DeepSeek & LangChain：“模型+框架”的AI测试融合实践

什么是LangChain？

LangChain 是一个专为构建基于大语言模型（LLMs）的应用而设计的强大框架。旨在简化 LLM 的开发流程。

三大核心武器：

1.Chain（链条）：将多个AI指令像乐高积木一样拼接，构建复杂工作流（例如：需求分析→生成测试用例→执行测试→生成报告）。
2.Memory（记忆）：自动记录测试上下文，让AI像人类测试员一样"记住"历史用例和失败场景。
3.Agent（智能体）：让AI自主决策何时调用Selenium、Postman等工具，实现全流程无人值守。

用LangChain生成测试用例的应用，大家可以看之前京东团队的实践（《大厂测试人亲测：大模型自动生成测试用例，效率飙升50%！》），效果也非常不错！

为什么要将LangChain和DeepSeek组合使用？

为什么要将LangChain和DeepSeek组合使用呢？我们今天从“技术定位”和“功能互补”两个角度一起来看看：

一、技术定位关系（分层架构视角）

graph TD
    A[DeepSeek] -->|认知智能层| B(自然语言理解)
    A -->|生成层| C(测试逻辑生成)
    D[LangChain] -->|应用框架层| E(组件编排)
    D -->|工具集成层| F(外部系统对接)
    B & C --> G{协同接口}
    E & F --> G
    G --> H[智能测试应用]

关系本质：

DeepSeek是认知引擎，LangChain是应用框架，二者形成"模型能力+工程框架"的黄金组合。

二、功能互补矩阵

LangChain+DeepSeek环境部署与安装

1、基础环境准备

# 创建虚拟环境
python -m venv test-ai
source test-ai/bin/activate  # Linux/Mac
# test-ai\Scripts\activate  # Windows
# 安装核心库
pip install langchain langchain-core deepseek-api selenium pandas pytest

2、API密钥配置

import os
from getpass import getpass

os.environ["DEEPSEEK_API_KEY"] = getpass("输入DeepSeek API密钥：")

3、部署架构建议

graph TD
    A[测试需求] --> B(LangChain流程编排)
    B --> C{决策节点}
    C -->|生成类任务| D[DeepSeek模型]
    C -->|执行类任务| E[Selenium/Requests]
    D --> F[结构化输出解析]
    E --> G[测试结果收集]
    G --> H[DeepSeek分析]
    H --> I[自动优化流程]

4、系统要求

Python 3.9+ 环境
ChromeDriver匹配本地浏览器版本
至少4GB内存（处理大日志文件）
网络访问DeepSeek API权限

应用场景案例

LangChain和DeepSeek组合使用的应用场景有哪些？

1、测试用例生成实践

测试用例生成‌：利用DeepSeek生成多样化的测试数据或测试场景，然后通过LangChain的结构化处理，整合到测试框架中。

场景实现：需求→结构化测试用例

from langchain.prompts import PromptTemplate
from langchain.chains import LLMChain
from deepseek import DeepSeek

class TestCaseGenerator:
    def __init__(self):
        self.llm = DeepSeek(temperature=0.7)
        self.prompt = PromptTemplate(
            input_variables=["requirement"],
            template="""将以下需求转换为Gherkin格式测试用例：
            {requirement}
            输出格式：
            功能: [功能名称]
            场景: [场景描述]
            当[条件]
            且[条件]
            那么[结果]"""
        )
        self.chain = LLMChain(llm=self.llm, prompt=self.prompt)

    def generate(self, requirement):
        return self.chain.invoke({"requirement": requirement})['text']

# 使用示例
generator = TestCaseGenerator()
print(generator.generate("用户登录功能需验证手机号格式和验证码有效期"))

输出示例：

功能: 用户登录验证
场景: 验证手机号格式有效性
  当 用户输入手机号"1381234567"
  且 点击登录按钮
  那么 系统应提示"手机号格式不正确"

