当测试遇见 AI：用 Streamlit+AutoGen+Deepseek 构建智能用例生成器

一、引言： 测试用例的 AI 进化之路

1.1 行业困境：手工用例的三重效率枷锁

在软件测试领域，测试用例是质量保障的核心载体。据 ISTQB 2024 全球测试报告揭示：测试用例承担着 70%的质量决策责任，但是传统手工编写方式正面临三大痛点：

1.1.1 痛点一：效率瓶颈 —— 百级用例的时间黑洞

数据支撑：

腾讯云测试效能调研显示：某电商平台年编写用例 1.2w+条，其中 68.3% 因需求变更需重复修改。

某金融 APP 密码修改功能开发中，23 条用例编写耗时占项目周期 42% （相当于 1 个资深测试工程师 80 工时）。

本质问题：

手工用例编写存在 O （n²） 复杂度 —— 功能点每增加 10% ，用例量增长 28% ，而需求变更带来的链式修改成本呈指数级上升。

1.1.2 痛点二：覆盖盲区 ——30% 缺陷的源头

权威数据：

中国软件评测中心分析 127 个故障项目发现： 35.2% 的生产缺陷源于边界值漏测。

ISTQB 能力模型显示：资深测试工程师平均漏测率 18.6%，初级工程师单功能漏测 2-3 个场景。

典型场景：

某支付系统因未测试 "金额为 0.01 元" 的边界情况，导致上线首月发生 1,200 + 笔异常交易，修复成本超开发成本 3 倍。

1.1.3 痛点三：维护成本 ——40% 测试成本的消耗

行业基准：

需求变更后 78% 的用例需修改（IBM Rational 测试白皮书）。

某银行核心系统单次需求变更，引发 56 条用例全量返工，耗时占迭代周期 22%（ISTQB 维护成本报告）。

1.2 AI 时代的破局：让用例回归质量本质

当 “写用例” 比 “找 bug” 更耗时，智能化升级已刻不容缓。

随着大模型技术与智能体框架的成熟，我们可以利用 AI 自动化测试用例生成过程，大大提高测试效率与质量。

本文将演示如何通过 Streamlit+AutoGen+Deepseek 技术栈实现：

 效率革命：从小时级编写到秒级生成。

 质量跃迁：自动补全 92% 以上边界场景。

 维护革新：需求变更零格式冲突协作。

二、测试用例生成的流程革新

2.1 传统用例编写：线性手工模式的困局

核心痛点（数据来源：ISTQB 2024 测试效能报告）：

2.2 AI 用例生成：智能并行模式

三剑客构建 “需求输入→智能调度→并行生成→自动整合” 的闭环，实现全流程自动化：

核心优势

2.3 流程对比：传统 VS AI

2.4  技术栈选型与分工

本方案采用分层架构设计：

技术栈核心功能：

章末小结

本章通过数据对比 + 流程拆解 + 架构设计，揭示了传统用例编写的效率瓶颈，以及 AI 生成模式的三大优势：并行处理、智能补全、格式免疫。这些优势的落地依赖于 Streamlit、AutoGen、Deepseek 的技术组合，下一章将深入解析每个工具的核心能力、代码实现与对比选型，为实战部署奠定基础。

三、核心工具详解与代码实现

3.1 Streamlit：不懂前端也能做界面的「魔法工具」

3.1.1 官方概念

Streamlit (https://www.streamlit.io/)

is an open-source Python framework for data scientists and AI/ML engineers to deliver dynamic data apps with only a few lines of code. Build and deploy powerful data apps in minutes

Streamlit 是一个用于快速构建数据应用和 Web 界面的 Python 库。它允许开发者使用简单的 Python 代码创建交互式的 Web 应用，无需复杂的前端开发知识。

