基于 LangChain 的主动化测试用例的天生与实行

应用价值

• 通过人工智能代替人工操作的部门，节省时间，提升效率。
  
• 通过封装更多的 Tools，让 Agent 更为智能。
  

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：

• 输入源码信息，天生 python 文件。
  
• 输入文件名，实行 pytest 测试文件功能。
  

如此，可以通过如下两个步骤实现需求：

• 工具包封装。
  
• 实现 Agent。
  

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

• 起首封装 Agent，绑定工具，输入提示词。在示例中，是在 LangChain 官方提供的 structured-chat-agent提示词基础之上修改的提示词，添加了一个code变量。目的是为了后面 code 可以由其他的 chain 的实行结果而来。
  

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

• 主动化测试用例的天生与实行的实现原理。
  
• 主动化测试用例的天生与实行的实现思路。
  
• 利用 Agent 实现主动化测试用例的天生与实行。
  

​
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。