测试人员如何用好RAG

2025-06-11

大语言模型（LLM）已成为越来越多软件测试人员的得力助手。从生成测试用例到生成Page Object模型，我们常常希望：能不能一口气把所有上下文喂给模型，让它“一次性”给出最完美的答案？

但事实并不理想。就像你不能把一本完整的操作手册一股脑塞给一个刚入职的实习生，指望他第二天就能独当一面一样，大语言模型也有“接收极限”——这就是所谓的上下文窗口限制。我们不能简单粗暴地把所有代码、文档全都塞进一个提示词（prompt），然后期待模型表现得比人类还聪明。

RAG一般工作流程图

以上是对RAG工作流程的一个简单介绍，如下文章内容将对此详细展开。

不要“堆料”，要“讲重点”

与其用蛮力“灌输”上下文，不如巧妙地“提炼”信息，让模型恰到好处地理解我们要做什么。换句话说，有效的提示词不是“大而全”，而是“精而准”。

比如，你想让模型为某个页面生成自动化测试用的 Page Object。你可以选择把整个前端代码库扔进去（然后模型一脸茫然），也可以只提供该页面的HTML结构、关键的交互点和相关组件信息。后者不但效率高，还能让回答更贴合实际。

听起来很合理，对吧？但问题来了：如何判断哪些信息是“必须的”？哪些是“无关紧要的”？手动去筛选这些内容，既耗时又枯燥——这正是“RAG”（检索增强生成）闪亮登场的舞台。

什么是RAG？它是你的提示词“情报官”

RAG，全称是Retrieval-Augmented Generation（检索增强生成）。你可以把它理解为提示词的“智能助手”或“情报官”——它的职责是：在你提出问题的同时，自动从预先准备好的知识库中，找出最相关的上下文信息，打包好，再一并送给大语言模型。

用一个比喻来说，这就像你向AI提出“请帮我生成一个预订列表页的Page Object”的请求，RAG就会默默地从“页面资料库”中查找，发现“哦，这个HTML文档里刚好是预订列表页的结构”，然后自动把这份资料附加到提示词中提交给模型。AI收到的，就是一个经过精心包装的、上下文充分的请求，自然可以做出更准确、更贴合的回应。

RAG并不只是处理HTML，它同样适用于代码片段、接口文档、测试报告、数据库字段，甚至探索性测试笔记、自动化测试脚本等内容。只要数据结构清晰、可检索，它就能“打包上阵”。

为什么RAG对测试人员特别重要？

测试人员面对的问题往往都不是“标准答案”，而是开放性、上下文相关的。比如：

• 某个按钮到底有没有被正确测试过？

• 当前业务流程中，风险最高的逻辑点是什么？

• 有没有遗漏某些边界条件？

• 自动化代码和实际业务逻辑是否匹配？

这些问题往往需要结合具体代码、历史Bug记录、测试脚本和需求说明才能回答清楚。这种需要“上下文判断”的任务，恰恰是RAG最擅长的场景。

比如你正在写一个自动化测试的用例生成提示词，但手上只有一堆零散的代码。此时RAG可以帮助你：

• 自动识别代码中对应的页面结构；

• 检索相关的测试用例模板或历史测试日志；

• 提取有价值的参数或行为逻辑；

• 构建一个结构化且高质量的prompt。

最终效果是：你不再是“盲人摸象”地写prompt，而是有策略、有数据支持地构建高质量请求。

测试人员应该如何掌握RAG技能？

1. 学会构建“知识语料库”

RAG之所以有效，是因为它有一个好用的信息库（corpus）。这就要求我们测试人员具备一定的数据整理能力：

• 把测试用例、Bug记录、测试脚本、接口文档等归档整理；

• 使用统一格式（如Markdown、JSON、HTML）存储；

• 为文档打上有意义的标签，便于后续检索。

你的数据质量，决定了RAG的智能程度。

2. 理解“提示意图”与“信息配对”

在构建prompt时，你要清楚自己到底在问什么，然后思考这个问题最需要哪类信息：

• 是前端结构？（那就找HTML）

• 是接口文档？（那就找OpenAPI描述）

• 是历史测试用例？（那就找Test Case库）

这个过程有点像“搭配衣服”，不是越多越好，而是越配越出彩。

3. 掌握一些技术工具或框架

目前很多RAG工具和框架（如LangChain、LlamaIndex）都支持代码和测试相关场景。如果你具备Python基础，可以考虑：

• 使用LangChain + FAISS 实现简单的测试知识库检索；

• 搭建一个小型本地文档嵌入引擎；

• 利用Playwright、Postman等测试工具生成的文档作为语料源。

不必一开始就追求复杂系统，从自己的项目资料开始实践即可。

写在最后

对测试人员来说，RAG并不是一个“遥不可及的高端技术”，而是一个实用性极强、门槛相对较低的工具框架。它可以帮你省掉大量手动整理提示词的工作量，也能提升大模型在测试任务中的准确性与可解释性。

未来，RAG甚至可以嵌入到测试平台、测试管理工具中，成为一种“类智能测试助手”的基础能力。

在AI时代，测试人员不再只是“执行者”，而是信息整合者、策略设计师、智能系统的指挥官。而RAG，就是你通往这一角色转变的关键一步。

如果你也希望掌握RAG并应用在自己的测试实践中，不妨从今天开始，整理你的测试数据、思考你的提示目标，并尝试构建第一个“可检索、可生成”的提示任务吧。

RAG不会替代你，但它一定会增强你。

文章出处：https://mp.weixin.qq.com/s/lF8zZmmEkRXhCUyoWrRE0w 如有侵权，联系删除！