从需求文档到可执行脚本：AI全链路测试智能体的底层工程架构解析
在消费电子与汽车电子的研发迭代中，测试团队长期面临一个结构性矛盾：需求文档的语义复杂度与测试脚本的维护成本同步攀升。传统模式下，测试工程师需人工阅读PRD、拆解场景并手写代码，周期往往以“周”计算；且一旦UI控件或底层协议微调，硬编码的断言极易大面积失效。
本文基于东舟技术在AI全链路测试智能体研发中的工程实践，从底层系统架构的角度，解析如何将“需求理解→场景生成→脚本输出→发布校验”打通为自动化闭环。
一、 全链路测试智能体的系统架构
整个智能体的数据流向可抽象为四层：
- 需求解析层：接收Markdown、PDF等格式文档，进行语义切片与关键逻辑抽取。
- 场景生成层：基于RAG检索增强生成，结合企业历史用例与业务规则，输出结构化测试场景。
- 脚本编译层：通过NLP步骤描述引擎，将自然语言步骤转换为可执行脚本。
- 发布与校验层：支持云或本地部署，脚本对接企业系统，经自动校验后发布。
这条链路的核心挑战不在于“调用大模型API”，而在于如何让模型在垂直工程领域输出稳定、可复现的结果。
二、 核心架构的技术解法
1. 行业定制化向量引擎：让RAG真正“懂工程测试”
通用大模型面对复杂的软硬件测试语境极易产生语义漂移。东舟的方案在RAG链路上做了两层优化：
- 通用稠密向量底座：采用开源高性能模型作为基础检索层。
- 垂直微调 Embedding：基于海量真实测试文档，通过SFT方法训练专属Embedding，使检索精度提升超过15%。
- 跨领域语料兼容：这些训练语料不仅包含了消费电子领域的应用层协议与UI交互逻辑，也涵盖了汽车电子复杂的车机总线（如CAN/LIN）报文与多模态交互规则，打破了不同测试领域的知识壁垒。
这意味着，当工程师输入“验证设备在低温环境下的唤醒时序”或“验证车机蓝牙连接状态”时，系统能精准召回跨领域历史用例库中相似的底层测试逻辑，而非泛泛生成通用代码。
2. NLP步骤描述引擎：自然语言到脚本的语义桥接
自然语言与脚本代码存在天然的语义鸿沟。该引擎经过大量测试领域语料训练，能识别操作对象、动作类型、预期结果等要素。
例如，输入“测试蓝牙开关功能”（此基础交互逻辑在消费电子与汽车电子的HMI测试中皆高度通用），引擎会自动展开为：打开蓝牙设置页 → 读取当前状态 → 切换开关 → 验证状态变更 → 记录耗时。工程师无需介入脚本层面的编写。
3. 推理引擎工程优化：vLLM与PagedAttention
在并发场景下，智能体需同时处理多条需求解析请求。底层采用 vLLM 作为推理引擎，原生支持 PagedAttention、动态批处理与投机解码，显存利用率提升超40%。这避免了长上下文场景下的显存碎片化，支撑了多份需求文档和用例库的并发推理。
4. 微调策略权衡：LoRA权重保持FP16精度
在垂直领域微调中，常见的权衡是量化精度与输出保真度。东舟的策略是：仅对基座模型量化，而垂直方向的LoRA微调权重保留FP16原始精度。这一设计规避了全量化带来的性能损失，特别是在汽车电子这类对脚本执行时序和车规级稳定性要求极高的场景下，确保了模型在协议理解、边界条件生成等任务上的高保真输出。
三、 部署形态与工程价值
智能体支持 “云端 + 本地”混合部署架构。对于数据敏感的整车厂与大型消费电子终端厂商，可将模型与向量库完全部署在客户内网，推理过程不出域，满足严格的保密需求。
从落地数据看，该架构带来的直接变化是：用例编写周期从7天压缩至1天，场景覆盖率达90%以上，同时通过自动校验与分级处理降低了上线风险。
架构扩展性：由于底层引擎在架构设计上实现了对UI控件、物理接口与通信协议的彻底解耦，这套基于东舟技术的AI智能体不仅适用于手机、平板等消费电子产品的敏捷迭代，同样能够无缝适配并支撑汽车电子全场景（如智能座舱HMI、语音、OTA）的自动化测试。测试团队得以将精力从重复性脚本编写中释放，转向测试策略设计与质量根因分析。
技术专长
评论0