从2小时到15分钟：AI大模型驱动测试用例生成全流程实战

传统写用例的方式越来越跑不动了？

做测试的朋友都懂，写用例这活，看着简单，真做起来全是坑。

• 第一个坑：太依赖人。一个老员工离职，新人接手，同样的模块写出来的用例天差地别。老手能想到的各种异常分支、边界情况，新人根本意识不到。最后线上出故障，一查全是边缘场景没覆盖。
• 第二个坑：复杂业务拆不动。尤其是电商订单、金融交易这种多状态流转的业务——订单有已支付、未支付、退款中、已关闭好几种状态，每种状态下能做什么操作、不能做什么操作，还得考虑状态之间怎么跳转。人工梳理一遍，脑子都得炸，更别说写全了。
• 第三个坑：迭代一次，痛苦一次。产品每周发版，功能变一点，旧用例就废一片。到底是删还是改还是留着？全靠人工筛，工作量巨大。
• 第四个坑：标准不统一。团队里每个人写法不一样，有的人写得特别细，操作步骤恨不得一步步截图；有的人就写一句话“验证功能正常”。资产沉淀不下来，后面想复用都没法用。

AI大模型能帮上忙吗？

很多人一听说用AI写用例，第一反应就是：哦，就是让ChatGPT帮我写几条用例呗，省得我打字了。如果只是这么想，那格局就小了。

大模型真正有价值的地方，不是帮你省掉“敲键盘”这个动作，而是把整个用例设计流程重构成自动化的——从需求解析、场景拆解、用例生成、自我校验，到迭代更新、批量落地，全链路跑通。

说白了，以前是一个人去想、去写、去改；现在是你定好规则和边界，AI帮你把80%的重复劳动干了，你只需要做最后的把关和调优。

六步走，跑通全流程（附案例）

拿一个电商退款功能来举例，这个场景大家比较熟悉，容易理解。

• 第一步：先把需求“洗”干净

很多测试同学的习惯是，拿到PRD就直接让AI生成用例。这样做的结果就是AI瞎编一堆你业务里根本没有的场景，或者漏掉关键的业务约束。

✔️正确做法是：先让AI帮你把需求里的关键约束提炼出来。

比如退款这个需求，原始文档可能写了三四页，又是流程图又是表格的。但真正影响用例设计的核心约束其实就几条：

• 只有“待支付”和“已支付未发货”两种状态的订单才能发起退款
• 退款金额不能超过实付金额
• 发起退款后30分钟没处理，自动取消
• 已经开票的订单，必须先冲红发票才能退

把这四条摆出来，AI后面生成用例的边界就清晰了，不会乱发挥。

• 第二步：拆场景，别一上来就写用例

复杂业务最怕的就是直接写用例，写着写着就乱了。

我的做法是分层拆：

• 正向场景：正常流程能走通的
• 异常场景：各种参数不对、状态不对、权限不够的情况
• 边界场景：金额临界值、时间临界点、次数上限
• 联动场景：退款的时候同时有其他操作，比如同时下单、同时改地址

每一层单独拆成测试点，确认覆盖全了，再进入下一步。

• 第三步：批量生成，统一格式

拆好场景之后，让AI按你的格式要求一次性生成所有用例。

格式要提前定好，比如我常用的：用例ID、模块、前置条件、操作步骤、预期结果、优先级、类型。格式统一了，后面才好管理。

这一步AI跑得飞快，一百多条用例十几分钟就出来了。

• 第四步：让AI自己先检查一遍

大模型有个毛病叫“幻觉”——它会很自信地输出一些错误的东西。

所以在生成用例之后，再加一轮自检提示词，让AI自己复查：

• 有没有用例违反了业务约束？（比如在“已关闭”状态下还能退款）
• 有没有两条用例实际上测的是同一个东西？
• 有没有逻辑上说不通的步骤？
• 有没有编造出来但业务里根本不存在的场景？

