用 AI 自动生成接口测试：从 OpenAPI 解析到持续集成

这样能得到一个包含正向和负向场景的 JSON 列表。可以把这个环节放在 CI 里，每次提交后自动跑一遍，确保新接口至少有一组基础的测试用例。

执行：直接用 requests 跑起来

有了用例，执行就简单了。写一个 dispatcher 按方法调用，然后检查状态码和响应。

import requests
import json

def execute_test_case(test_case, base_url="http://localhost:8000"):
    url = base_url + test_case["URL"]
    method = test_case["请求方法"].lower()
    if method == "get":
        resp = requests.get(url)
    elif method == "post":
        resp = requests.post(url, json=test_case["请求体"])
    # 其他方法省略...
    actual_status = resp.status_code
    expected_status = test_case["预期状态码"]
    passed = actual_status == expected_status
    if passed and "预期响应" in test_case:
        expected_resp = test_case["预期响应"]
        actual_resp = resp.json()
        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
    }

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))

失败分析：让 GPT 给原因和建议

测试挂了，别光看日志。把失败结果扔给 GPT，让它猜原因——虽然不总是准，但能给排查方向。

def analyze_failure(failure_result):
    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()

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}")

自动生成报告

最后，把结果汇总，让 AI 写一份报告，省去人工整理。

def generate_test_report(results):
    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)

集成到 CI/CD

把这些脚本串起来，用 GitHub Actions 定时或 push 触发。配置文件大概这样：

# .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

几个容易踩的坑

• API 密钥：别写死在代码里，用环境变量或 vault，CI 里用 secret。
• 成本：每次调 GPT 都花钱，设置调用上限或缓存复杂用例。
• AI 幻觉：它生成的东西，比如用例和报告，最好有人复查。尤其业务逻辑复杂的接口，AI 不一定理解到位。
• 数据隐私：别把用户真实数据放进 prompt，脱敏或 mock。

整个流程下来，从'手工维护脚本'变成'AI 辅助生成—执行—分析—报告'，确实省了不少力气。但这不是银弹，复杂场景还需要人介入。它更适合作为快速覆盖基础用例和回归的帮手，让测试工程师有时间去想更需要创造力的东西。