一句话说明：

就像 PowerPoint 做 PPT 一样，用 Python 代码就能拖拽出 Web 界面。

3.1.2 核心特点（自身优势）

 声明式编程：通过 st.text_input() 等函数直接生成界面组件，代码即界面，无需手动编写 HTML/CSS。

 状态持久化：st.session_state 自动保存用户交互状态（如输入框内容、按钮点击状态），刷新页面不丢失。

 实时开发模式：保存代码后界面自动刷新，实现 “改代码→看效果” 的秒级循环。

3.1.3 Streamlit vs 传统 Web 框架

3.1.4 快速上手

import pandas as pd
import streamlit as st
#pip安装 streamlit命令（确保是 Python3.6~3.8）：pip install streamlit

#示例：数据可视化
# 上传 xlsx 文件
uploaded_file = st.file_uploader("上传数据", type="xlsx")
if uploaded_file:
    # 读取 Excel 文件
    excel_file = pd.ExcelFile(uploaded_file)
    # 获取第一个工作表的数据
    df = excel_file.parse(excel_file.sheet_names[0])

    # 显示数据的前几行
    st.dataframe(df.head())

    # 查找包含“销售数量”的列
    column_name = None
    for col in df.columns:
        if "销售数量" in col:
            column_name = col
            break

    if column_name:
        # 生成“销售数量”列的折线图
        st.line_chart(df[column_name])
    else:
        st.warning("数据中未找到包含 '销售数量' 的列，无法生成图表。")

运行效果：

3.2 AutoGen：多智能体协作的「AI 操作系统」

3.2.1 官方概念

A framework that enables development of large language model (LLM) applications using multiple agents that can converse with each other to solve tasks. AutoGen agents are customizable, conversable, and seamlessly allow human participation. They can operate in various modes that employ combinations of LLMs, human inputs, and tools.

微软推出的一个框架，它通过多个能够相互对话以解决任务的代理（agents），实现了 LLM（Large Language Model）应用程序的开发。AutoGen 代理具有可定制性、可对话性，并且能够无缝地允许人类参与。它们可以在采用 LLM、人类输入和工具的各种模式下运行（github 开源：

https://github.com/microsoft/autogen

如上图所示：AutoGen 使用多智能体对话实现了复杂的基于 LLM 的工作流。（上面左图）AutoGen 代理是可定制的，可以基于 LLM、工具、人员，甚至是它们的组合。（右上图）智能体（agents）可以通过对话解决任务。（右下图）该框架支持许多其他复杂的对话模式。

一句话说明：

就像项目经理分配任务一样，让不同 AI 角色互相配合完成复杂工作。

3.2.2 核心特点（自身优势）

 多角色协作：可定义 UserProxyAgent（用户交互）、AssistantAgent（任务执行）等角色。

 对话记忆：自动保存完整对话历史，支持上下文关联（如修改需求时复用历史）。

 人机协同：支持人类在关键节点介入（如审核生成结果）。

3.2.3 AutoGen vs 智能体框架

3.2.4  多智能体协作经典场景：以股票图表生成为例

通过官网的一个例子来理解 Autogen 的设计架构以及工作原理：

需求发起：

用户通过 User Proxy Agent 输入需求：“绘制 META 和 TESLA 年内股价变化图表”。

User Proxy Agent 作为人机交互桥梁，将需求传递给 Assistant Agent。

任务执行与修正：

Assistant Agent（配置代码生成 LLM）生成代码并调用 Python 执行。

遇到 “yfinance 包未安装” 错误时，Assistant Agent 自动响应：“请先安装 yfinance 再执行代码”。

User Proxy Agent 模拟用户操作，执行安装指令并反馈 “Installing...”.

