快速搭建智能测试引擎，享受工作，保护发际线。
核心内容：
- 传统API测试的痛点与智能测试引擎的优势对比
- DeepSeek-R1智能测试引擎的搭建流程与演示
- 智能测试引擎所需的“魔法清单原料”及使用方法
最近忙完Jira cloud xray SDK的开发，总算挤出了一点时间。趁下班，快速分享一个LLM全自动化API测试的场景，希望能抛砖引玉，大家拿回自己公司里用得上。相信很多人都有同感——过去花了几千块票钱去听的AI大会，多数时候是听了个寂寞。那些“LLM赋能测试”的讲座，看看就好，想落地到自己家？难。所以我们这个“8分钟系列”争取做到开箱即用，能让所有测试工程师享用的LLM，才是好的LLM。目标很明确：享受工作，保护发际线。
一、序章：当“人工智障”遇见“人工智勇”
“小王，这个订单接口的异常测试用例写完了吗？”
“老大，我刚测到第38个场景，电脑就蓝屏了......”
“那你的测试覆盖率多少？”
“大概......覆盖了咖啡杯大小的区域？”
这段对话，每个测试工程师心里应该都有画面感。它揭示了传统API测试的三大痛点：测试工程师的头发越来越少、咖啡越喝越苦，而测试覆盖率永远像薛定谔的猫——测了，但又没完全测。但最近做的一个小实验很有意思：用DeepSeek-R1搭建的智能测试引擎，夸张点说，能在你喝完一杯咖啡的时间里（甚至还没等到咖啡凉），完成从测试设计到执行的全流程自动化。
先看个Demo。以这个根据邮编返回城市的API（api.zippopotam.us）为例，几乎0体力投入，最重要的是——几乎不会引起脱发。
二、极速搭建：8分钟烹饪测试满汉全席
2.1 食材准备（0-2分钟）
就像煮泡面需要开水，我们的智能测试厨房也需要几样基础原料。这里有一个很实用的小工具——json_repair，在之前的私信交流中，很多朋友问LLM返回的json有时候加载不出来，这个库就是专门解决这个问题的，主打一个“一用一个不吱声”。
# 魔法原料清单
import streamlit as st # 可视化平底锅
import requests # 网络电磁炉
from json_repair import repair_json # JSON修复铲
这时候你的电脑会说：“主人，检测到您要拯救发际线，已自动屏蔽所有社交软件。”
2.2 核心配方（2-5分钟）
真正起作用的是这位“测试大厨”——
class DeepSeekTestGenerator:
def generate_tests(self, api_desc: str) -> dict:
# 此处隐藏着召唤测试神龙的咒语
payload = {
"model": "deepseek-r1",
"messages": [
{"role": "system", "content": self.system_prompt},
{"role": "user", "content": api_desc}
],
"temperature": 0.3 # 控制大厨的“火候”
}
这个类就像《中华小当家》里的传说厨具：给它一段API描述，它就能吐出三种不同类型的测试场景——正常场景测试（像老奶奶过马路般温柔）、边界值测试（像甲方改需求般刁钻）、异常参数测试（像程序员写bug般富有创造力）。
2.3 自动化流水线（5-8分钟）
测试执行引擎是个不知疲倦的“测试狂人”——
class TestExecutor:
def execute_test(self, test_case: dict) -> dict:
try:
# 这里上演着每秒百万级的请求风暴
response = requests.request(
method=test_case["method"],
url=f"{self.base_url}{test_case['path']}",
params=test_case.get("params"),
timeout=5
)
# 自动诊断报告生成系统
passed_assertions.append({
"type": assertion["type"],
"passed": passed,
"expected": assertion.get("expect"),
"actual": response.status_code
})
这个引擎有多强悍？它能在执行测试的同时：监测响应时间（精确到毫秒级）、自动验证JSON数据结构（比丈母娘查户口还细致）、生成可视化报告（比美颜相机还懂怎么展示优点）。
三、黑科技解剖室：代码的九阳神功
3.1 强化学习测试生成（图灵附体）
Prompt设计里暗藏玄机——
system_prompt = """
作为API测试专家，请按以下要求生成测试套件：
1. 包含正常/边界/异常场景
2. 使用JSON Path验证响应
3. 包含性能断言（响应时间<800ms）
4. 输出OpenAPI 3.0规范
"""
这相当于给AI安装了一个“测试人格芯片”，让它瞬间拥有三种能力：十年测试老兵的场景覆盖能力、福尔摩斯的异常发现直觉、奥运短跑运动员的性能要求。
3.2 自愈型JSON处理（医学奇迹）
return json.loads(repair_json(response.json()["choices"][0]["message"]["content"]))
这个repair_json就像测试界的“急救医生”，能干三件事：自动修复缺失的引号（治疗强迫症）、矫正错位的括号（骨科手术级精准）、处理编码问题（堪比同声传译）。经常用LLM写测试的朋友应该深有体会——模型输出偶尔会抽风，有了它等于多了一层保险。
3.3 智能断言引擎（审判者协议）
if assertion["type"] == "json_path":
passed = self._validate_json_path(response.json(), assertion)
这个断言系统严格得就像高考阅卷老师：检查数据是否存在（“你的id呢？拿出来看看！”）、验证数据类型（“说好的字符串怎么变数字了？”）、核对数据范围（“年龄200岁？你是吸血鬼吗？”）。每一项都给你交代得明明白白。
四、可视化战场：测试结果的时装秀
当传统测试报告还在用Word文档时，这个系统已经办起了“数据时装周”——
with st.expander("查看详情"):
col1, col2 = st.columns(2)
with col1:
st.metric("响应时间", f"{response_time:.2f}ms")
st.write("### 断言结果")
for assertion in assertions:
icon = "✅" if passed else "❌"
with col2:
st.json(response_sample)
这个界面能做到三件事：用红绿灯系统展示测试结果（比交通信号灯还直观）、展示实时响应数据（像直播带货般即时）、生成交互式图表（比股票K线图还专业）。领导看了都得多问一句“这报告谁做的”。
五、未来展望：测试工程师的“摸鱼”计划
当这个系统完善后（目前只是个简单的POC），测试工程师的日常将变为：喝咖啡 → 看仪表盘 → 点“重新测试”按钮 → 继续喝咖啡。CI/CD管道将实现真正的“无人驾驶”，Git提交即触发智能测试。人类终于可以从重复劳动中解放，专注于更重要的任务——给AI写的测试用例写注释。毕竟，享受工作，保护发际线，这才是技术该有的样子。