三层智能体架构

在企业环境中，测试用例生成不是“写几条文本”的问题，而是：

• 如何精确读取数据库需求
• 如何稳定生成结构化用例
• 如何保证结果可控
• 如何嵌入现有系统
• 如何控制生产风险

目录

1. 问题定义：企业真正要解决什么
2. 为什么纯 RAG 不可持续
3. 三层智能体架构设计
4. 数据访问层：SQL Agent 实现（含代码）
5. 规则生成层：Case Agent 实现（含代码 ）
6. 约束校验层：结果控制机制
7. 与现有系统的集成方式
8. 什么时候不适合使用智能体
9. 生产环境风险控制
10. 测试工程师能力演进趋势

一、问题定义：企业真正要解决什么

典型企业场景：

• 需求沉淀在关系型数据库
• 需求数量大、更新频繁
• 测试用例需结构化输出
• 需要自动入库
• 不希望重构现有系统

本质问题是：

构建一条自动读取 → 自动生成 → 自动校验 → 自动入库的稳定链路。

二、为什么纯 RAG 不可持续

常见做法：

• 文档向量化
• RAG 召回
• 直接生成用例

现实问题：

1. 文档是模糊数据
2. 每次生成结果不同
3. 难以保证覆盖率
4. 无法精确字段过滤

数据库中的数据是精确数据。

所以架构必须围绕数据库设计，而不是围绕文档设计。

三、三层智能体架构设计

系统拆分为三层：

1. 数据访问层（SQL Agent）
2. 规则生成层（Case Agent）
3. 约束校验层（Validator）

整体架构：

三层职责：

• 第一层保证数据精确
• 第二层负责生成逻辑
• 第三层控制风险

四、数据访问层：SQL Agent 实现

1. 定义结构化返回模型

from pydantic import BaseModel
from typing import List, Any

class SQLResult(BaseModel):
    sql: str
    explanation: str
    data: List[Any]

设计原则：

• 强制结构化输出
• 禁止自由文本

2. 构建 SQL Agent

@agent(
    model=deepseek_model,
    result_type=SQLResult,
    dependencies=[db_connection]
)
def sql_agent(user_query: str):

    return f"""
    根据以下数据库结构生成查询SQL。
    
    数据库结构：
    {schema_info}

    用户请求：
    {user_query}

    返回：
    - SQL语句
    - SQL解释
    - 查询结果
    """

3. SQL 校验机制

@result_validator(sql_agent)
def validate_sql(result: SQLResult):

    forbidden = ["delete", "update", "insert", "drop"]

    for word in forbidden:
        if word in result.sql.lower():
            raise ValueError("禁止写操作")

    if result.data is None:
        raise ValueError("查询结果为空")

    return result

执行流程：

五、规则生成层：Case Agent 实现

1. 定义用例结构

class TestCase(BaseModel):
    title: str
    steps: List[str]
    expected: str

class CaseResult(BaseModel):
    cases: List[TestCase]

2. 构建 Case Agent

@agent(
    model=deepseek_model,
    result_type=CaseResult
)
def case_agent(requirements: list):

    return f"""
    根据以下需求生成测试用例。

    规则：
    1. 输出JSON
    2. 包含正常流程与边界场景
    3. 每条用例包含title, steps, expected
    4. 不生成无关内容

    需求：
    {requirements}
    """

3. 用例生成图

这张图体现：

• 智能体协作
• 数据流向
• 可替换结构

六、约束校验层

@result_validator(case_agent)
def validate_case(result: CaseResult):

    if len(result.cases) == 0:
        raise ValueError("未生成测试用例")

    for case in result.cases:
        if not case.steps:
            raise ValueError("步骤不能为空")
        if not case.expected:
            raise ValueError("预期不能为空")

    return result

校验层作用：

• 防止格式错误
• 防止空输出
• 保证结构完整

七、与现有系统集成方式

推荐方式：

• 封装 REST API
• 输入需求ID
• 返回 JSON
• 原系统入库

无需重构数据库。

八、什么时候不适合使用智能体

不建议使用场景：

• 需求数量极少
• 业务逻辑简单
• 已有稳定自动化规则

智能体适合：

• 需求规模大
• 规则复杂
• 更新频繁
• 需要批量生成

九、生产环境风险控制

必须增加：

• 数据库只读权限
• SQL 白名单
• JSON Schema 校验
• 敏感数据脱敏
• 日志隔离
• 批量限流

智能体不是风险来源。 缺乏约束才是。

十、测试工程师能力演进趋势

未来测试工程师的核心能力：

• 数据结构理解
• 智能体设计能力
• 校验机制构建能力
• 架构思维

真正的竞争力不是写多少脚本。

而是：

是否能设计一个可控、可扩展、可验证的智能体系统。