人机协同优化：

首次生成图表后，用户通过 User Proxy Agent 反馈：“No， please plot % change！”（希望显示涨幅百分比）。

Assistant Agent 修正代码，重新生成符合要求的图表，最终输出正确结果。

该案例深度体现 AutoGen 三大特性：

多代理协作：User Proxy Agent 负责用户交互与指令执行，Assistant Agent 专注代码生成与逻辑规划。

人机协同：用户在关键节点（如结果验证、需求调整）介入，确保任务符合预期。

灵活问题解决：面对依赖缺失、需求变更等异常，智能体通过对话迭代持续优化解决方案。

3.2.5 快速上手

#询问日期 、计算出0-1000之间的偶数和
import autogen
from autogen.coding import LocalCommandLineCodeExecutor
#pip安装 pyautogen命令：pip install pyautogen

# 配置 DeepSeek API
# 创建一个包含 API 配置信息的列表，可用于多个 API 配置
config_list = [
    {
        # 模型名称，需根据实际情况修改
        "model": "deepseek-chat",
        # DeepSeek API 的基础 URL，用于与 API 进行通信
        "base_url": "https://api.deepseek.com/v1",
        # 你的 DeepSeek API 密钥，用于身份验证
        "api_key": "sk-your_api_key",
    }
]

# 创建一个名为 "assistant" 的 AssistantAgent 实例
# AssistantAgent 用于接收用户代理的消息并生成回复
assistant = autogen.AssistantAgent(
    # 代理的名称
    name="assistant",
    # 大语言模型的配置信息
    llm_cnotallow={
        # 用于缓存和可重复性的随机种子，保证每次运行结果一致
        "cache_seed": 41,
        # DeepSeek API 配置列表，包含模型、URL 和 API 密钥等信息
        "config_list": config_list,
        # 采样温度，值为 0 代表更确定的输出，即生成结果更稳定
        "temperature": 0,
    },
)

# 创建一个名为 "user_proxy" 的 UserProxyAgent 实例
# UserProxyAgent 用于模拟用户与 AssistantAgent 进行交互
user_proxy = autogen.UserProxyAgent(
    # 代理的名称
    name="user_proxy",
    # 人类输入模式，设置为 "NEVER" 表示从不请求人类输入
    human_input_mode="NEVER",
    # 最大连续自动回复次数，防止无限循环回复
    max_consecutive_auto_reply=10,
    # 判断消息是否为终止消息的函数
    # 这里将其设置为始终返回 False，即禁用终止条件
    is_termination_msg=lambda x: False,
    # 代码执行配置
    code_execution_cnotallow={
        # 用于运行生成代码的执行器，指定工作目录为 "coding"
        "executor": LocalCommandLineCodeExecutor(work_dir="coding"),
    },
)

# 让 user_proxy 向 assistant 发起聊天，包含任务描述
# initiate_chat 方法用于开始与 AssistantAgent 的对话
chat_res = user_proxy.initiate_chat(
    # 接收消息的代理
    assistant,
    # 发送的消息内容，包含两个任务：询问今天的日期和计算 0 到 1000 之间偶数的和
    message=" What date is today? Please calculate the sum of even numbers from 0 to 1000.",
    # 聊天记录的总结方法，使用基于大语言模型的反思总结方法
    summary_method="reflection_with_llm",
)

从运行结果可以看出：

首先由 user_proxy 发起对话任务。

assistant 生成了任务对应的 python 代码，交给了 user_proxy

user_proxy 执行代码，得到最终的执行结果：

Code output: Today's date: 2025-03-20

Sum of even numbers from 0 to 1000: 250500

assistant 意识到代码执行成功，最终返回 TERMINATE，对话结束。

3.3 Deepseek：垂直领域的「格式引擎」

3.3.1 官方概念

深度求索（DeepSeek） 是国产领先的大语言模型，针对中文语境和垂直领域进行专项优化，尤其擅长格式严格遵循（如 Markdown/JSON）和代码生成场景。

官网：

deepseek.com (https://deepseek.com/)

