我“调教”了一个AI Agent，让它全天自动写测试用例：3分钟24条，准确率70%+

面试求职「面试试题小程序」内容涵盖 测试基础、Linux操作系统、MySQL数据库、Web功能测试、接口测试、APPium移动端测试、Python知识、Selenium自动化测试相关、性能测试、性能测试、计算机网络知识、Jmeter、HR面试命中率杠杠的。大家刷起来…职场经验干货软件测试工程师简历上如何编写个人信息一周8个面试软件测试工程师简历上如何编写专业技能一周8个面试软件测试工程师简历上如何编写项目经验一周8个面试软件测试工程师简历上如何编写个人荣誉一周8个面试软件测试行情分享这些都不了解就别贸然冲了.软件测试面试重点搞清楚这些轻松拿到年薪30W软件测试面试刷题小程序免费使用永久使用这个专题非常受欢迎目前已经更新到第三篇啦~五、RAG知识库技术介绍5.1 什么是 RAGRAGRetrieval-Augmented Generation检索增强生成是一种结合了信息检索和文本生成的技术框架旨在通过引入外部知识库来提升生成模型如GPT等的准确性和可靠性。RAG 解决的问题传统的生成模型依赖预训练时学到的参数化知识存在以下问题● 知识过时训练数据可能已经过时● 领域局限缺乏特定领域的专业知识● 幻觉问题生成不准确或虚构的内容● 无法更新无法动态更新知识RAG 的优势● 动态知识可以随时更新知识库● 领域专业可以添加特定领域的知识● 减少幻觉基于真实文档生成答案● 可追溯性可以追溯答案来源5.2 RAG 架构及执行流程​RAG 执行流程1. 文档处理├── 提取语料库内├── 文档分块Chunking└── 转化为向量Embedding2. 向量存储​​​​​​​├── 文本向量写入向量数据库└── 建立索引3. 检索阶段​​​​​​​├── 用户查询转向量├── 向量相似度搜索└── 召回相关文档4. 生成阶段​​​​​​​├── 构建提示词Prompt├── 调用大模型生成结果└── 返回答案RAG 系统架构图​​​​​​​┌─────────────┐│ 用户查询 │└──────┬──────┘│▼┌─────────────────┐│ 查询向量化 │ ← Embedding Model└──────┬──────────┘│▼┌─────────────────┐│ 向量相似度搜索 │ ← Vector Database(ChromaDB)└──────┬──────────┘│▼┌─────────────────┐│ 召回相关文档 │└──────┬──────────┘│▼┌─────────────────┐│ 构建提示词 │└──────┬──────────┘│▼┌─────────────────┐│ LLM 生成答案 │ ← MoonShot/GPT└──────┬──────────┘│▼┌─────────────────┐│ 返回结果 │└─────────────────┘5.3 RAG 的关键技术1. 文档分块Chunking将长文档切分为小块便于检索和处理。分块策略● 固定长度分块按字符数或 Token 数切分● 语义分块按段落、句子切分● 滑动窗口重叠切分保留上下文​​​​​​​def chunk_text(text: str, chunk_size: int 500, overlap: int 50) - List[str]: 文本分块 chunks [] start 0 while start len(text): end start chunk_size chunk text[start:end] chunks.append(chunk) start end - overlap # 重叠部分 return chunks2. 向量嵌入Embedding将文本转换为高维向量便于计算相似度。常用嵌入模型●OpenAI Embeddingstext-embedding-ada-002●Sentence Transformersall-MiniLM-L6-v2●Qwen EmbeddingsQwen3-Embedding-4B本项目使用3. 向量相似度计算常用相似度算法●余弦相似度最常用范围 [-1, 1]●欧氏距离计算向量间的直线距离●点积向量内积​​​​​​​import numpy as np def cosine_similarity(vec1, vec2): 余弦相似度 return np.dot(vec1, vec2) / (np.linalg.norm(vec1) * np.linalg.norm(vec2))六、文本嵌入和向量化6.1 文本嵌入的方法介绍文本嵌入Text Embedding是将文本转换为数值向量的过程是 RAG 系统的核心技术。文本嵌入的发展历程​现代嵌入模型对比​6.2 Qwen3-embedding嵌入模型部署介绍Qwen3-Embedding是阿里云开源的中文优化嵌入模型具有以下特点●中文优化针对中文语义理解优化●高性能在中文检索任务上表现优异●本地部署支持本地部署无需调用 API●开源免费完全开源无使用限制模型规格​6.3 Ollama部署Qwen3-embedding模型Ollama 是一个轻量级的本地大模型运行工具支持多种开源模型。安装 OllamamacOS / Linux:printcurl -fsSL https://ollama.com/install.sh | shf(hello world!);Windows:访问 https://ollama.com/download 下载安装包。拉取 Qwen3-Embedding 模型​​​​​​​# 拉取模型量化版本体积更小 ollama pull dengcao/Qwen3-Embedding-4B:Q5_K_M # 或拉取完整版本 ollama pull dengcao/Qwen3-Embedding-4B测试模型​​​​​​​# 启动 Ollama 服务(默认端口 11434) ollama serve # 测试嵌入 curl http://localhost:11434/api/embeddings -d { model: dengcao/Qwen3-Embedding-4B:Q5_K_M, prompt: FastAPI 是一个高性能的 Web 框架 }Python调用示例​​​​​​​import requests def get_embedding(text: str) - list: 获取文本嵌入向量 url http://localhost:11434/api/embeddings response requests.post( url, json{ model: dengcao/Qwen3-Embedding-4B:Q5_K_M, prompt: text } ) return response.json()[embedding] embedding get_embedding(FastAPI 是一个高性能的 Web 框架) print(f向量维度: {len(embedding)}) # 输出: 10246.4 什么是向量化向量化Vectorization 是将非结构化数据如文本、图像转换为数值向量的过程。向量化的意义1.数学计算向量可以进行数学运算加减乘除、距离计算2.相似度度量通过向量距离衡量文本相似度3.高效检索向量数据库支持高效的相似度搜索4.机器学习向量是机器学习模型的输入格式6.5 向量数据库 ChromaDB 详解ChromaDB 是一个开源的向量数据库专为 AI 应用设计。ChromaDB 的特点●轻量级易于安装和部署●高性能支持百万级向量检索●易用性API 简单直观●持久化支持数据持久化存储●过滤查询支持元数据过滤安装 ChromaDBpip install chromadbChromaDB 基本操作1. 创建客户端​​​​​​​import chromadb # 内存模式(临时) client chromadb.Client() # 持久化模式(推荐) client chromadb.PersistentClient(path./data/vector_db)2. 