基于需求文档、设计文档、测试用例的测试答疑助手-外链论坛

fny5jt9 发表于 2024-6-30 12:41:06

基于需求文档、设计文档、测试用例的测试答疑助手

本文将基于 LangChain 实现一个 mini 的实战案例。这次实战重点完成的任务，便是设计一个测试答疑助手，这个测试答疑助手的重点功能为基于本地的文档和数据，回答给出的自然语言问题，例如有些数据的统计，查询、组合。
示例运用数据测试用例文档设计文档需求文档实践演练
实战设计思路
<img src="//q3.itc.cn/images01/20240509/0efd91e467ea43668a3d640195808bee.jpeg" style="width: 50%; margin-bottom: 20px;">
安装依赖
安装依赖 chromadb，chromadb是一个简单快捷的向量数据库，为了减少对embedding模型的请求次数，设置数据保留的理学位置，这般多次运行代码亦不会重复请求模型转换向量:
pip install chromadbembedding：相当于一个“桥梁” —— 翻译：把照片，文字，视频以及音频所有转换为数字，并且包括了数据的信息，使得大模型都能”懂“，能利用这些数字去做训练和推理。向量：向量本身是一组数字，然则在几何上，向量的各个数字组成为了多维的数组空间，向量的每一个维度表率该空间的·一个区别的特征或属性。向量数据库：专门用于存储和管理向量数据的数据库，能对向量数据进行有效的操作。代码实现经过环境变量设置API Token，以及关联依赖的导入:# 有些LangChain的依赖导入 
from langchain.chat_models import ChatOpenAI 
from langchain.embeddings import OpenAIEmbeddings 
from langchain.text_splitter import MarkdownHeaderTextSplitter
from langchain.vectorstores import Chroma 
# 加载openai 的 API Tokenfrom utils.data_load import get_auth 
# 经过环境变量设置API Token，由于代码中的部分模型调用实例没法直接传递参数，必须经过环境变量设置的方式将token传递给自动构建的OpenAI请求
import os 
os.environ = open_ai_token
os.environ = open_ai_url
2.处理源文档，将其切片处理:
# 定义一个函数，用于加载本地文件中的文本 
def load_text_from_file(path: str) -> str: 
return open(path, encoding=utf-8).read() 
# 按照测试用例文档中的结构，定义一个MarkdownHeaderTextSplitter实例，用于将markdown文档切分为文本片段，方便后续embedding处理和向量数据库的构建
testcase_splitter = MarkdownHeaderTextSplitter(headers_to_split_on=[("##", "模块名叫作"), ("###", "用例名叫作")])
docs = testcase_splitter.split_text(load_text_from_file(path="docs/测试用例.md")) 
# 一样处理设计文档，由于设计文档中的结构与测试用例文档不一致，因此要新定义一个MarkdownHeaderTextSplitter实例
design_splitter = MarkdownHeaderTextSplitter(headers_to_split_on=[("##", "功能名叫作"), ("###", "模块名叫作")]) 
docs += design_splitter.split_text(load_text_from_file(path="docs/设计文档.md"))
# 同理，处理需求文档 
prd_splitter = MarkdownHeaderTextSplitter(headers_to_split_on=[("###", "功能名叫作")]) 
docs += prd_splitter.split_text(load_text_from_file(path="docs/需求文档.md"))
# 将切分后的文本片段输出，能够查看切分结果，和里面附带的数据信息 
for doc in docs: 
print(doc) 
3.倘若数据存在，则加载运用，倘若不存在，则写入：
persist_directory = chroma
# 读取数据
if os.path.isdir(persist_directory): 
vectordb = Chroma(persist_directory=persist_directory, embedding_function=OpenAIEmbeddings())
else: 
# 将切分后的数据，经过OpenAIEmbeddings实例，转换为向量数据，
# 并保留到向量数据库中，持久化到本地指定目录下 
vectordb = Chroma.from_documents( 
documents=docs, 
embedding=OpenAIEmbeddings(),
persist_directory=persist_directory 
4.将向量数据库中检索到的文本片段以及提示词组作为 prompt，向大模型获取返回信息:
# 设定最后提出的问题 
question = "问题：请统计出用户注册用例中，用到的所有用户名、暗码、电子邮箱数据，并将它们列成一个表格" 
# 从向量数据库中找到类似度最高的k条文本片段数据
answer_docs = vectordb.similarity_search(query=question, k=4) 
# ChatGPT3.5大模型调用实例 
llm = ChatOpenAI(temperature=0.0) 
# 将向量数据库中检索到的文本片段组装成字符串，做为输入的数据源
resource_doc = "".join() 
# 将数据源字符串和问题组装成最后请求大模型的字符串 
final_llm_text = f"{resource_doc} {question}"
# 经过大模型获取字符串的回答信息 
response = llm.call_as_llm(message=final_llm_text) 
print(f"回答结果：\n{response}")
运行结果示例
<img src="//q1.itc.cn/images01/20240509/02720dee5f6947b0b0d4f965b974fbc0.jpeg" style="width: 50%; margin-bottom: 20px;">
举荐学习
<img src="//q2.itc.cn/images01/20240509/ee0361860c1943fc817a5253f1ba6ace.png" style="width: 50%; margin-bottom: 20px;"><a style="color: black;">返回外链论坛：http://www.fok120.com/，查看更加多</a>

责任编辑：网友投稿

xuaiqiang 发表于 2024-8-21 05:00:53

哈哈、笑死我了、太搞笑了吧等。

aikangjian 发表于 2024-9-10 05:32:56

你的话深深触动了我，仿佛说出了我心里的声音。

7wu1wm0 发表于 2024-9-28 17:30:03

期待更新、坐等、迫不及待等。

j8typz 发表于 2024-10-13 16:45:15

祝福你、祝你幸福、早日实现等。

4lqedz 发表于 2024-10-24 12:21:51

你说得对，我们一起加油，未来可期。

nykek5i 发表于 2024-11-11 00:51:26

你的话语如春风拂面，让我心生暖意。

页: [1]

外链论坛's Archiver

基于需求文档、设计文档、测试用例的测试答疑助手