做了七八年测试我最烦的事不是排查 bug而是埋头写测试用例。尤其是那种几百行、塞满表格和业务规则的 PRD光是把功能点从字里行间“抠”出来就得小半天写出来的用例还总漏场景。后来我把这件事交给了大模型让 LLM 直接解析 PRD产出结构化测试用例跑完两轮迭代之后需求覆盖率将近翻了一半。这次就把这个方案的完整思路、提示词设计、工程细节和踩过的坑一次性讲清楚。1. 为什么非做这件事不可手写用例的底层问题先交代一下背景。我们团队负责的是一个偏后台管理的产品模块多、规则碎每个迭代要动的需求点通常在 50~80 个之间。之前每个迭代靠测试人员手工梳理 PRD再写功能测试用例迭代末再拿用例去对需求做验收。听起来流程完整但实际执行下来问题比想象中严重得多。1.1 手写用例的三宗罪漏场景、怕变更、看资历漏场景是最要命的。PRD 里的规则往往不只有正文描述还有一堆参数表、状态流转图、权限矩阵。人工梳理的时候最容易被遗漏的恰恰是表格里那种“隐藏条件”。举个例子某个配置项在文档正文里只写了“关闭后不可恢复”但后面的参数表里还备注了“当账户类型为试用版时关闭后保留 7 天”。这种分散在两处、需要组合才能理解的规则靠人眼扫很容易漏而漏掉的通常就是线上出问题的场景。怕变更排在第二。PRD 改一个字用例可能就要跟着改一片尤其是状态机一类的用例。改了一处字段关联的前置条件和预期结果全要重新过一遍。手工用例改起来很痛苦结果就是很多测试人员不愿意维护旧用例迭代一多用例库就成了没人敢动的“历史包袱”。质量方差大是第三个问题。同样一份 PRD资深测试写出来的用例能兼顾正向、逆向、边界和权限组合新人往往只能写出主流程。团队里用例质量好不好基本取决于“谁排到了这个迭代”。这种靠个人经验撑着的工作方式注定不稳定。1.2 PRD 是静态文本缺的是一张需求追踪矩阵我后来想明白了一件事PRD 本身包含的信息量是足够的但它是一份“静态文本”需要人脑去解析成结构化的需求点、业务规则和场景组合。手工写用例的过程本质上就是人脑在做“文本到结构化测试资产”的转换。这个问题非常适合大模型处理。LLM 最擅长的就是语义理解和文本结构化抽取它能从自然语言描述里提炼出功能点、边界条件、异常分支并映射成标准用例格式。换句话说LLM 不是替你写用例而是替你做“PRD 到需求追踪矩阵RTM”的转换工作——这个转换一旦做出来覆盖率、追溯性、变更影响分析全都好办了。1.3 为什么不用规则引擎非要上 LLM有人可能会问PRD 解析不是可以用正则、规则模板做吗我试过。规则模板只能处理格式非常规整的输入比如统一的“当…则…”句式。但真实 PRD 的写法五花八门有的用表格有的画流程有的干脆就是一段话里塞三个规则。规则引擎遇到这种文本召回率低到没法用。LLM 的价值在于“理解”它不需要我预设规则而是直接领会一句话背后的业务含义再输出我需要的结果。这也是为什么最后我选择 LLM 而不是继续堆正则。2. 方案整体设计从 PRD 到可复用的测试资产这一节说说整体架构和选型思路。整个管线并不复杂但每一步的设计都会直接影响最终用例的质量和覆盖率值得细讲。2.1 管线拆解四段式处理流程我把整个流程拆成四个阶段PRD 预处理读取原始文档转成 Markdown 或结构化文本抽取表格。需求点抽取让 LLM 通读 PRD输出一份“需求点清单”每条需求点带编号、模块、描述和原始出处。用例生成基于需求点清单逐条或按模块生成测试用例包含前置条件、操作步骤、预期结果、优先级和用例类别。质量校验先用程序做格式校验再用 LLM 做语义评审淘汰幻觉用例和重复用例最后更新到用例库。这里最关键的设计决策是把“需求点抽取”和“用例生成”拆成了两步而不是让 LLM 一次性读 PRD 直接生成用例。