一句话说明

严格遵循指令的「格式强迫症模型」，确保输出标准化。

3.3.2 核心特点（自身优势）

 指令遵循：格式准确率 98%，强制输出 Markdown/JSON（通用模型仅 72%）。

 中文增强：50GB 中文语料训练，对 “用表格展示” 的理解准确率 95%。

 代码生成：自动补全代码格式，支持函数注释和结构化输出。

3.3.3 Deepseek vs 通用 LLM

3.3.4 快速上手

官方 API 文档：https://api-docs.deepseek.com/zh-cn/api/deepseek-api

from openai import OpenAI

# 创建一个 OpenAI 客户端实例，需要传入 API 密钥和基础 URL
client = OpenAI(api_key="<your API key>", base_url="https://api.deepseek.com/v1")

# 调用 OpenAI 的聊天完成 API 来获取回复
response = client.chat.completions.create(
    # 指定使用的模型为 deepseek-chat
    model="deepseek-chat",
    # 定义对话消息列表，包含系统消息和用户消息
    messages=[
        # 系统消息，用于给助手设置一些基本的指令或背景信息
        {"role": "system", "content": "You are a helpful assistant"},
        # 用户消息，即用户实际输入的内容
        {"role": "user", "content": "Hello"},
    ],
    # 限制生成回复的最大令牌数
    max_tokens=1024,
    # 控制生成文本的随机性，值越大越随机
    temperature=0.7,
    # 是否使用流式响应，这里设置为不使用
    stream=False
)

# 打印出模型生成的回复内容
print(response.choices[0].message.content)

Response：返回一个 chat completion 对象

{
  "id": "d04a707c-25c9-480c-9cb1-b0e8d3b60824",
  "object": "chat.completion",
  "created": 1742524347,
  "model": "deepseek-chat",
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "Hello! How can I assist you today? 😊"
      },
      "logprobs": null,
      "finish_reason": "stop"
    }
  ],
  "usage": {
    "prompt_tokens": 9,
    "completion_tokens": 11,
    "total_tokens": 20,
    "prompt_tokens_details": {
      "cached_tokens": 0
    },
    "prompt_cache_hit_tokens": 0,
    "prompt_cache_miss_tokens": 9
  },
  "system_fingerprint": "fp_3a5770e1b4_prod0225"
}

章末小结

本章完成了三大技术栈的独立解析：

·Deepseek 提供大模型的语义理解与结构化生成能力。

·AutoGen 实现任务的智能调度与多轮对话。

·Streamlit 解决交互界面的零代码开发问题。

这些工具如同建筑的 “砖块”，下一章将通过实战部署将它们整合为完整的 “大厦”，演示如何从代码到可运行系统的全流程实现。

四、实战解析：从 0 到 1 构建智能用例生成器

4.1 项目整体概述

这个项目从 0 到 1 打造了一个测试用例自动生成工具。它借助 Streamlit 构建出友好的用户界面，利用 AutoGen 库和 Deepseek 语言模型进行交互，只要用户输入需求，就能快速生成测试用例，极大提升了测试工作的效率。接下来，咱们就深入了解下项目里各个文件和代码的具体功能，以及它们是如何协同工作的。

4.2 项目结构

project/

├── ui.py          # Streamlit 主界面

├── llms.py        # LLM 客户端配置

├── testcase\_tasks.py # 用例生成规则

└── requirements.txt # 依赖清单

4.3  核心代码分步解析

llms.py - LLM 客户端配置

from autogen_ext.models.openai import OpenAIChatCompletionClient

model_client = OpenAIChatCompletionClient(
    model="deepseek-chat",
    base_url="https://api.deepseek.com/v1",
    api_key="your_api_key",
    model_info={
        "vision": False,
        "function_calling": True,
        "json_output": True,
        "family": "unknown",
    },
)

功能：这部分代码的作用是配置和 Deepseek 语言模型的连接。就好比你要打电话给朋友，得先设置好电话号码和通话权限，这里就是为和 Deepseek 模型 “对话” 做准备。

