AI测试｜利用OpenAI的文本生成模型，自动生成测试用例的几个场景示例

将人工智能 (AI) 融入软件测试将彻底改变游戏规则，可以显著提高效率和有效性。本文利用 OpenAI 的文本生成模型（text generation model），特别是 GPT-3.5-turbo 和 GPT-4-turbo-preview，在 Google Colab 中构建文本生成模型，重点关注测试自动化用例。

示例1：自动生成测试用例

我们的用例围绕软件应用程序测试用例的自动生成展开。通过采用文本生成模型（Text Generation Model）从用户故事（User Story）或需求中自动生成测试方案，可以大大简化传统的人工劳动密集型流程。

构建模型的步骤

第1步：环境设置

首先在 Google Colab 中设置环境，这是 Google 提供的免费 Jupyter 笔记本（ Jupyter notebook）环境。

1.打开 Google Colab 并创建一个新笔记本（notebook）。

2.安装 OpenAI 包：

!pip install openai -q

第2步：导入库

在你的笔记本中，导入必要的库：

从openai导入 OpenAI

第3步：OpenAI认证

获取你的 OpenAI API 密钥并进行身份验证，如下所示：

openai.api_key = 'your-api-key' client = OpenAI(api_key=openai.api_key)

第4步：定义测试用例生成函数

定义一个函数来根据软件需求生成测试用例。

def generate_test_cases(requirement):    response = client.chat.completions.create(      model="gpt-3.5-turbo",      messages=[        {"role": "system", "content": "You are a helpful assistant capable of generating software test cases."},        {"role": "user", "content": requirement}      ]    )    return response.choices[0].message.content

第5步：测试功能

使用示例需求测试该功能：

requirement = "The system shall allow users to securely login with a username and password."test_cases = generate_test_cases(requirement)print(test_cases)

第6步：输出分析和细化

评估输出的相关性和完整性，根据需要完善提示或参数。

第7步：与测试管理工具集成

（可选）将输出与测试管理工具或存储库集成，以自动将新测试用例添加到套件中。

结论

你现在已经创建了一个工具，可以使用 OpenAI 的文本生成模型生成测试用例。该工具不仅节省时间，还能确保人工难以达到的一致性和彻底性。

未来的增强功能

集成GPT-4-vision-preview 以进行 GUI 测试。
实施可重复的输出以保持一致性。
使用 JSON 模式进行与测试管理工具兼容的结构化输出。

在软件测试中的人工智能动态领域，保持适应性和探索性至关重要，从而释放其全部潜力。

示例2：为购物车（Shopping Cart ）功能生成回归测试场景

目标：自动生成电子商务应用程序中购物车功能的回归测试场景，确保新的更改不会破坏现有功能。

代码演练：

设置身份验证：

使用你的 OpenAI API 密钥向 OpenAI 客户端进行身份验证。

从 openai导入 OpenAI客户端 = OpenAI(api_key= 'your-api-key' )

定义测试用例生成器函数：

该函数将获取功能描述并返回回归测试场景。

def generate_regression_tests(feature_description):    response = client.chat.completions.create(        model="gpt-3.5-turbo",        messages=[            {"role": "system", "content": "You are a helpful assistant capable of generating regression test scenarios for a shopping cart feature."},            {"role": "user", "content": feature_description}        ]    )    return response.choices[0].message.content

调用具有功能描述的函数：

提供购物车功能的描述以生成测试场景。

feature_description = "Ensure that the shopping cart allows users to add items, remove items, and proceed to checkout."regression_tests = generate_regression_tests(feature_description)print(regression_tests)

评估和完善：

分析生成的测试场景，并根据需要迭代提示以确保全面覆盖。

示例3：验证天气预报服务的API响应

目标：生成测试用例来验证天气预报服务的JSON API响应，确保数据结构和值符合预期。

代码演练：

设置身份验证：

使用你提供的 API 密钥通过 OpenAI API 进行身份验证。

from openai import OpenAIclient = OpenAI(api_key='your-api-key')

