工作流程
4 个步骤，每一步做什么、依据什么，都写在这里。
Not translated yet — showing the Chinese originals.
什么是 用例生成
智能测试用例生成是让 AI 基于可追溯的产品和工程上下文，生成结构化测试场景的过程。高质量生成不仅包含操作步骤，还应说明覆盖目标、前置条件、测试数据、预期结果、优先级和依据，并能够映射到需求、接口或代码变更。
需求频繁变化的敏捷团队需要补齐回归覆盖的测试团队希望把代码变更转成测试任务的研发团队
核心能力
- 01
多源上下文理解
同时读取需求、原型、OpenAPI、代码差异、已有用例和历史缺陷，避免只根据一句提示猜测。
- 02
结构化用例输出
输出场景、前置条件、步骤、数据、断言、优先级、标签与来源，便于评审、检索和执行。
- 03
覆盖缺口分析
将生成结果与已有用例和覆盖率对比，优先补充边界、异常、权限、兼容性和未覆盖路径。
- 04
受控写回
先展示差异和生成依据，经过人工确认后再写入用例管理平台，并保留版本和关联关系。
可以获得什么
目标是让团队少花时间重复确认，把注意力留给证据不足和风险更高的变更。
常见问题
AI 如何生成测试用例？
系统先读取需求、接口定义、代码实现与已有测试资产，构建输入输出等价类、边界条件、状态转换机与权限矩阵，再生成包含前置条件、测试数据、操作步骤、预期断言与依据来源的结构化用例，最终经规则校验与人工确认入库。
相比市面上的纯 Prompt 对话生成，CodexQA 的优势在哪里？
纯 Prompt 对话往往缺乏工程上下文、用例格式不统一、无法去重且容易产生幻觉；CodexQA 能够结合代码知识图谱、OpenAPI 契约、历史用例库与测试覆盖率，做语义去重、可执行性校验，并直接双向同步团队现有用例管理平台。
只上传需求文档就能生成高质量用例吗？
可以生成基础功能用例，但加入接口定义、代码差异、历史缺陷记录、线上真实流量和已有用例后，AI 才能识别边界条件、跨模块调用风险与未覆盖分支。
怎样避免生成重复或不可执行的测试用例？
生成前先对已有用例库进行向量检索与语义比对；生成时要求强类型字段规范与可执行步骤检查；生成后计算增量差异并展示覆盖目标，最终通过人工一键评审入库。
生成的用例能直接变成自动化脚本吗？
稳定、前置条件清晰且断言明确的用例可一键转换为 API（REST/gRPC）或 Playwright UI 自动化脚本；复杂主观交互或高风险业务仍保留人工复核。