当产品经理甩过来一份50页的需求文档，要求”这周把测试用例写完”时，你会怎么做？手动复制粘贴到Excel？还是让AI直接读图生成用例？

随着AI技术的普及，OCR（光学字符识别）与LLM（大语言模型）的结合，彻底打破了“手写用例”的效率瓶颈。今天给大家分享一套可落地的《自动生成用例：基于OCR+ LLM的设计方案》，从背景、痛点、架构、关键设计到落地建议，帮你快速实现用例自动生成，解放双手。

💡 文章篇符较长，建议先点赞收藏，慢慢看

测试用例编写是软件测试中最”体力活”的环节。据统计，一个中等复杂度的需求，测试工程师平均需要花费：

传统AI方案的局限：

早期的”AI生成用例”大多基于纯文本输入，比如把需求文档的Word/PDF文字提取出来喂给ChatGPT、DeepSeek。但现实中，大量关键信息藏在图片里——产品原型图、流程图、手绘草图、甚至Excel截图。

我们曾遇到过一个案例：某金融系统的”转账限额规则”只存在于一张复杂的Excel配置表截图中，文字提取工具完全失效，测试工程师只能肉眼识别37个单元格，手动编写142条用例，耗时2天。

这就是OCR+LLM方案的出发点：让AI不仅能”读文字”，还能”看懂图”。

利用OCR与LLM的结合：

• OCR负责“读懂”设计稿/原型图中的视觉元素（按钮、输入框、弹窗等），
• LLM负责“理解”产品逻辑、补齐测试场景、生成标准化用例。两者协同，实现“输入设计稿，输出可评审用例”的闭环。

除此之外，随着产品迭代速度加快，每次需求变更都需要重新修改、补充用例，传统手写方式无法适配敏捷开发的节奏，而自动生成方案可快速响应需求变更，大幅提升测试效率，让测试工程师将精力聚焦在核心场景优化、缺陷排查上，而非重复的用例编写工作。

这个方案设计初衷主要为了解决三类场景：

产品经理给的是Axure/墨刀导出的PNG，包含页面元素、交互说明、业务规则。传统方式需要测试工程师对着图一条条写，现在让AI直接看图生成。

复杂的业务状态流转（如订单从”待支付”到”已完成”的7个状态），流程图里画得很清楚，但文字提取会丢失箭头逻辑。OCR需要识别节点和连接关系。

权限矩阵、费率表、风控规则等，往往以Excel截图或表格图片形式存在。需要识别行列关系，并应用组合测试/正交试验法生成用例。

核心目标：

• 输入：任意格式的需求载体（PDF、图片、Word混排）
• 处理：结构化提取业务规则、页面元素、流程节点
• 输出：符合团队规范的测试用例（Excel/XMind/TestRail格式）

整体架构分为感知层→认知层→生成层，模拟人类测试工程师”看→懂→写”的过程：

┌─────────────────────────────────────────────────────────┐ │ 输入层 │ │ ┌─────────┐ ┌─────────┐ ┌─────────┐ ┌─────────┐ │ │ │ PDF │ │ 图片 │ │ Word │ │ 原型链接 │ │ │ │ 文档 │ │ (PNG/JPG)│ │ 文档 │ │ (可选) │ │ │ └────┬────┘ └────┬────┘ └────┬────┘ └────┬────┘ │ └───────┼────────────┼────────────┼────────────┼────────┘

 │ │ │ │ └────────────┴────────────┘ │ │ │ ▼ │ 

┌──────────────────────────────────────────────┴─────────┐ │ 感知层 (OCR Engine) │ │ ┌─────────────┐ ┌─────────────┐ ┌─────────────────┐ │ │ │ 通用OCR │ │ 表格OCR │ │ 版面分析 │ │ │ │ (PaddleOCR/ │ │ (TableMaster│ │ (LayoutParser │ │ │ │ Azure AI) │ │ /Structurize)│ │ /DocLayout-YOLO)│ │ │ └─────────────┘ └─────────────┘ └─────────────────┘ │ │ │ │ │ ▼ │ │ ┌─────────────────────────────────────────────────────┐ │ │ │ 结构化文本 + 坐标信息 │ │ │ │ {text: “用户名”, bbox: [x1,y1,x2,y2], type: “input”}│ │ │ └─────────────────────────────────────────────────────┘ │ └─────────────────────────────────────────────────────────┘

 │ ▼ 

┌─────────────────────────────────────────────────────────┐ │ 认知层 (LLM Engine) │ │ ┌─────────────┐ ┌─────────────┐ ┌─────────────────┐ │ │ │ 多模态 │ │ 提示工程 │ │ 知识注入 │ │ │ │ 理解 (GPT-4V│ │ (Few-shot │ │ (RAG检索业务 │ │ │ │ /Claude/Qwen│ │ CoT) │ │ 术语库) │ │ │ │ -VL) │ │ │ │ │ │ │ └─────────────┘ └─────────────┘ └─────────────────┘ │ │ │ │ │ ▼ │ │ ┌─────────────────────────────────────────────────────┐ │ │ │ 测试实体识别：页面元素、业务规则、状态流转、边界值 │ │ │ │ 关系抽取：点击关系、依赖关系、前置条件、后置结果 │ │ │ └─────────────────────────────────────────────────────┘ │ └─────────────────────────────────────────────────────────┘

