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

引用

CSDN

1.

https://m.blog.csdn.net/2401_85598867/article/details/139924124

随着人工智能技术的不断发展，利用AI自动生成测试用例已经成为软件测试领域的一个重要趋势。本文将详细介绍如何使用OpenAI的文本生成模型来生成测试用例，并通过三个具体的场景示例来展示其应用。

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）。
2. 安装 OpenAI 包：

!pip install openai -q

导入库

在你的笔记本中，导入必要的库：

from openai import OpenAI

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)

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

测试功能

使用示例需求测试该功能：

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

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。

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。

from openai import OpenAI
client = 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 OpenAI
client = 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。