基于大模型的接口自动化智能测试平台

一、项目背景

在传统的接口自动化测试中，有以下几个常见痛点：

1. 测试设计成本高

   • 每个接口都要人工分析参数、断言、边界值、异常场景
   • 计划、用例、脚本通常是分散产出的，缺少统一闭环

2. 脚本维护成本高

   • 接口字段变化、返回值调整、鉴权策略变更后，历史脚本容易失效
   • 脚本修复依赖人工排查，效率低

3. 难以自动化形成闭环

   • 传统自动化更多关注“执行”，而不是“生成、执行、修复、沉淀”一体化

4. 测试资产难沉淀

   • 测试计划、用例、脚本往往存放在不同位置，难以统一管理
   • 业务价值和历史演进难追踪

基于这些问题，我独立设计并实现了一套AI接口自动化智能测试平台，把大模型能力真正落地到接口测试的全流程中，让系统不仅能执行测试，更能自动完成测试计划生成、测试用例生成、测试脚本生成、测试执行、失败修复和结果沉淀。

二、项目简述

这个项目的核心目标，是把接口自动化测试从“人工编写脚本”升级为“AI智能体驱动的测试平台”，平台构建了完整的接口自动化测试闭环：

• 自动解析接口信息
• 自动生成测试计划
• 自动生成测试用例
• 自动生成可执行测试脚本
• 自动保存成果物
• 自动下载并执行脚本
• 自动分析失败原因
• 自动修复测试脚本
• 自动输出报告和结果

技术实现上，平台主要采用了：

• DeepAgents负责工作流编排和决策
• Skills负责沉淀测试领域知识，按需加载，减少 token 消耗
• Tools负责数据库、文件、Shell、存储等原子动作
• MCP负责接入外部能力，增强平台扩展性
• Middleware负责项目上下文注入和工作区与技能目录隔离
• PostgreSQL + MinIO完成数据与测试资产存储

三、项目亮点

1. 智能体驱动的接口测试闭环

不再是“生成一个脚本然后跑一下”，而是构建了：

接口分析 → 测试计划 → 测试用例 → 测试脚本 → 执行 → 修复 → 报告

这意味着平台真正具备了自动化测试的“闭环能力”。

2. Skills 按需加载，降低模型上下文成本

平台将测试领域知识拆分为多个 Skills，例如：

• planner：测试策略设计
• generator：测试脚本生成
• executor：测试执行分析
• healer：失败诊断与修复
• reporter：报告生成

这样做可以避免把所有知识一次性塞入系统提示词，降低 token 压力，也提升了模型输出稳定性。

3. 支持单接口、多接口场景以及批量测试

平台既支持常规的单接口测试，也支持批量测试和多接口场景测试，适用于真实项目中的复杂测试场景。

4. 失败后自动修复机制

当脚本失败时，平台会自动分析失败原因，判断是否属于脚本问题、环境问题或被测系统问题。如果属于测试侧问题，就进入自动修复流程；如果是被测系统 Bug，则保留失败结果并输出缺陷信息。

5. 测试资产落库，形成可追溯资产

测试计划、测试用例、测试脚本都不是“跑完即丢”，而是统一保存到对象存储和数据库中，便于复用、回溯和审计。

四、项目功能展示

API文档解析

支持输入 URL 或上传 JSON 文件，自动创建文件夹结构并提取接口信息

单接口测试

选择解析后的接口，可以自己添加生成要求，然后点击"AI生成测试"按钮，就可以自动进行单接口测试

生成测试计划

生成测试用例 → 保存测试用例 → 生成测试脚本 → 保存测试脚本 → 执行测试脚本 → 生成测试报告

多接口场景测试

在场景编排中点击“AI生成场景按钮”

在弹出的窗口中，选择要编排的场景接口，然后添加“自定义场景描述和要求”

然后点击“AI生成场景”按钮

生成测试用例 → 保存测试用例 → 生成测试脚本 → 保存测试脚本 → 执行测试脚本 → 判断测试用例错误→ 自动修复测试用例→ 执行新的测试脚本→ 生成测试报告

测试运行（定时调度管理）