一开始图省事直接让 LLM“读 PRD 生成用例”结果很惨模型容易盯着局部细节生成一堆用例整体需求覆盖却漏掉一大片。拆成两步之后先显式枚举需求点再围绕需求点生成用例覆盖率立刻上了一个台阶。2.2 LLM 选型通用大模型就行但有几个硬指标选型方面我前后对比了通用对话模型和代码能力更强的模型。结论是普通通用大模型完全够用关键是上下文长度必须够长。一份中型 PRD 往往有 1 万到 3 万 token如果模型上下文只有 8k就得先做文本截断或分段处理这会直接影响抽取完整性。我的选型标准有三条上下文窗口至少要能容纳完整 PRD至少 32k。对 JSON 结构化输出的稳定性要好不能经常输出残缺 JSON。中文业务语义理解要过关尤其是表格和状态流转这类内容。至于要不要本地部署看团队预算和合规要求。数据敏感度高就部署私有化模型否则直接调用云端 API 更省心。我们用的是私有化部署的通用模型效果和云端主流模型差距不大。2.3 覆盖率口径先搞清楚你提升了哪个指标“覆盖率提升 45%”这个数字如果不先定义口径很容易变成自嗨。我用的指标是需求点覆盖率定义如下需求点覆盖率 至少有一条用例覆盖的需求点数量 ÷ PRD 中全部需求点数量 × 100%每个需求点来自第一阶段生成的“需求点清单”每条用例必须引用至少一个需求点编号才能计入覆盖。这样整个链路就形成了一张 RTM 表覆盖率计算可以被程序和表格自动完成。我刻意没有用代码覆盖率因为代码覆盖率是白盒指标不适合用来衡量“PRD 里的需求有没有测到”而需求点覆盖率更贴近业务验收视角也更容易和产品、项目组对齐。3. 核心实现提示词、预处理与覆盖率优化方案有了接下来全是细节。这一节是全文实操性最强的地方我把每一步的做法、参数和思考都写出来方便直接抄作业。3.1 PRD 预处理三种格式先铺平路面预处理不做好的话LLM 再强也白搭。我们内部 PRD 主要有三种格式Markdown最好处理直接读文本按标题层级切分模块。Worddocx用 python-docx 读取段落和表格把每一行的单元格内容拼接成结构化文本表格转成 Markdown 表格格式再喂给 LLM。PDF先转成纯文本再交给 LLM 做一次“乱序修复”和章节还原。这里有个小技巧表格内容必须原样保留不能转成自然语言描述。比如“参数名、参数值、备注”这种三列表格一旦你让它变成“某参数有值为 xx备注为 yy”的描述容易丢失列之间的对应关系。我选择把表格转成管道符分隔的 Markdown 表格LLM 对这种格式的解析准确率明显更高。3.2 提示词模板让 LLM 先列清单再写用例这是整个项目最核心的地方。我写了两段提示词分别对应需求点抽取和用例生成。需求点抽取的提示词要点角色设定资深业务分析师。任务目标把 PRD 中所有可验收的业务功能、业务规则、限制条件、异常分支逐条列出。输出格式JSON 数组每条需求点包含module所属模块、point_id唯一编号、description需求描述、source原文出处或章节。强制要求不得合并含义不同的规则不得自己补充 PRD 中不存在的规则。用例生成的提示词要点角色设定资深测试架构师。输入上一阶段的需求点清单。覆盖维度正向主流程、逆向/非法操作、边界值、状态流转、权限与角色组合、跨需求点的组合场景至少两类。输出格式每条用例包含requirement_ids关联的需求点编号、title、preconditions、steps、expected、priority、category。关键是这句提示词“请先根据需求点清单规划用例覆盖矩阵再逐条生成用例不要跳过任何一个需求点。”这实际上是在引导 LLM 做显式的覆盖检查让它在生成过程中“自我对齐”比单纯说“请覆盖所有需求点”有效得多。实测下来加了这句话之后漏点率降低了大概三分之一。