场景: 验证验证码过期处理
  当 用户输入正确验证码
  且 验证码已超过5分钟
  那么 系统应要求重新获取验证码

2、自动化测试脚本生成

自动化测试脚本‌：使用LangChain编排测试流程，调用DeepSeek生成自然语言指令，驱动自动化测试工具如Selenium。

场景实现：自然语言→Selenium脚本

from langchain.schema import HumanMessage
from selenium import webdriver

class ScriptGenerator:
    def __init__(self):
        self.llm = DeepSeek(temperature=0)
        
    def generate_script(self, instruction):
        prompt = f"""将操作指令转换为Python selenium代码：
        {instruction}
        只输出代码，使用chrome驱动"""
        response = self.llm.invoke(prompt)
        return self._sanitize_code(response.content)

    def _sanitize_code(self, text):
        return text.split("```python")[1].split("```")[0]

# 执行示例
driver = webdriver.Chrome()
gen = ScriptGenerator()
code = gen.generate_script("打开百度首页，搜索'LangChain测试'，验证结果包含'教程'")
exec(code)  # 实际生产环境应使用AST安全执行

生成代码示例：

from selenium.webdriver.common.by import By
from selenium.webdriver.common.keys import Keys

driver.get("https://www.baidu.com")
search_box = driver.find_element(By.ID, "kw")
search_box.send_keys("LangChain测试")
search_box.send_keys(Keys.RETURN)
assert "教程" in driver.find_element(By.TAG_NAME, "body").text

3、日志智能分析系统

日志分析‌：通过LangChain处理日志文件，利用DeepSeek的NLP能力提取关键错误信息，生成分析报告。

场景实现：日志文件→分析报告

import pandas as pd
from langchain.chains import TransformChain

class LogAnalyzer:
    def __init__(self):
        self.llm = DeepSeek()
        
    def analyze(self, log_path):
        logs = pd.read_csv(log_path, sep="|", names=["timestamp", "level", "message"])
        critical_logs = logs[logs["level"] == "ERROR"]
        
        analysis_chain = TransformChain(
            transform_func=self._analyze_logs,
            input_variables=["logs"],
            output_variables=["report"]
        )
        return analysis_chain.invoke({"logs": critical_logs.to_dict()})
    
    def _analyze_logs(self, inputs):
        prompt = """分析以下错误日志，找出根本原因：
        {logs}
        按以下格式输出：
        1. 主要异常类型
        2. 高频错误关键词
        3. 修复建议"""
        return {"report": self.llm.invoke(prompt.format(logs=inputs["logs"]))}

# 使用示例
analyzer = LogAnalyzer()
print(analyzer.analyze("app.log")["report"])

输出示例：

1. 主要异常类型：数据库连接超时
2. 高频关键词：ConnectionTimeout、ECONNREFUSED
3. 建议：
   - 检查数据库服务状态
   - 增加连接重试机制
   - 调整连接池配置

4、智能断言生成器

智能断言生成‌：用DeepSeek理解测试输出，生成动态断言条件，代替硬编码的断言。五、智能断言生成器

场景实现：动态断言生成

import json
from langchain.output_parsers import StructuredOutputParser

class AssertionGenerator:
    def __init__(self):
        self.llm = DeepSeek()
        self.parser = StructuredOutputParser.from_response_schemas([
            {"name": "assert_type", "type": "string"},
            {"name": "expected_value", "type": "string"},
            {"name": "condition", "type": "string"}
        ])
        
    def generate_assertion(self, response_data):
        prompt = f"""根据API响应生成验证断言：
        {json.dumps(response_data)}
        输出格式：
        {self.parser.get_format_instructions()}"""
        
        output = self.llm.invoke(prompt)
        return self.parser.parse(output.content)

# 测试示例
generator = AssertionGenerator()
print(generator.generate_assertion({
    "status": "success",
    "data": {"user_id": 123, "balance": 150.5}
}))