
  3.单击“新存储库机密”。
  
  4.命名你的密钥（例如OPENAI_API_KEY）并将你的 OpenAI API 密钥粘贴为值。
  
  5.单击“添加秘密”进行保存。
  
  第5步：创建 Share.streamlit.com 帐户
  
  1.访问share.streamlit.com并点击“注册”。
  
  2.使用你的 GitHub 帐户注册，将你的 Streamlit 帐户与 GitHub 关联。
  
  第6步：部署你的 Streamlit 应用程序
  
  1.登录 Streamlit 后，单击“新应用程序”。
  
  2.选择你之前创建的 GitHub 存储库。
  
  3.选择文件所在的分支（通常main为或master）。
  
  4.app.py在“Streamlit 应用程序的路径”字段中写入。
  
  5.在“高级设置”中，将你的密钥 ( OPENAI_API_KEY) 输入到“环境变量”部分。
  
  6.单击“部署”以部署你的应用程序。Streamlit 将自动安装文件中列出的依赖项requirements.txt并部署你的应用程序。
  
  行动吧，在路上总比一直观望的要好，未来的你肯定会感谢现在拼搏的自己！如果想学习提升找不到资料，没人答疑解惑时，请及时加入群： 786229024，里面有各种测试开发资料和技术可以一起交流哦。
  
  最后：下方这份完整的软件测试视频教程已经整理上传完成，需要的朋友们可以自行领取【保证100%免费】
  
  软件测试面试文档
  
  我们学习必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有字节大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。