大家好。今天，只谈一件能让你上班就用得上、效率立刻提升的实战技能：如何利用好AI，做接口自动化测试的方式。

一、传统接口测试的3大效率瓶颈

在引入AI之前，我们每个做接口的测试工程师，或多或少都面临着三大效率瓶颈：

1. 用例设计耗时耗力：一个复杂的接口，要穷举各种正常、异常、边界值场景，往往需要半天甚至一天的时间，枯燥且容易遗漏。

2. 脚本编写重复低效：大量的request、assert、json解析代码，80%都是重复劳动，不仅占用了大量时间，还容易因代码编写错误而引入Bug。

3. 技术债越积越多：项目快速迭代，接口文档更新不及时，导致自动化脚本维护成本增高，可能会最终成为“一次性资产”。

通过实践使用ChatGPT来辅助的话，接口自动化的整体效率平均提升了差不多70%，特别是用例设计和初步脚本编写环节，能节省近90%的时间。

二、从3天到半天的转变

在此之前，我想先分享一段我的真实经历，让你直观感受AI带来的冲击。

项目背景与困境

去年的时候，我接手了一个电商项目的订单中心微服务的后端接口升级。这个项目有超过50个核心接口，业务逻辑复杂，状态流转多。之前按照传统方式，我的任务计划是：

• 第一阶段（用例设计）：根据原有的接口Api文档和PRD，为50个接口设计约800个测试用例，花费了5个工作日。

• 第二阶段（脚本编写）：使用Python + Pytest + Requests框架，将这800个用例转化为自动化脚本做回归测试，花费了8个工作日。  

 

家可以看到，整个过程不仅周期长，而且在编写测试用例的时候，我发现自己总是在“参数非空”、“格式错误”这类基础验证上花费了大量的时间，而对“多笔订单并发创建时，优惠券计算是否正确”这类深层业务逻辑的覆盖，反而自己思考得不够。

引入AI

项目提测后进行到第三天，我只完成了不到10个接口的用例编写，测试进度严重滞后。后来我就决定尝试一下用ChatGPT来辅助。我选择的第一个场景是“创建订单”这个最核心的接口。

我当时没有直接让它“写用例”，而是先投喂给它完整的、脱敏的API文档、关键的业务规则和数据校验逻辑。然后，我给它了第一个提示词：“请为上传的文档和相关内容设计一套完整的接口测试用例，覆盖功能、异常、边界和安全场景，并以表格形式输出。”

大概不到5分钟吧，它就生成了一份包含近50个测试点的用例表格，远超我花费半天的时间了。

改善效果

经过那次尝试，让我改变了原有的工作模式。到了整个项目的后期，我开始引入了AI辅助：

• 用例编写速度：从平均1小时/接口，提升到5分钟/接口。整个用例设计阶段，从原计划的5天，缩短到了半天。

• 测试覆盖率：AI补充了大量我个人容易忽略的异常场景（如特殊字符、Emoji表情、超长字符串等）。

• 缺陷发现率：在联调测试阶段，我们基于AI生成的异常用例，提前发现了3个由数据溢出和并发处理不当引发的P1级缺陷，这在以往的测试中是很难在早期发现的。

立即实践：回想一下你最近测试过的一个接口，你花了多长时间设计用例？试着把它的需求文档喂给ChatGPT，看看它需要多长时间。

三、核心问题与解决办法

当然，AI不是金枪银弹，它生成的用例和代码是并不能100%直接使用的。在实践中，总结了3个最常见的问题以及对应的解决办法。

问题1：AI生成用例不够准确，缺乏业务逻辑

具体表现：生成的用例大多是“参数级别”的，比如非空、类型、长度验证，但缺少对关键业务逻辑的验证场景。例如，它会验证订单金额不能为空，但不会验证“当用户等级为VIP时，订单金额是否自动打了9折”。