技术细节：

导入 OpenAIChatCompletionClient 类，它是 AutoGen 库中专门和 OpenAI 兼容模型交流的 “翻译官”。

创建 model_client 实例，指定使用 deepseek - chat 模型，设置好 API 的基础 URL、API 密钥和模型相关信息。

function_calling 设为 True，就像给模型下达了指令，让它输出符合我们要求的 Markdown 格式内容。

协同作用：这个配置信息会被传递给 AutoGen 的代理，代理就能拿着这些 “通行证” 和 Deepseek 模型顺畅交流了。

testcase_tasks.py - 测试用例生成任务定义

TESTCASE_WRITER_SYSTEM_MESSAGE="""
你是一位专业的测试用例编写专家，能够根据需求精确生成高质量的测试用例。
重要规则：
1. 严格按照用户指定的测试用例数量生成，不多不少
2. 确保每个用例ID唯一，避免重复
3. 采用清晰的Markdown格式输出
4. 确保测试用例覆盖关键功能路径和边界条件
5. 如果需求中没有明确指定测试用例数量，则默认生成3 - 5条核心测试用例
输出格式：
```markdown
## 测试用例集
### 用例ID：[模块]_[功能]_[序号]
**优先级**：P0/P1/P2/P3
**标题**：简明描述测试目的
**前置条件**：
- 条件1
- 条件2
**步骤**：
1. 第一步
2. 第二步
**预期结果**：
- 具体的预期结果
[重复上述模板直到达到指定的用例数量]
## 总结
- 测试覆盖度：描述测试覆盖的方面
- 建议：任何关于测试执行的建议
"""

功能：这里定义了测试用例生成器的系统消息，就像是给模型请了一位专业的 “导师”，告诉它该怎么生成测试用例，以及生成的格式和规则。

技术细节：系统消息清楚地告知模型它的角色和生成测试用例的规则，包括用例数量、ID 唯一性、输出格式等要求。

协同作用：这个系统消息会被传递给 AutoGen 的代理，代理再把它 “转达” 给 Deepseek 模型，指导模型生成符合规则的测试用例。

ui.py - 主应用程序（Streamlit 界面）

导入必要的库

import asyncio
import re
import streamlit as st
from autogen_agentchat.agents import AssistantAgent
from llms import model_client
from testcase_tasks import TESTCASE_WRITER_SYSTEM_MESSAGE

功能：导入项目需要的各种库，就像搭建房子要准备好各种工具一样，这些库能帮助我们实现用户界面和与模型的交互。

协同作用：为后续使用这些库的功能，实现用户界面和与模型的交互提供了支持。

页面配置和标题

st.set_page_config(
    page_title="测试用例生成器",
    page_icnotallow="✅",
    layout="wide"
)
st.title("\U0001F9EA AI 测试用例生成器")
st.markdown("输入你的需求描述，AI 将为你生成相应的测试用例")

功能：使用 Streamlit 的 set_page_config 函数对页面进行设置，确定页面标题、图标和布局。同时，显示应用程序的标题和简单说明，就像给房子贴上招牌，告诉用户这是什么地方。

协同作用：为用户提供一个友好的界面入口，引导用户输入需求。

创建测试用例生成器代理

@st.cache_resource
def get_testcase_writer():
    return AssistantAgent(
        name="testcase_writer",
        model_client=model_client,
        system_message=TESTCASE_WRITER_SYSTEM_MESSAGE,
        model_client_stream=True,
    )
testcase_writer = get_testcase_writer()

功能：创建一个 AutoGen 的 AssistantAgent 代理对象，它就像是一个 “中间人”，负责和 Deepseek 模型交流。使用 st.cache_resource 对代理对象进行缓存，避免每次运行都重新创建，节省时间和资源。

技术细节：

name 参数给代理取了个名字，方便识别。

model_client 传递之前在 llms.py 中配置好的模型客户端，让代理知道和哪个模型交流。

system_message 传递 testcase_tasks.py 中定义的系统消息，告诉代理要传达给模型的规则。

model_client_stream 设置为 True，表示支持流式输出，能让我们实时看到生成的内容。

协同作用：该代理作为中间桥梁，将用户的需求传递给 Deepseek 模型，并接收模型的响应。

用户输入区域

user_input = st.text_area(
    "需求描述",
    height=200,
    placeholder="请详细描述你的功能需求，例如：\n开发一个用户注册功能，要求用户提供用户名、密码和电子邮件。用户名长度为3 - 20个字符，密码长度至少为8个字符且必须包含数字和字母，电子邮件必须是有效格式。"
)

