用 AI 接管接口测试：从 OpenAPI 到 CI 流水线的一套实现

运行后，你会得到一组 JSON 格式的用例，覆盖了正常调用和边界场景，比如邮箱格式校验。

接着，跑起用例

生成了用例，下一步就是执行。用 requests 库就够用，把刚才 AI 给出的 JSON 转成实际请求，再比对状态码和响应。

import requests
import json

def execute_test_case(test_case, base_url="http://localhost:8000"):
    """ 执行单个测试用例 """
    url = base_url + test_case["URL"]
    method = test_case["请求方法"].lower()
    
    # 根据方法调用 requests
    if method == "get":
        resp = requests.get(url)
    elif method == "post":
        resp = requests.post(url, json=test_case["请求体"])
    # ... 其他方法
    
    # 验证结果
    actual_status = resp.status_code
    expected_status = test_case["预期状态码"]
    passed = actual_status == expected_status
    
    # 检查响应内容（可选）
    if passed and "预期响应" in test_case:
        expected_resp = test_case["预期响应"]
        actual_resp = resp.json()
        # 简单比较，实际中可用 jsondiff
        passed = expected_resp.items() <= actual_resp.items()
    
    return {
        "用例 ID": test_case["用例 ID"],
        "结果": "通过" if passed else "失败",
        "实际状态码": actual_status,
        "预期状态码": expected_status,
        "响应": resp.text
    }

# 执行所有用例
results = []
for case in json.loads(test_cases):
    result = execute_test_case(case)
    results.append(result)
print(json.dumps(results, indent=2, ensure_ascii=False))

这里只是简单比对，复杂场景可能需要 jsondiff 之类。但日常用的接口，这个粗糙度已经能抓到大部分问题了。

让 AI 帮你解读测试红

用例跑完，红了一片？别急着翻日志，把失败结果再丢给 GPT，让它猜可能的原因。

def analyze_failure(failure_result):
    """ 用 AI 分析测试失败原因 """
    prompt = f""" 以下是一个 API 测试失败的结果，请分析可能的原因，并给出修复建议。
    测试用例：{failure_result['用例 ID']}
    描述：{failure_result.get('描述','N/A')}
    请求体：{failure_result.get('请求体','N/A')}
    预期状态码：{failure_result['预期状态码']}
    实际状态码：{failure_result['实际状态码']}
    响应：{failure_result['响应']}
    请从以下方面分析：
    1. 接口逻辑错误？
    2. 参数校验问题？
    3. 数据库连接失败？
    4. 鉴权问题？
    5. 网络问题？
    输出格式：原因：...，建议：... """
    response = openai.ChatCompletion.create(
        model="gpt-4-turbo",
        messages=[{"role":"system","content":"You are a debugging expert."},{"role":"user","content": prompt}],
        max_tokens=300
    )
    return response.choices[0].message['content'].strip()

# 分析失败用例
for result in results:
    if result["结果"] == "失败":
        analysis = analyze_failure(result)
        result["AI 分析"] = analysis
        print(f"AI 诊断：{analysis}")

有时候它给的诊断很准，直接指向参数校验缺失；有时候也会一本正经胡说八道。所以还是得人过一眼。

最后，凑成报告

把测试结果和 AI 分析汇总成一份人读得下去的报告。

def generate_test_report(results):
    """ 生成测试报告 """
    total = len(results)
    passed = sum(1 for r in results if r["结果"] == "通过")
    failed = total - passed
    pass_rate = f"{passed/total*100:.1f}%"
    
    prompt = f""" 生成一份 API 测试报告，要求专业、简洁、重点突出。
    测试结果概要：
    - 总用例数：{total}
    - 通过：{passed}
    - 失败：{failed}
    - 通过率：{pass_rate}
    失败用例详情：{json.dumps([r for r in results if r['结果']=='失败'], ensure_ascii=False)}
    请包含：
    1. 整体结论
    2. 主要问题总结
    3. 改进建议 """
    response = openai.ChatCompletion.create(
        model="gpt-4-turbo",
        messages=[{"role":"system","content":"You are a QA lead."},{"role":"user","content": prompt}]
    )
    return response.choices[0].message['content'].strip()

report = generate_test_report(results)
print("\n=== 测试报告 ===\n")
print(report)

扔进 CI，交给机器

别每次都手动跑，把这些串起来放到 GitHub Actions 里，每次 push 就触发。

# .github/workflows/api-test.yml
name: API Test
on: [push]
jobs:
  test:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v3
      - name: Set up Python
        uses: actions/setup-python@v4
        with:
          python-version: '3.9'
      - name: Install dependencies
        run: |
          pip install openai requests pyyaml
      - name: Run AI Test Automation
        env:
          OPENAI_API_KEY: ${{ secrets.OPENAI_API_KEY }}
        run: |
          python ai_test_generator.py
      - name: Upload Report
        if: always()
        uses: actions/upload-artifact@v3
        with:
          name: test-report
          path: test_report.txt

几个避不开的坑

• 密钥安全：绝对不要把 API key 硬编码，用环境变量或密钥服务。
• 成本控制：调用 GPT 是花钱的，设好频率和预算，别让它在夜里偷偷烧钱。
• 人工审核：AI 生成的用例可能脱离业务，报告可能过于乐观，记得抽查。
• 数据隐私：如果接口参数含敏感数据，别直接发到外部 AI 服务，本地模型或脱敏处理更妥当。

收尾

用 AI 把接口测试自动化串起来，确实能省不少事。从解析 OpenAPI 到 CI 跑完，整个流程从'手动点点点'变成了代码自动跑。实际项目里还需要针对具体接口调整，但这个骨架已经能覆盖不少日常需求了。别完全放手，LLM 的幻觉和不可控依然存在，但把它当个高效的助手，挺好用的。