解决办法：

1. 提示词优化：提供“业务上下文”，不要只给它API文档，要把“业务规则”作为最重要的信息喂给它。

   【优化前提示词】

请为POST /orders接口写测试用例。请求体是{...}。

   【优化后提示词】

# 角色你是一名资深的电商业务测试专家。
# 任务为“创建订单”接口（POST /orders）设计一份完整、详尽的接口测试用例，符合测试专家的用例评审的严格要求。
# API定义请求体: {请求方式、请求头、请求地址...}响应体: {...}
# 核心业务规则（最重要！）1. 用户等级为VIP(level=1)时，总价(totalPrice)享受9折优惠。2. 使用优惠券(couponId)时，需验证优惠券状态是否有效。3. 每个订单最多只能购买10件商品。
# 输出要求1. 每条用例内容体现：用例名称测试目的测试内容测试步骤（输入及操作+预期结果及评价标准+实际结果）测试用例通过准则2. 页面凡涉及到点击的空间，一律用【】表示。3. 页面凡涉及到页面的表述，一律用“”表示。4. 请重点设计与核心业务规则相关的用例，并单独分组展示。
#示例模版：用例名称：简洁描述测试用例的目的。测试步骤：详细描述测试的操作步骤。实际结果：描述每条测试用例通过标准的预期。

AI返回的具体结果，在之前文章有提到，就不在这里赘述了。

Louie，公众号：Pianoboi手把手教你：用AI高效辅助编写测试用例

 

2. 迭代优化：分步骤引导AI思考不要指望一步到位。先让它生成基础用例，再针对性地追问业务逻辑。

第一轮：“先为我生成覆盖所有参数基本验证的用例。”

第二轮：“很好，现在基于以上用例，为我补充‘VIP用户下单自动打9折’这个业务规则的测试用例，需要包含正向和反向场景。”

• 质量检查清单：拿到AI生成的用例后，用下面5个标准快速检查：

  1. 是否覆盖了所有业务规则？

  2. 关键字段的边界值（最大、最小、临界）是否已测试？

  3. 核心业务流程“状态”是否都已验证？（如：用已过期的优惠券下单）

  4. 是否考虑了并发操作的场景？

  5. 负向用例的预期结果是否明确？（如：明确的错误码和错误信息）

问题2：生成的代码无法直接运行

具体表现：生成的Python/Java代码缺少依赖库、URL写死、没有配置文件，直接复制到本地IDE里一堆红线。

解决办法：

1. 环境信息补充：在提示词中明确告知你的技术栈和框架。

# 技术栈与环境- 编程语言: Python 3.9- 测试框架: Pytest- HTTP库: Requests- 项目结构: 根目录下有config.ini文件用于存放base_url。
请基于以上信息，为我生成可运行的Pytest测试代码。

       代码调试标准流程：

1. • 第一步：依赖检查。将代码粘贴到IDE后，第一件事就是检查import部分，安装所有缺失的库（pip install pytest requests）。

   • 第二步：配置分离。将代码中写死的URL、账号密码等提取到配置文件中。

   • 第三步：单步调试。运行代码，遇到第一个错误时，复制完整的错误信息，直接丢回给ChatGPT，并提问：“我的代码报了这个错，请帮我分析原因并修复它。” 90%的常见错误它都能解决。

     常见错误快速修复技巧：

   • ConnectionError：大概率是URL不对或网络不通。检查你的base_url。

   • KeyError：访问JSON字典的键不存在。让AI帮你加上安全的.get()方法或try-except块。

   • AssertionError：断言失败。这是最有价值的错误，说明你可能发现了一个Bug！

问题3：测试数据隐私安全问题

具体表现：为了让AI理解业务，直接把包含用户手机号、身份证的真实API报文发给了ChatGPT。

解决方案：

小贴士：永远，永远不要将任何生产环境的敏感数据发送给任何公共的AI模型！

1. 数据脱敏：这是最基本也是最重要的一步。

   规则替换：将"phone": "13812345678"替换为"phone": "13800000000"

   数据泛化：将"address": "北京市海淀区中关村大街1号"替换为"address": "某个模糊的地址"。

   类型描述：直接告诉AI字段的类型和规则而不是给它真实数据。"idCard": "一个18位的中国身份证号码字符串"。

2. 内网环境下的替代方案：如果你的公司安全策略极严，可以考虑部署内网私有化的大语言模型（如ChatGLM等），在保证安全的前提下享受AI带来的便利。

3. 敏感信息处理原则：只提供“结构和规则”，不提供“内容”。AI需要知道token是一个字符串，但不需要知道token的具体值。

立即实践：找一个你写过的接口测试脚本，检查一下里面有没有硬编码的敏感信息。试着用数据脱敏的方法，改写一个不包含任何真实数据的版本。

四、3个让效率再提升的技巧

当你熟练掌握了基础用法后，下面3个高级技巧，能让你真正从“使用者”转变为“掌握者”。

技巧1：用“多轮对话”把AI调教成专业人

AI使用者，基本都善于通过连续地追问，把一个泛泛的AI模型，在当前对话中“调教”成特定领域的专业人。

迭代优化流程：

1. 设定角色：你现在是一名XX领域的专家。

2. 提供知识：这是我们项目的背景和核心资料...