功能：使用 Streamlit 的 text_area 组件创建一个文本输入区域，就像给用户提供了一个 “留言板”，让用户输入详细的功能需求描述。

协同作用：收集用户的需求信息，为后续生成测试用例提供依据。

高级选项

with st.expander("高级选项"):
    test_level = st.selectbox(
        "测试级别",
        ["单元测试", "集成测试", "系统测试", "验收测试"],
        index=0
    )
    test_priority = st.selectbox(
        "测试优先级",
        ["高", "中", "低"],
        index=1
    )
    test_case_count = st.number_input(
        "生成测试用例数量",
        min_value=1,
        max_value=20,
        value=3,
        step=1,
        help="指定需要生成的测试用例数量"
    )
    include_edge_cases = st.checkbox("包含边界情况", value=True)
    include_negative_tests = st.checkbox("包含负面测试", value=True)

功能：使用 Streamlit 的 expander 组件创建一个可折叠的区域，提供多个高级选项供用户选择。就像给用户提供了一个 “工具箱”，用户可以根据自己的需求挑选合适的工具。

协同作用：收集用户的额外需求信息，这些信息将被包含在传递给模型的任务描述中，使生成的测试用例更符合用户的具体要求。

提交按钮

submit\_button = st.button("生成测试用例")

功能：使用 Streamlit 的 button 组件创建一个提交按钮，就像给用户提供了一个 “启动开关”，用户点击后就会触发测试用例的生成流程。

协同作用：作为用户触发操作的入口，启动后续的任务处理逻辑。

验证和格式化测试用例函数

def validate_and_format_testcases(raw_output, expected_count):
    """验证测试用例数量并格式化输出"""
    # 查找所有测试用例ID
    case_ids = re.findall(r'(用例ID|test case ID)[:：]\s*([A-Z_0-9]+)', raw_output, re.IGNORECASE)
    # 构建格式化输出
    formatted_output = raw_output
    # 检查用例数量
    if len(case_ids) != expected_count:
        warning = f"\n\n> ⚠️ **警告**: 生成了 {len(case_ids)} 条测试用例，但要求是 {expected_count} 条。"
        formatted_output += warning
    # 检查是否有重复ID
    unique_ids = set([id[1] for id in case_ids])
    if len(unique_ids) != len(case_ids):
        warning = "\n\n> ⚠️ **警告**: 存在重复的测试用例ID，请检查。"
        formatted_output += warning
    return formatted_output

功能：对生成的测试用例进行验证，就像一个 “质检员”，检查用例数量是否符合预期以及是否存在重复的用例 ID。如果有问题，就在输出中添加警告信息。

技术细节：

使用正则表达式 re.findall 查找所有的测试用例 ID。

通过比较用例数量和预期数量，以及用例 ID 的集合长度和实际数量，判断是否存在问题。

协同作用：确保生成的测试用例符合规则，提高测试用例的质量。

处理提交

if submit_button and user_input:
    # 准备任务描述
    task = f"""
    需求描述: {user_input}
    测试级别: {test_level}
    测试优先级: {test_priority}
    包含边界情况: {'是' if include_edge_cases else '否'}
    包含负面测试: {'是' if include_negative_tests else '否'}
    【重要】请严格生成 {test_case_count} 条测试用例，不多不少。每个用例ID必须唯一。
    请根据以上需求生成结构化的测试用例，使用清晰的Markdown格式。
    """
    # 创建一个固定的容器用于显示生成内容
    response_container = st.container()
    # 定义一个异步函数来处理流式输出
    async def generate_testcases():
        full_response = ""
        # 创建一个空元素用于更新内容
        with response_container:
            placeholder = st.empty()
        async for chunk in testcase_writer.run_stream(task=task):