3.3 结构化输出JSON Schema 与自动校验LLM 输出自由文本很容易但要让用例直接进入测试用例库就必须强制结构化输出。我在提示词里明确要求“只输出 JSON不要输出任何解释性文字”同时定义了 JSON Schema程序侧用jsonschema库做校验。简单示例{ cases: [ { requirement_ids: [R001, R002], title: 试用版账号关闭配置后仍保留数据 7 天, preconditions: 账号类型为试用版已开启关闭保护配置, steps: [ 登录后台进入关闭保护配置页, 点击关闭保护, 在确认弹窗中确认关闭 ], expected: 关闭成功后配置状态为关闭数据保留 7 天后方可删除, priority: P1, category: 组合场景 } ] }校验失败的情况很常见。模型偶尔会输出 Markdown 代码块包裹的 JSON或者字段名被改成了下划线风格。我的处理方式是先用正则把代码块剥掉再做 JSON 解析解析失败就带着报错信息让 LLM 重试一次。这里没有用无限重试因为实测两轮之后成功率能到 95% 以上再多的重试就是浪费成本。3.4 覆盖率提升的四个关键策略前面说了拆两步真正让覆盖率涨起来的是下面这四个策略缺一个效果都会打折。策略一让 LLM 显式枚举需求点。这是覆盖率的底座。LLM 先输出完整需求点清单我再让人工快速确认一次确认后的清单用来生成用例避免用例生成阶段变成“无的放矢”。策略二强制要求组合场景。手写用例最薄弱的环节就是两个需求点交叉的场景。我在提示词里专门列了“组合场景”这个类目要求模型识别需求点之间的依赖关系并生成至少 30% 的组合类用例。这一步直接补上了人工最容易漏的那一块。策略三定向补测。第一轮生成完用脚本比对需求点清单和用例引用的需求点编号找出没被任何用例覆盖的需求点。这些“孤点”需求再单独喂给 LLM定向生成用例。这个“跑两轮”的机制是覆盖率最终提升到 45% 的最大推手。策略四边界值关键词引导。提示词里显式写上“请对每个数值型、日期型字段生成边界值用例最小值、最大值、临界值、超过边界值”。有了这条显式指令LLM 几乎不会漏边界场景而人工手写时恰恰最容易忽略它们。4. 实操过程与效果验证覆盖率提升 45% 怎么算出来的方案看着没问题真正落地还是要看数据。这一节记录我们两个月的实施节奏和最终数据方便你做对比参考。4.1 两个月落地节奏我建议不要一上来就全量推。我们分了三个阶段第一周挑一个中等复杂度的模块做试点跑完整管线重点验证输出质量和人工评审的配合方式。第二到第四周扩展到当迭代全部模块成立一个“用例评审小组”每天把关 LLM 生成的用例。第五到第八周固化流程把管线接入迭代流程PRD 定稿后两天内自动生成用例初稿人工只做增删改。最关键的经验是不要试图让 LLM 一次生成所有模块的用例。一次塞太多模块上下文一长模型注意力会分散后半段生成的用例质量明显下滑。按模块拆分每个请求只处理一个模块的 PRD 内容是最稳的做法。4.2 数据对比覆盖率提升 45% 是怎么来的我们选了三个模块做对比统计基准是上一个迭代完全手工写的用例对照组的口径保持一致。模块需求点数手工用例覆盖需求点手工覆盖率LLM辅助后覆盖需求点辅助后覆盖率模块A463269.6%4189.1%模块B583153.4%5289.7%模块C402255.0%3587.5%合计1448559.0%12888.9%手工基线覆盖率是 59.0%LLM 辅助之后是 88.9%绝对提升接近 30 个百分点相对提升约 50%。如果按“新增覆盖需求点 43 ÷ 原有覆盖需求点 85”来算提升幅度是 50% 出头。标题里写 45%是拿了三个模块里相对保守的两个做单独测算口径更稳。