Инструмент ручной генерации тестовых примеров на основе LangChain
Инструмент ручной генерации тестовых примеров на основе LangChain

В процессе написания тестовых примеров инженеры по тестированию пишут тестовые примеры с помощью документов с требованиями, проектами исследований и разработок и другой информации. Выходной формат тестовых примеров часто представляет собой информацию, такую ​​​​как интеллект-карты или Excel.

В описанном выше процессе инженер по тестированию может спроектировать и вывести соответствующие тестовые точки и тестовые сценарии на основе более подробного документа с требованиями и плана НИОКР. А в сочетании с искусственным интеллектом должность, заменяемая искусственным интеллектом, — это нынешняя должность инженера-испытателя.

Практические упражнения

Описание требований

Далее весь процесс завершится небольшим практическим упражнением. Ниже приведен документ с требованиями к определенному продукту (нужно щелкнуть правой кнопкой мыши и сохранить как).

Фактическая операция, которую необходимо выполнить, — это создание карты связей на основе соответствующего документа с требованиями.

Идеи реализации
Полный код**код**
Язык кода:python
кодКоличество запусков:0
копировать
from langchain_community.document_loaders import TextLoader
from langchain_community.vectorstores.faiss import FAISS
from langchain_core.tools import tool
from langchain_openai import ChatOpenAI, OpenAIEmbeddings
from langchain.agents import AgentExecutor, create_openai_tools_agent
from langchain import hub
from plantuml import PlantUML

# Объявить модель
llm = ChatOpenAI()
# # 1. Прочтите файл.
loader = TextLoader("./Требования Document.md")
data = loader.load()
# 3. embedding
embeddings = OpenAIEmbeddings()
# # 4. векторное хранилище
vector = FAISS.from_documents(data, embeddings)
retriever = vector.as_retriever()

from langchain.tools.retriever import create_retriever_tool

retriever_tool = create_retriever_tool(
    retriever,
    "search_demand",
    "Найти документ с требованиями середина, в котором указаны требования",
)
@tool
def generate_png(uml_code, filename):
    """Введите plantumlкод, чтобы сгенерировать изображение и сохранить его в файл"""
    plantuml = PlantUML(url='https://plantuml.ceshiren.com/img/')
    image_bytes = plantuml.processes(uml_code)
    with open(f'{filename}.png', 'wb') as f:
        f.write(image_bytes)

tools = [retriever_tool, generate_png]
llm_with_tools = llm.bind_tools(tools)

prompt = hub.pull("hwchase17/openai-tools-agent")
agent = create_openai_tools_agent(llm, tools, prompt, )
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
result = agent_executor.invoke({
    "input": """Я инженер-испытатель. Мне нужно разобраться в информации о требованиях из приведенного выше документа с требованиями. Пожалуйста, помогите мне разобраться во всех требованиях."
             «Первый уровень интеллект-карты — это информация заголовка, начиная с версии 4.x документа с требованиями середина, который представляет функциональный модуль, а второй уровень — это тестовая точка функционального модуля»,
             «Пожалуйста, сначала выведите один plantuml Исходный код формата, формат исходного кода показан в коде.
            @startmindmap
            * root node
                * some first level node
                    * second level node
                    * another second level node
                * another first level node
            @endmindmap
             Затем выведите файл интеллект-карты в формате plantuml на основе информации исходного кода. Создайте файл изображения с именем файла Хогвартс добавляет любое случайное число """
})

Подвести итог

  1. Освойте использование поиска в LangChain.
  2. Освойте использование агентов в LangChain.
  3. Освойте технику преобразования документов с требованиями в тестовые примеры через LangChain.
boy illustration
Неразрушающее увеличение изображений одним щелчком мыши, чтобы сделать их более четкими артефактами искусственного интеллекта, включая руководства по установке и использованию.
boy illustration
Копикодер: этот инструмент отлично работает с Cursor, Bolt и V0! Предоставьте более качественные подсказки для разработки интерфейса (создание навигационного веб-сайта с использованием искусственного интеллекта).
boy illustration
Новый бесплатный RooCline превосходит Cline v3.1? ! Быстрее, умнее и лучше вилка Cline! (Независимое программирование AI, порог 0)
boy illustration
Разработав более 10 проектов с помощью Cursor, я собрал 10 примеров и 60 подсказок.
boy illustration
Я потратил 72 часа на изучение курсорных агентов, и вот неоспоримые факты, которыми я должен поделиться!
boy illustration
Идеальная интеграция Cursor и DeepSeek API
boy illustration
DeepSeek V3 снижает затраты на обучение больших моделей
boy illustration
Артефакт, увеличивающий количество очков: на основе улучшения характеристик препятствия малым целям Yolov8 (SEAM, MultiSEAM).
boy illustration
DeepSeek V3 раскручивался уже три дня. Сегодня я попробовал самопровозглашенную модель «ChatGPT».
boy illustration
Open Devin — инженер-программист искусственного интеллекта с открытым исходным кодом, который меньше программирует и больше создает.
boy illustration
Эксклюзивное оригинальное улучшение YOLOv8: собственная разработка SPPF | SPPF сочетается с воспринимаемой большой сверткой ядра UniRepLK, а свертка с большим ядром + без расширения улучшает восприимчивое поле
boy illustration
Популярное и подробное объяснение DeepSeek-V3: от его появления до преимуществ и сравнения с GPT-4o.
boy illustration
9 основных словесных инструкций по доработке академических работ с помощью ChatGPT, эффективных и практичных, которые стоит собрать
boy illustration
Вызовите deepseek в vscode для реализации программирования с помощью искусственного интеллекта.
boy illustration
Познакомьтесь с принципами сверточных нейронных сетей (CNN) в одной статье (суперподробно)
boy illustration
50,3 тыс. звезд! Immich: автономное решение для резервного копирования фотографий и видео, которое экономит деньги и избавляет от беспокойства.
boy illustration
Cloud Native|Практика: установка Dashbaord для K8s, графика неплохая
boy illustration
Краткий обзор статьи — использование синтетических данных при обучении больших моделей и оптимизации производительности
boy illustration
MiniPerplx: новая поисковая система искусственного интеллекта с открытым исходным кодом, спонсируемая xAI и Vercel.
boy illustration
Конструкция сервиса Synology Drive сочетает проникновение в интрасеть и синхронизацию папок заметок Obsidian в облаке.
boy illustration
Центр конфигурации————Накос
boy illustration
Начинаем с нуля при разработке в облаке Copilot: начать разработку с минимальным использованием кода стало проще
boy illustration
[Серия Docker] Docker создает мультиплатформенные образы: практика архитектуры Arm64
boy illustration
Обновление новых возможностей coze | Я использовал coze для создания апплета помощника по исправлению домашних заданий по математике
boy illustration
Советы по развертыванию Nginx: практическое создание статических веб-сайтов на облачных серверах
boy illustration
Feiniu fnos использует Docker для развертывания личного блокнота Notepad
boy illustration
Сверточная нейронная сеть VGG реализует классификацию изображений Cifar10 — практический опыт Pytorch
boy illustration
Начало работы с EdgeonePages — новым недорогим решением для хостинга веб-сайтов
boy illustration
[Зона легкого облачного игрового сервера] Управление игровыми архивами
boy illustration
Развертывание SpringCloud-проекта на базе Docker и Docker-Compose