引言：当AI遇见测试自动化

随着大语言模型（LLM）技术的突破性进展，特别是其中函数调用（Function Calling）能力的出现，软件测试这一传统而关键的软件开发环节，正逐步迎来AI化的变革与挑战。本文将探讨如何有效利用大语言模型的函数调用能力，构建智能化、高效能的测试助手。

function_calling技术解析

什么是function_calling

function_calliing是大语言模型根据用户请求智能选择并调用预定义函数的能力。模型通过理解自然语言指令，自动匹配对应的函数模板并生成结构化参数。

# 传统测试参数定义示例
test_case = {
    "api": "/user/login",
    "method": "POST",
    "params": {"username": "test", "password": "123456"}
}

# 函数调用参数定义示例
tools = [
    {
        "type": "function",
        "function": {
            "name": "execute_api_job",
            "description": "执行接口测试任务",
            "parameters": {
                "type": "object",
                "properties": {
                    "location": {
                        "type": "string",
                        "description": "任务名称，例如：用户中心测试任务",
                    }
                },
                "required": ["job"]
            },
        }
    }
]

技术优势对比

传统方式	函数调用方式
人工维护测试用例	自动生成测试逻辑
固定参数组合	动态参数生成
单一断言策略	智能断言机制
线性执行流程	自适应测试路径

实现方式

定义函数

我们需要将我们要通过大模型调用的函数定义好：

tools = [
    {
        "type": "function",
        "function": {
            "name": "execute_api_job",
            "description": "执行接口测试任务",
            "parameters": {
                "type": "object",
                "properties": {
                    "location": {
                        "type": "string",
                        "description": "任务名称，例如：用户中心测试任务",
                    }
                },
                "required": ["job"]
            },
        }
    },
    {
        "type": "function",
        "function": {
            "name": "get_report",
            "description": "查询测试报告",
            "parameters": {
                "type": "object",
                "properties": {
                    "location": {
                        "type": "string",
                        "description": "任务名称：例如：消息中心测试任务",
                    }
                },
                "required": ["job"]
            },
        }
    },
{
        "type": "function",
        "function": {
            "name": "analysis_report",
            "description": "分析测试报告数据",
            "parameters": {
                "type": "object",
                "properties": {
                    "location": {
                        "type": "string",
                        "description": "任务名称，例如：订单中心任务",
                    }
                },
                "required": ["job"]
            },
        }
    }
]

实现函数

具体实现内容，根据自己项目来定义，这里提供简单的demo

def execute_api_job(job):
    """模拟执行测试任务"""
    return f"已经开始执行测试任务：{job}"


def get_report(job):
    """模拟获取测试报告"""
    return f"查看{job}的测试报告，请点击https://www.baidu.com"


def analysis_report(job):
    """模拟分析测试数据"""
    # 获取报告数据
    report = get_data(job)
    # 将测试数据发送给AI大模型进行分析
    response = send_messages(f"分析测试任务数据：{report}")
    return f'测试结果分析：\n {response}'

调用大模型

import json
from openai import OpenAI


def send_messages(messages):
    msg = [{"role": "user", "content": messages}]
    response = client.chat.completions.create(
        model="deepseek-chat",
        messages=msg,
        tools=tools
    )
    mess = response.choices[0].message
    if mess.tool_calls:
        tool = mess.tool_calls[0]
        function_name = tool.function.name
        arguments = json.loads(tool.function.arguments)

        # 调用函数
        if function_name == 'execute_api_job':
            function_response = execute_api_job(arguments.get("location"))
        elif function_name == 'get_report':
            function_response = get_report(arguments.get("location"))
        elif function_name == 'analysis_report':
            function_response = analysis_report(arguments.get('location'))
        else:
            return response.choices[0].message
        return function_response
    else:
        return response.choices[0].message


client = OpenAI(
    api_key="your_api_key",
    base_url="https://api.deepseek.com",
)

执行

# 测试示例
if __name__ == "__main__":

    while True:
        user_input = input("用户输入：")
        if user_input.lower() == 'exit':
            break
        response = send_messages(user_input)
        print("助手回复：", response)
        print("\n" + "=" * 50 + "\n")

执行结果展示：

通过DeepSeek的Function Calling能力，我们成功构建了一个能理解自然语言、执行测试任务、智能分析结果的AI测试助手。当然，这只是简单的demo介绍，主要讲述function_calling的使用方法，具体在测试工具中的使用，还是需要结合自身项目。如：测试用例生成、测试数据生成等。