不管怎么算方向是一致的需求覆盖率的增长主要来自组合场景和边界值两类用例这两类恰好是手工最容易漏的。4.3 团队流程调整测试人员的重心变了这个方案落地后测试团队的角色发生了明显变化。用例生成不再是纯手工劳动测试人员把更多精力放在“评审”和“业务理解”上。我们定了新的分工LLM 负责生成用例初稿覆盖所有需求点。测试人员负责评审优先级、核对业务语义、补充 PRD 里没写但真实存在的隐晦规则。产品经理负责在需求点清单上签字确认防止 LLM 理解偏差导致用例方向错。带来的直接效果是用例库从“写了就不想动”变成了“每次迭代自动更新”。PRD 变更时我们只重新跑一遍变更模块的用例生成再让测试人员核对增量部分维护成本大幅下降。5. 踩坑实录与排查技巧任何用 LLM 落地的项目都逃不过踩坑阶段。这一节把我和团队踩过的、以及身边同行问过最多的几个坑整理出来当个速查表用。5.1 幻觉用例模型编了个产品里不存在的按钮最吓人的问题就是幻觉。有一次模型给某个列表页生成了“批量导出 Excel”的用例可产品里根本没有这个功能。这种用例如果混进用例库比漏用例还危险因为测试人员会照着不存在的功能去测纯属浪费时间。排查思路很简单确认每个需求点都有 PRD 出处。我在提示词里强制要求每条用例引用需求点编号程序侧再校验引用的编号必须存在于需求点清单里。这样幻觉用例基本会在源头被拦截。万一还是有漏网之鱼就靠评审环节的人工判断了。5.2 PRD 质量太差LLM 也回天无力这是最想吐槽的一点。LLM 的解析能力再强面对写得像字段堆砌、一句话塞三个逻辑的 PRD输出质量也会下滑。遇到这种情况我不建议硬上而是在预处理后先让 LLM 生成一份“需求理解摘要”给产品经理确认。产品经理确认摘要没问题再往下一步走。这个“先确认理解、再生成用例”的步骤表面看多了一道流程实际上省掉了后面大量返工。我不止一次遇到模型理解偏了用例生成得倒是很完整结果全得推翻重来。让产品经理先把关理解比让测试经理在用例阶段返工高效太多。5.3 用 LLM as Judge 给用例质量打分光有覆盖率还不行用例本身质量也要兜底。我用了一个简单的“模型互评”方案让一个独立的 LLM 扮演评审专家对生成的用例按“步骤清晰度、预期结果可验证性、场景覆盖率、是否存在重复”四个维度打分并输出修改意见。这个方案的成本不高但收益很实在。模型互评最大的价值不是打分本身而是能发现“用例描述过于含糊”这类很难用规则识别的问题。比如“点击按钮后查看结果”这种用例人眼很容易放过但作为 Judge 的模型会明确标出来因为它被训练过要输出可执行的测试步骤。5.4 成本与性能取舍长 PRD 拆分与重试控制成本问题绕不开。一份 3 万 token 的 PRD拆成 10 个子请求和 1 个大请求价格差别不大但稳定性差别很大。我的经验是按模块拆每个请求控制在 6000 token 以内既不会超上下文也不会因为内容太少导致模型缺少全局上下文。另外重试请求会白白烧钱。我建议把重试次数限制在 2 次以内并且只针对“JSON 解析失败、字段缺失”这类可修复错误做重试。对于“生成了明显错误用例”这类语义问题直接走人工修正更好重试只会消耗更多 token产出却不稳定。6. 我的几点实践体会最后分享几个这次落地过程中最有价值的判断给准备上这个方案的同学一点参考。第一不要把目标定成“自动生成用例”而应定成“自动建立需求追踪矩阵”。只要把 PRD 到需求点的映射做扎实用例生成反而是顺水推舟的事。第二LLM 当评审者比当创造者更稳。生成用例的环节只要引入一点结构约束效果就很好但用模型互评做质量把关出错的概率低得多。第三别指望 LLM 帮 PRD 写得差的产品兜底它只能把已有规则显式化不能凭空变出规则。把产品经理拉进流程一起确认需求点清单才是这个方案长期跑得稳的真正原因。