AI用例自动生成产品系统

基于AI大模型针对传统测试用例编写效率低、规范不统一及覆盖率不足的痛点，研发了一套基于AI 大模型的自动化测试用例生成系统。该项目通过构建复杂的DAG工作流与RAG（检索增强生成）技术，实现了从需求文档到高质量测试用例的全流程自动化，显著提升了测试团队的交付效能。

个人职责：

1、架构设计与技术选型：主导项目前期技术调研，深度剖析全球软件质量&效能大会前沿方案，确立了以LangGraph为核心的状态化多节点工作流架构，有效解决了长链路任务中的上下文丢失与流程控制难题。

2、复杂DAG流程编排：设计并实现了包含“需求解析->测试点生成/补全->多轮评审->用例生成->最终优化”的9节点DAG流程。利用LangGraph的循环与条件边特性，实现了流程的自动化流转与异常回退，确保生成逻辑的严密性。

3、RAG知识库构建：搭建本地Milvus 向量数据库，制定非结构化文档的数据清洗与分块规范。通过引入历史高质量用例作为Few-sho（t 少样本）提示，大幅降低了大模型的“幻觉”问题，提升了用例生成的准确度。

4、模型调优与效果验证：基于阿里百炼平台进行多模型对比测试，通过动态调整Temperature、Top-P等参数，将测试点覆盖率提升至90%以上，用例可用性达到80%。

5、后端开发与工程化：负责Python 后端核心模块开发，实现了人机协同（Human-in-the-loop）机制，支持测试人员在关键节点介入评审与修正；封装Node.js 接口，提供文件上传下载及任务状态管理等全链路功能。

个人职责：

1、架构设计与技术选型：主导项目前期技术调研，深度剖析全球软件质量&效能大会前沿方案，确立了以LangGraph为核心的状态化多节点工作流架构，有效解决了长链路任务中的上下文丢失与流程控制难题。

2、复杂DAG流程编排：设计并实现了包含“需求解析->测试点生成/补全->多轮评审->用例生成->最终优化”的9节点DAG流程。利用LangGraph的循环与条件边特性，实现了流程的自动化流转与异常回退，确保生成逻辑的严密性。

3、RAG知识库构建：搭建本地Milvus 向量数据库，制定非结构化文档的数据清洗与分块规范。通过引入历史高质量用例作为Few-sho（t 少样本）提示，大幅降低了大模型的“幻觉”问题，提升了用例生成的准确度。

4、模型调优与效果验证：基于阿里百炼平台进行多模型对比测试，通过动态调整Temperature、Top-P等参数，将测试点覆盖率提升至90%以上，用例可用性达到80%。

5、后端开发与工程化：负责Python 后端核心模块开发，实现了人机协同（Human-in-the-loop）机制，支持测试人员在关键节点介入评审与修正；封装Node.js 接口，提供文件上传下载及任务状态管理等全链路功能。