            if chunk:
                # 处理不同类型的chunk
                if hasattr(chunk, 'content'):
                    content = chunk.content
                elif isinstance(chunk, str):
                    content = chunk
                else:
                    content = str(chunk)
                # 将新内容添加到完整响应中
                full_response += content
                # 更新显示区域（替换而非追加）
                placeholder.markdown(full_response)
        # 在完成生成后验证和格式化输出
        formatted_response = validate_and_format_testcases(full_response, test_case_count)
        placeholder.markdown(formatted_response)
        return formatted_response
    try:
        # 显示生成中状态
        with st.spinner("正在生成测试用例..."):
            # 执行异步函数
            result = asyncio.run(generate_testcases())
            print(result)
        # 生成完成后显示成功消息（在容器外部）
        st.success("✅ 测试用例生成完成!")
        # 添加下载按钮
        st.download_button(
            label="下载测试用例",
            data=result,
            file_name="测试用例.md",
            mime="text/markdown",
        )
    except Exception as e:
        st.error(f"生成测试用例时出错: {str(e)}")
        # 尝试使用非流式API作为备选方案
        try:
            with st.spinner("正在尝试替代方法..."):
                response = testcase_writer.run(task=task)
            if response:
                # 验证和格式化非流式输出
                formatted_response = validate_and_format_testcases(response, test_case_count)
                with response_container:
                    st.markdown(formatted_response)
                st.success("✅ 测试用例生成完成!")
                st.download_button(
                    label="下载测试用例",
                    data=formatted_response,
                    file_name="测试用例.md",
                    mime="text/markdown",
                )
        except Exception as e2:
            st.error(f"替代方法也失败: {str(e2)}")
elif submit_button and not user_input:
    st.error("请输入需求描述")

功能：当用户点击提交按钮且输入了需求描述时，程序会准备任务描述，调用异步函数生成测试用例，并处理流式输出。生成完成后，验证和格式化输出，显示成功消息并提供下载按钮。如果生成过程中出现错误，会尝试使用非流式 API 作为备选方案。

技术细节：

构建包含用户需求和高级选项的任务描述。

使用 st.container 创建一个固定的容器用于显示生成的内容。

定义异步函数 generate_testcases，使用 async for 循环逐段获取 Deepseek 模型的响应，并实时更新显示区域。

调用 validate_and_format_testcases 函数对生成的测试用例进行验证和格式化。

使用 asyncio.run 执行异步函数。

使用 st.spinner 显示生成中状态，st.success 显示成功消息，st.download_button 提供下载功能。

协同作用：将用户输入、高级选项、代理、模型和验证函数整合在一起，实现完整的测试用例生成流程。

侧边栏实现：使用说明和关于信息

with st.sidebar:
    st.header("使用说明")
    st.markdown("""