这一步能筛掉大量低级错误，减少人工返工。

• 第五步：人工做精细化调整

AI自检完，你拿到的用例基本能用了。但肯定还有一些需要微调的地方——比如某些公司特有的合规要求、历史线上故障沉淀下来的特殊场景，这些AI不知道，需要你手动补上。

关键动作：把这些调整记录下来，回头去优化你的提示词模板。下次再生成同类用例时，问题就不会重复出现。

• 第六步：入库，形成资产

优化完的用例，批量导入TestRail、禅道这类管理平台，跟需求、版本、自动化脚本关联起来。以后每次迭代只需要增量更新，不用重写。

复杂业务怎么写？

前面说的是通用流程，但真正让人头疼的是那种多状态流转的复杂业务。

比如一个订单有6种状态：待支付、支付中、已支付、退款中、已退款、已关闭。不同状态下能做的操作不一样，状态之间跳转有规则有例外，组合起来几十个分支。

这种业务怎么用AI搞定？

• ：让AI先把状态流转图画出来——哪些状态之间可以跳转，哪些是禁止的。
• ：基于这张图，让AI逐个状态推导——这个状态下能做什么操作？哪些操作会报错？边界值是什么？
• 第三步：专门跑一轮“叠加异常”——比如“退款中的订单能不能支付？”“已关闭的订单能不能发起退款？”这些交叉场景是人工最容易漏的。

这套打法跑下来，原来需要人工干2小时的复杂链路，AI 10分钟覆盖全，分支基本不漏。

边缘场景怎么挖？AI的强项

线上故障大部分来自边缘场景，而边缘场景恰恰是人工测试最容易忽略的。AI擅长做一件事：按维度穷举。

常用的四个维度：

• 数值边界：最大值、最小值、0、空、负数、超长字符串
• 时间边界：超时临界点、跨天跨月、并发瞬时
• 状态边界：状态切换那一刻、异常中断后状态残留
• 环境边界：弱网、断网、低电量、资源耗尽的极端情况

举个实际例子：测Serverless接口超时。人工一般就想到“网络超时”这一种。但让AI按这四个维度拆一遍，它能多给你8种：冷启动超时、并发限流超时、内存配额超了导致的超时、触发器延迟……全是Serverless架构特有的盲区。

AI生成用例常见问题，这样处理

AI不是万能的，生成出来的用例经常有四个问题

• 问题一：重复用例太多。AI喜欢换着说法描述同一个场景，导致用例列表里一堆长得像但实际测的东西一样的。治法是加一句提示词：“自动识别并合并同质场景，相似场景只保留最优的一条，差异化场景单独保留。”——就这么一句话，能砍掉60%以上的冗余。
• 问题二：瞎编场景。AI自由发挥起来很可怕，能给你编出业务里根本不存在的功能。治法是明确告诉它：“所有用例严格基于给定的需求文档生成，禁止延伸扩展未提及的功能。”把它的想象力锁住。
• 问题三：颗粒度忽粗忽细。有的用例写得特别笼统，有的又拆到每一步点击哪个按钮。治法是先给它看你们公司的标准用例样例（Few-Shot），让它照着这个颗粒度来。
• 问题四：版本变了用例跟不上。每次迭代如果都全量重写，那AI的效率优势就没了。正确的做法是增量更新：“基于旧版本用例，结合本次变更点，新增需要覆盖的新场景、删掉失效的、修改逻辑变了的。”这样每次只需要改一小部分。

给新手转行AI测试的3条建议

第一，别等“完全准备好”再开始。今天就用DeepSeek或通义千问，把你的下一个需求文档丢进去，让它生成一批用例——看输出、找问题、改提示词，这是最快的学习路径。在AI时代，动手比观望重要一万倍。

第二，掌握提示词工程是核心杠杆。AI测试不是“问一句就行”，而是需要结构化输入、分层拆解、持续迭代。学会写精准的提示词，你的产出效率会是别人的3-5倍。

第三，人机协同是终局思维。AI负责标准化量产和全覆盖拆解，你负责业务规则校验和特殊场景适配。未来的高价值测试工程师，不是被AI替代的人，而是会用AI的人。

☑️想了解更多涨薪技能提升方法

✔️可以到公主号【Atstudy技术社区】,即可加入领取 ⬇️⬇️⬇️

☑️转行、入门、提升、需要的各种干货资料

☑️内含AI测试、 车载测试、AI大模型开发、BI数据分析、银行测试、游戏测试、AIGC