ToB企服应用市场:ToB评测及商务社交产业平台

标题: 基于 LangChain 的主动化测试用例的天生与实行 [打印本页]
作者: 守听    时间: 2024-10-2 07:30
标题: 基于 LangChain 的主动化测试用例的天生与实行
应用价值


实践演练

实现原理


实现思路

在理解需求之后，我们可以相识到我们需要让 Agent 具备两个功能：
如此，可以通过如下两个步骤实现需求：
工具包封装

为了让工具包更易被大模型理解，我们将注释调解为英文，提升准确率。同时为了传参的时候不出现格式错误题目，通过args_schema限制参数结构与格式（tools 章节有具体解说）。
  1. from langchain_core.tools import tool
  2. from pydantic.v1 import BaseModel, Field
  4. class PythonFileInput(BaseModel):
  5.     # 定义参数的描述   
  6.     filename: str = Field(description="filename")   
  7.     source_code: str = Field(description="source code data")
  8.    
  9. class PytestFileName(BaseModel):
  10.     # 定义参数的描述   
  11.     filename: str = Field(description="The name of the file to be executed")
  12.    
  13. @tool(args_schema=PythonFileInput)
  14. def write_file(filename, source_code):
  15.     """   
  16.     Generate python files based on input source code   
  17.     """   
  18.     with open(filename, "w") as f:   
  19.         f.write(source_code)
  20.         
  22. @tool(args_schema=PytestFileName)
  23. def execute_test_file(filename):
  24.     """   
  25.     Pass in the file name, execute the test case and return the execution result   
  26.     """   
  27.     import subprocess   
  28.     # 使用subprocess模块执行pytest命令   
  29.     result = subprocess.run(['pytest', filename], capture_output=True, text=True)   
  30.     # 检查pytest的执行结果   
  31.     if result.returncode == 0:   
  32.         print("测试运行成功！")   
  33.     else:   
  34.         print("测试运行失败：")   
  35.     print(result.stdout)   
  36.     return result.stdout
复制代码
通过 AGENT 实现需求

  1. #  注意：需要再原提示词的基础上添加 {code} 变量
  2. # prompt = hub.pull("hwchase17/structured-chat-agent")
  3. llm = ChatOpenAI()
  5. agent1 = create_structured_chat_agent(llm, tools_all, prompt)
  7. agent_executor = AgentExecutor(
  8.     agent=agent1, tools=tools_all,   
  9.     verbose=True,   
  10.     return_intermediate_steps=True,   
  11.     handle_parsing_errors=True)
  13. if __name__ == '__main__':
  14.     agent_executor.invoke({"input": "请根据以上源码生成文件", "code": """def test_demo(): return True"""})
复制代码
由以上的步骤，即可天生一个源码文件：

\1. 在天生源码文件后，可以继续增补提示词，要求Agent 实行对应的测试用例：


到这里，通过 Agent 就能主动天生测试用例文件，实行测试用例了。
与其他的场景结合

在前面的章节中，已经实现了主动天生接口主动化测试用例的操作。可以直接与前面的操作结合，主动天生接口主动化测试用例，并实行测试用用例。
注意：load_case 怎样实现在前面章节：《基于LangChain手工测试用例转接口主动化测试天生工具》，已有对应解说
  1. # load_case 的返回结果是接口的自动化测试用例
  2. chain = (
  3.         RunnablePassthrough.assign(code=load_case) | agent1
  4. )
  6. agent_executor = AgentExecutor(
  7.     agent=chain, tools=tools_all,   
  8.     verbose=True,   
  9.     return_intermediate_steps=True,   
  10.     handle_parsing_errors=True)
  11.    
  12. if __name__ == '__main__':
  13.     agent_executor.invoke({"input": """      
  14.                请根据以下步骤完成我让你完成操作，没有完成所有步骤不能停止:               
  15.                1. 先根据以上源码生成文件。               
  16.                2. 根据上一步生成的源码文件，进行执行测试用例操作，并返回终的执行结果               
  17.                """})
复制代码
实行之后，即可在控制台看到天生的接口主动化测试用例的实行记录。

总结

​
怎样学习AI大模型？

作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给各人。 至于能学习到多少就看你的学习毅力和本领了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习册本手册、视频教程、实战学习等录播视频免费分享出来。
这份完整版的大模型 AI 学习资料已经上传CSDN，朋侪们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【包管100%免费】
一、全套AGI大模型学习门路

AI大模型期间的学习之旅：从基础到前沿，把握人工智能的核心技能！

二、640套AI大模型报告合集

这套包罗640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研职员、工程师，照旧对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强盛的语言理解和天生本领，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

四、AI大模型商业化落地方案


作为平凡人，入局大模型期间需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的康健发展贡献力量。

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。



欢迎光临 ToB企服应用市场:ToB评测及商务社交产业平台 (https://dis.qidao123.com/) Powered by Discuz! X3.4