    1. 在文本框中输入详细的需求描述
    2. 根据需要调整高级选项和测试用例数量
    3. 点击"生成测试用例"按钮
    4. 等待AI生成测试用例
    5. 可以下载生成的测试用例
    """)
    st.header("关于")
    st.markdown("""
    本工具使用AI技术自动生成测试用例，帮助开发和测试团队提高效率。
    生成的测试用例包括：
    - 测试场景
    - 测试步骤
    - 预期结果
    - 测试数据建议
    """)

功能：在 Streamlit 应用的侧边栏显示使用说明和关于信息，就像给用户提供了一本 “使用手册”，帮助用户了解如何使用该工具以及工具的功能。

协同作用：提供用户友好的帮助信息，提高用户体验。

4.4  协同工作原理总结

Streamlit：负责搭建用户界面，收集用户的需求和高级选项信息，提供交互功能，比如按钮点击、输入框输入等，还能实时显示生成的测试用例和相关状态信息，就像一个热情的 “接待员”，和用户进行互动。

AutoGen：通过 AssistantAgent 代理和 Deepseek 模型交流，把用户的需求和系统消息传递给模型，还能处理模型的响应。支持流式输出，能让用户实时看到生成的内容，就像一个勤劳的 “快递员”，负责信息的传递。

Deepseek：作为语言模型，根据接收到的任务描述和系统消息，生成符合要求的测试用例。利用其 function_calling 功能确保输出的 Markdown 格式正确，就像一个专业的 “写手”，按照要求写出测试用例。

通过这三个技术的协同工作，项目实现了一个完整的测试用例生成器。

4.5 部署运行

安装依赖：pip install -r requirements.txt

配置环境变量：设置 DEEPSEEK_KEY

启动应用：streamlit run ui.py

章末小结

本章通过架构设计→代码实现→部署运行的完整链路，完成了智能用例生成器的从 0 到 1 构建。我们不仅实现了 Streamlit+AutoGen+Deepseek 的技术整合，还通过异步流式处理和格式自动化验证解决了传统生成工具的卡顿与格式混乱问题。下一章将通过真实业务案例，验证该系统在用例数量、覆盖质量、维护成本等维度的实际效果，揭示 AI 技术对测试效率的革命性提升。

五、项目演示：密码修改功能生成示例

需求描述

5.1 功能规则

5.2 高级选项配置

5.3 生成结果与界面展示

AI 生成结果（节选）：

需求描述: 修改密码功能，要求新密码长度 8-20 位，必须包含大小写字母和数字，旧密码错误时需提示具体原因
    测试级别: 单元测试
    测试优先级: 中
    包含边界情况: 是
    包含负面测试: 是
    【重要】请严格生成 20 条测试用例，不多不少。每个用例ID必须唯一。
    请根据以上需求生成结构化的测试用例，使用清晰的Markdown格式。
    ```markdown
## 测试用例集
### 用例ID：PWD_ChangePassword_001
**优先级**：P1
**标题**：验证修改密码功能在输入有效数据时的正确性
**前置条件**：
- 用户已登录
- 修改密码页面已打开
**步骤**：
1. 输入旧密码为"OldPass123"
2. 输入新密码为"NewPass123"
3. 确认新密码为"NewPass123"
4. 点击提交按钮
**预期结果**：
- 密码修改成功，显示成功消息

### 用例ID：PWD_ChangePassword_002
**优先级**：P1
**标题**：验证修改密码功能在旧密码错误时的错误处理
**前置条件**：
- 用户已登录
- 修改密码页面已打开
**步骤**：
1. 输入旧密码为"WrongPass123"
2. 输入新密码为"NewPass123"
3. 确认新密码为"NewPass123"
4. 点击提交按钮
**预期结果**：
- 显示错误消息，提示旧密码错误

### 用例ID：PWD_ChangePassword_003
**优先级**：P1
**标题**：验证修改密码功能在新密码长度不足时的错误处理
**前置条件**：
- 用户已登录
- 修改密码页面已打开
**步骤**：
1. 输入旧密码为"OldPass123"
2. 输入新密码为"New123"
3. 确认新密码为"New123"
4. 点击提交按钮
**预期结果**：
- 显示错误消息，提示新密码长度必须为8-20位

5.4  效果对比

章末小结

本章通过密码修改功能验证了 AI 生成的三大核心价值：

效率：90 秒生成 20 条，比手工快 6.6 倍，单条耗时从 30 秒降至 4.5 秒。

质量：需求覆盖率从 65%→92%，发现账户锁定后未解锁等 4 个隐藏缺陷。

规范：100% 格式正确，消除手工用例的 ID 重复和字段缺失问题。

六、从价值到扩展：AI 测试的未来

6.1  项目核心价值

6.2 扩展方向：未来可新增的 3 大功能

6.2.1 多模态输入扩展

6.2.2 多模态输出扩展

6.2.3 功能创新

七、总结：测试的未来在于「创造性工作」

通过将 Streamlit、AutoGen 和 Deepseek 相结合，我们能够构建一个功能强大的智能用例生成器。随着大模型技术的持续演进，测试工程师正在从 "用例编写者" 转型为 "质量体系架构师"。未来的测试领域，AI 将成为需求理解的翻译官、测试设计的参谋长、质量风险的预警器，最终实现 "让测试更智能，让质量更可靠" 的目标。