定义测试用例生成器函数：

此函数将获取 API 端点描述并返回测试用例以验证API的JSON响应。

def generate_api_validation_tests(api_description):    response = client.chat.completions.create(        model="gpt-3.5-turbo",        messages=[            {"role": "system", "content": "You are a helpful assistant that generates test cases to validate JSON responses from an API."},            {"role": "user", "content": api_description}        ]    )    return response.choices[0].message.content

使用API描述调用函数：

提供 API 端点的描述以生成验证测试用例。

api_description = "The weather API should return a JSON response with fields for temperature, humidity, and precipitation forecast for the next 5 days."api_validation_tests = generate_api_validation_tests(api_description)print(api_validation_tests)

评估和完善：

检查生成的测试用例的准确性和完整性。确保测试用例检查每个字段是否存在以及数据格式的正确性。

用户说明：

确保替换'your-api-key'为实际的 OpenAI API 密钥。
在 Jupyter Notebook 环境（例如 Google Colab）中运行每个代码块。
运行测试用例生成器函数后，查看建议的测试用例。
如果输出不令人满意，请细化功能或 API 描述以使其更加具体，或调整系统消息以更好地指导模型。
迭代输入和系统消息，直到生成的测试用例满足您对覆盖范围和细节的要求。

通过遵循这些示例，你可以扩展 AI 驱动的测试生成的功能，以涵盖软件测试的各个方面，从而使测试过程更加稳健和高效。

让我们为此创建一个Web应用程序

第1步：创建 GitHub 帐户

1.访问GitHub 的网站。（https://github.com/）

2.单击右上角的“注册”按钮。

3.在必填字段中填写新 GitHub 帐户的用户名、电子邮件地址和密码。

4.通过 GitHub 发送给你的电子邮件验证你的帐户。
5.按照屏幕上的说明完成设置。

第2步：创建新存储库

1.登录后，单击右上角的“+”图标并选择“新存储库（New repository）”。

2.为你的存储库命名，例如“streamlit-test-case-generator”。

3.选择你希望存储库是公共的还是私有的。

4.使用 README 文件初始化存储库。

5.单击“创建存储库”。

第3步：将文件添加到你的存储库

1.在你的存储库中，单击“添加文件”并选择“创建新文件”。

2.创建一个名为app.py—这将是 Streamlit 应用程序的主 Python 文件。

3.将你的 Streamlit 代码写入app.py. 确保您的代码包含 API 密钥的错误处理，以避免暴露它。

4.创建另一个名为requirements.txt. 此文件应列出你的应用程序依赖的所有 Python 库，包括streamlit和openai.

5.单击“提交新文件”来提交新文件。

这是app.py：

import streamlit as stimport openaiimport os
# Retrieve the API key from the environment variableOPENAI_API_KEY = os.getenv('OPENAI_API_KEY')
# Initialize the OpenAI client with the API keyopenai.api_key = OPENAI_API_KEY
# Define the function to generate test casesdefgenerate_test_cases(requirement):    response = openai.ChatCompletion.create(        model="gpt-3.5-turbo",        messages=[            {"role": "system", "content": "You are a helpful assistant capable of generating software test cases."},            {"role": "user", "content": requirement}        ]    )    return response.choices[0].message.content
# Streamlit app layoutst.title('AI-powered Test Case Generator')st.write('Enter your software requirement to generate test cases.')
# Text area for user to enter the software requirementrequirement = st.text_area("Requirement", height=150)
# Button to generate test casesif st.button('Generate Test Cases'):    if requirement:        with st.spinner('Generating...'):            try:                test_cases = generate_test_cases(requirement)                st.success('Generated Test Cases')                st.write(test_cases)            except Exception as e:                st.error('An error occurred while generating test cases.')                st.error(e)    else:        st.error('Please enter a requirement to generate test cases.')