创建集合(Collection)​​​​​​​# 创建集合 collection client.create_collection( nameknowledge_base, metadata{description: 知识库向量集合} ) # 获取已存在的集合 collection client.get_collection(nameknowledge_base) # 获取或创建集合 collection client.get_or_create_collection(nameknowledge_base)3. 添加文档​​​​​​​# 添加文档(自动生成嵌入) collection.add( documents[FastAPI 是一个高性能的 Web 框架, Django 是一个全栈框架], metadatas[{source: doc1}, {source: doc2}], ids[id1, id2] ) # 添加文档(手动提供嵌入) collection.add( embeddings[[0.1, 0.2, 0.3], [0.4, 0.5, 0.6]], documents[文档 1, 文档 2], metadatas[{type: text}, {type: text}], ids[id1, id2] )4. 查询文档​​​​​​​# 查询相似文档 results collection.query( query_texts[Python Web 框架], n_results5 # 返回前5个最相似的文档 ) # 查询结果 print(results[documents]) # 文档内容 print(results[distances]) # 相似度距离 print(results[metadatas]) # 元数据5. 更新和删除​​​​​​​# 更新文档 collection.update( ids[id1], documents[更新后的文档内容] ) # 删除文档 collection.delete(ids[id1]) # 删除集合 client.delete_collection(nameknowledge_base)七、使用FastAPICrewAI开发实战接下来笔者将详细介绍如何使用 FastAPI 和 CrewAI 开发一个完整的测试用例生成 Agent 应用。7.1 系统架构设计​​​​​​​┌─────────────────────────────────────────────────────────────┐│ 前端 (Vue3 ElementPlus) ││ ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌──────────┐ ││ │知识库管理│ │用例生成 │ │代码分析 │ │向量搜索 │ ││ └──────────┘ └──────────┘ └──────────┘ └──────────┘ │└─────────────────────────────────────────────────────────────┘↓ HTTP/WebSocket┌─────────────────────────────────────────────────────────────┐│ FastAPI 后端服务 ││ ┌──────────────────────────────────────────────────────┐ ││ │ API 路由层 │ ││ │ /api/v1/knowledges /api/v1/case-generation │ ││ └──────────────────────────────────────────────────────┘ ││ ┌──────────────────────────────────────────────────────┐ ││ │ 业务逻辑层 (Services) │ ││ │ KnowledgeService | VectorService │ ││ └──────────────────────────────────────────────────────┘ ││ ┌──────────────────────────────────────────────────────┐ ││ │ Agent 智能体层 │ ││ │ RAGRetrievalAgent | CaseGeneratorAgent │ ││ └──────────────────────────────────────────────────────┘ ││ ┌──────────────────────────────────────────────────────┐ ││ │ 数据访问层 (Models ORM) │ ││ │ Tortoise-ORM | SQLite │ ││ └──────────────────────────────────────────────────────┘ │└─────────────────────────────────────────────────────────────┘↓┌─────────────────────────────────────────────────────────────┐│ 外部服务 ││ ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌──────────┐ ││ │ChromaDB │ │Ollama │ │MoonShot │ │SQLite │ ││ │向量数据库│ │嵌入模型 │ │大语言模型│ │关系数据库│ ││ └──────────┘ └──────────┘ └──────────┘ └──────────┘ │└─────────────────────────────────────────────────────────────┘7.2 知识库管理实现7.2.1 数据模型定义​​​​​​​# models/knowledge.py from tortoise.models import Model from tortoise import fields class Knowledge(Model): 知识库模型 id fields.IntField(pkTrue, description知识库唯一标识) name fields.CharField(max_length255, uniqueTrue, description知识库名称) description fields.TextField(nullTrue, description知识库描述) created_at fields.DatetimeField(auto_now_addTrue, description创建时间) updated_at fields.DatetimeField(auto_nowTrue, description更新时间) class Meta: table knowledges class KnowledgeFile(Model): 知识库文件模型 id fields.IntField(pkTrue) knowledge fields.ForeignKeyField( models.Knowledge, related_namefiles, on_deletefields.CASCADE ) filename fields.CharField(max_length255) file_path fields.CharField(max_length500) file_size fields.IntField() status fields.CharField(max_length20, defaultuploaded) upload_time