3. 下达任务：请完成第一个任务...

4. 反馈与修正：你做的很好，但A部分需要优化，请按照我的要求修改...

5. 深化任务：现在，基于我们刚才优化的结果，进行下一步...

【实际对话示例】

我：“你现在是一名资深的支付系统测试专家。”

AI：“好的，我已经准备好了。请问有什么可以帮您？”

我：“这是我们支付网关的API文档（...省略...）。请先为‘创建支付订单’接口生成核心的成功场景用例。”

AI：“（...生成成功用例...）”

我：“非常棒。现在，请补充‘微信支付’渠道下的异常场景，特别是要考虑网络延迟和用户中途取消支付的情况。”

通过这种方式，AI的回答会越来越聚焦，越来越深入你的业务。

技巧2：结合现有工具（Postman/ApiFox）

AI不仅能写代码，还能生成工具的配置文件，实现无缝集成。

与Postman的整合：你可以直接让AI生成Postman Collection的JSON文件。

请将我们刚才讨论的所有“订单接口”的测试用例，生成一个Postman Collection v2.1.0格式的JSON。每个用例对应一个request。请在tests脚本中断言HTTP状态码为200。

将AI返回的JSON内容保存为collection.json文件，直接导入Postman，一个包含所有请求和基础断言的测试集就创建好了！

ApiFox自动化脚本生成：ApiFox支持自定义脚本（JS），你可以让AI帮你完成。

请为ApiFox编写一段后置操作脚本（Javascript），功能是：从名为“登录接口”的响应JSON中，提取`data.token`字段，并设置为环境变量`global_token`。

复制生成的JS代码，粘贴到ApiFox的后置操作中，动态关联轻松搞定。

技巧3：建立你的个人提示词库

高效的秘诀在于“复用”。不要每次都从零开始写提示词。

1. 分类整理：将你的提示词按照任务类型进行分类，例如：

   • 用例设计-功能模板.txt

   • 用例设计-性能模板.txt

   • 代码生成-Pytest模板.txt

   • 工具集成-Postman模板.txt

2. 个性化定制：在模板中预留出“占位符”，比如【在此处粘贴API文档】，【在此处填写核心业务规则】。每次使用时，只需要做填空题，极大提升了效率。

小贴士：一个好的提示词模板，是你最宝贵的个人数字资产。

五、AI能够带给我的成长与思考

最后，我想聊聊工具之外的东西。使用AI两年多，它带给我的绝不只是效率的提升。

从“执行者”到“设计者”的思维转变

过去，我80%的时间都在做“怎么实现”的执行工作。现在，AI帮我搞定了大部分执行细节，我终于有时间去思考“测什么更有价值”、“风险在哪里”这类维度的问题。我不再是一个“脚本小子”，而更像一个“测试架构师”。

工作价值的重塑

工作产出，不再是写了多少行代码，或是执行了多少用例。而是：

• 设计的测试策略，覆盖了多少核心风险？

• 通过AI辅助分析，提前发现了多少深层次的缺陷？

• 构建的这套“AI+自动化”流程，为团队节省了多少人力成本？

这，才是我们在AI时代不可替代的核心价值。

学习效率的提高

当需要测试一个我不熟悉的领域（比如GraphQL或gRPC接口）时，我不再需要花几天时间去啃文档。我的第一步是问AI：“请向一个有经验的测试工程师，解释GraphQL测试的核心要点，并给我一个使用Python测试它的最小可用示例。”

AI成为了我强大的学习引擎，让我进入任何一个新领域的速度都加快了不少。

拥抱AI，不是为了偷懒，而是为了让我们站得更高，看得更远。它将我们从重复的、低价值的劳动中解放出来，让我们能聚焦于创造、思考和架构，最终实现个人价值的跃迁。

希望今天的分享，能成为你开启AI辅助测试大门的那把钥匙。现在就去试试吧！

想了解更多AI干货，欢迎大家关注公众号：Pianoboi

#接口测试 #接口自动化 #AI接口测试 #AI #ChatGPT