fields.DatetimeField(auto_now_addTrue) processed_time fields.DatetimeField(nullTrue) class Meta: table knowledge_files7.2.2 知识库服务实现​​​​​​​# services/knowledge_service.py from typing import List, Dict, Any from models.knowledge import Knowledge, KnowledgeFile from base.embedding_vector import embedding_service classKnowledgeService: 知识库服务 async def create_knowledge(self, name: str, description: str None) - Knowledge: 创建知识库 knowledge await Knowledge.create( namename, descriptiondescription ) return knowledge async def upload_file( self, knowledge_id: int, filename: str, file_path: str, file_size: int ) - KnowledgeFile: 上传文件到知识库 # 创建文件记录 file_record await KnowledgeFile.create( knowledge_idknowledge_id, filenamefilename, file_pathfile_path, file_sizefile_size, statusuploaded ) # 异步处理文件(分块、向量化、存储) await self._process_file(file_record) return file_record async def _process_file(self, file_record: KnowledgeFile): 处理文件: 分块、向量化、存储 # 1. 读取文件内容 with open(file_record.file_path, r, encodingutf-8) as f: content f.read() # 2. 文档分块 chunks self._chunk_text(content, chunk_size500, overlap50) # 3. 准备文档块数据 chunk_data [ { chunk_id: i, content: chunk, start_pos: i * 450, end_pos: i * 450 len(chunk) } for i, chunk in enumerate(chunks) ] # 4. 向量化并存储到 ChromaDB await embedding_service.add_documents_to_collection( knowledge_idfile_record.knowledge_id, file_idfile_record.id, chunkschunk_data ) # 5. 更新文件状态 file_record.status processed file_record.processed_time datetime.now() await file_record.save() def _chunk_text(self, text: str, chunk_size: int 500, overlap: int 50) - List[str]: 文本分块 chunks [] start 0 while start len(text): end start chunk_size chunk text[start:end] chunks.append(chunk) start end - overlap return chunks async def search_similar( self, query_text: str, collection_id: int, top_k: int 10 ) - List[Dict[str, Any]]: 搜索相似文档 results await embedding_service.search_similar_documents( knowledge_idcollection_id, queryquery_text, top_ktop_k ) return results7.2.3 知识库 API 路由​​​​​​​# api/knowledges.py from fastapi import APIRouter, UploadFile, File, Form from typing import List from services.knowledge_service import KnowledgeService from schemas.knowledge import KnowledgeCreate, KnowledgeResponse router APIRouter(prefix/api/v1/knowledges, tags[知识库管理]) knowledge_service KnowledgeService() router.post(/, response_modelKnowledgeResponse) async def create_knowledge(data: KnowledgeCreate): 创建知识库 knowledge await knowledge_service.create_knowledge( namedata.name, descriptiondata.description ) return knowledge router.post(/{knowledge_id}/files) async def upload_file( knowledge_id: int, file: UploadFile File(...) ): 上传文件到知识库 # 保存文件 file_path f./data/upload/{file.filename} with open(file_path, wb) as buffer: content await file.read() buffer.write(content) # 创建文件记录并处理 file_record await knowledge_service.upload_file( knowledge_idknowledge_id, filenamefile.filename, file_pathfile_path, file_sizelen(content) ) return { success: True, file_id: file_record.id, message: 文件上传成功正在处理... } router.get(/{knowledge_id}/search) async def search_knowledge( knowledge_id: int, query: str, top_k: int 10 ): 搜索知识库 results await knowledge_service.search_similar( query_textquery, collection_idknowledge_id, top_ktop_k ) return { success: True, query: query, results: results }后续将继续为大家介绍RAG检索 Agent 实现、测试用例生成 Agent 实现、WebSocket 实时通信和前端功能的实现等。最后下方这份完整的软件测试视频教程已经整理上传完成需要的朋友们可以自行领取【保证100%免费】​​​​​