 │ ▼ 

┌─────────────────────────────────────────────────────────┐ │ 生成层 (Case Builder) │ │ ┌─────────────┐ ┌─────────────┐ ┌─────────────────┐ │ │ │ 用例模板 │ │ 组合策略 │ │ 格式导出 │ │ │ │ 引擎 │ │ (Pairwise/ │ │ (Excel/XMind/ │ │ │ │ │ │ 正交/全排列) │ │ TestRail API) │ │ │ └─────────────┘ └─────────────┘ └─────────────────┘ │ │ │ │ │ ▼ │ │ ┌─────────────────────────────────────────────────────┐ │ │ │ 标准测试用例：ID、标题、前置条件、步骤、预期结果、 │ │ │ │ 优先级、类型（功能/异常/边界）、关联需求 │ │ │ └─────────────────────────────────────────────────────┘ │ └─────────────────────────────────────────────────────────┘

但从交互角度来说，可细分为五层: 输入层 → 预处理层 → OCR识别层 → LLM推理层 → 输出层

支持多种输入格式，覆盖日常工作中常见的设计文件类型，无需转换格式，降低使用门槛：

• 原型图：Axure、Figma导出的图片（PNG/JPG）、PDF文件；
• UI设计稿：PS、Sketch导出的图片、切图文件；
• 需求文档：包含页面截图的Word、PDF需求稿。

原始设计文件可能存在模糊、倾斜、水印、多页面等问题，影响OCR识别准确率，预处理层主要做3件事：

• 图像优化：去水印、去噪点、调整亮度对比度，确保元素清晰；
• 倾斜校正：自动校正倾斜的设计图，避免文字、元素识别偏差；
• 分页拆分：对多页面PDF、长图进行拆分，逐页识别，避免遗漏页面元素。

这一层是“读懂设计稿”的核心，采用成熟的OCR模型（如PaddleOCR、Tesseract，可根据需求选择），重点提取3类信息，为LLM生成用例提供基础：

• 元素信息：识别页面中的输入框、按钮、下拉框、弹窗、文本标签等，标注元素名称（如“手机号输入框”“登录按钮”）；
• 元素属性：提取输入框的长度限制、默认提示文本，按钮的状态（可点击/不可点击），下拉框的选项等；
• 页面结构：识别页面的模块划分（如“登录模块”“注册模块”）、元素的位置关系，梳理页面交互逻辑。

补充：OCR识别后，会生成一份“元素清单”，包含所有提取的信息，便于后续LLM调用，同时支持人工手动修正识别错误，提升准确率。

这一层是“生成用例”的核心，也是方案的灵魂。我们选用适配中文场景、推理速度快的LLM模型（如Claude、通义千问、讯飞星火，可根据团队成本、隐私需求选择），核心工作流程如下：

1. Prompt工程：将OCR提取的“元素清单”，结合测试用例生成规则（如覆盖正常/异常/边界场景、统一输出格式），组装成Prompt，传递给LLM；
2. 逻辑推理：LLM结合Prompt，理解页面交互逻辑，自动补齐各类测试场景，比如输入框的格式校验（手机号、邮箱）、按钮的重复点击、验证码的过期校验等；
3. 格式标准化：按照“模块 | 用例标题 | 前置条件 | 操作步骤 | 预期结果”的格式，生成标准化用例，确保可直接用于评审、执行。

支持多种输出格式，适配不同团队的使用习惯，同时支持人工优化：

• 文档格式：Word、Excel、PDF，可直接用于评审；
• 测试工具格式：导出为JIRA、TestRail等测试管理工具可导入的格式，直接落地执行；
• 编辑界面：提供简单的在线编辑界面，可手动修改、补充用例，优化场景覆盖。

OCR识别准确率直接影响LLM生成用例的质量，若识别错误（如把“验证码输入框”识别成“密码输入框”），会导致用例生成偏差。

建议采用组合策略：

另外，还可以通过3个优化手段，将识别准确率提升至95%以上：

• 模型选型：优先选用中文识别效果好的模型，比如PaddleOCR（开源免费，中文识别准确率高），针对设计稿场景，可微调模型参数，提升元素识别精度；
• 人工校正：OCR识别后，提供简单的校正界面，测试工程师可快速修正识别错误的元素名称、属性，耗时不超过1-2分钟；
• 关键词匹配：预设常用测试元素关键词（如“验证码”“登录”“注册”“提交”），当OCR识别到相关关键词时，自动关联对应元素属性，减少识别偏差。

这是架构设计的核心抉择。我们对比了两种路线：

路线A：端到端多模态（GPT-4V/Claude 3/Qwen-VL）

• 优点：直接输入图片，省去OCR环节，理解更整体
• 缺点：成本高（GPT-4V约$0.00765/图），对表格细节容易

路线B：OCR提取结构化文本 + 文本LLM（GPT-4/Claude 3.5/Qwen-Max）

• 优点：成本低（文本模型便宜一个数量级），表格数据准确
• 缺点：丢失视觉信息（如红色警告框、禁用状态样式）

建议的混合策略：

if 内容以文字/表格为主:

使用路线B（OCR+文本LLM），成本低且准确 

elif 内容包含复杂交互/视觉状态（如原型图）:

使用路线A（多模态），保留视觉上下文 

else:

双路并行，投票机制决定最终输出

LLM生成用例的质量，完全依赖Prompt的设计。我们设计的Prompt包含3个核心部分，确保用例覆盖全面、格式标准：

• 角色定义：明确LLM的身份——“资深测试工程师，擅长生成可评审、可落地的功能测试用例，熟悉各类场景的测试要点”；
• 需求约束：明确用例覆盖范围（正常场景、异常场景、边界场景、格式校验、验证码、第三方登录、重复提交等），以及输出格式；
• 基础信息：传入OCR提取的“元素清单”，让LLM明确页面结构、元素属性，避免生成与页面无关的用例。

这是生成高质量用例的关键，也是让LLM像测试工程师一样思考的关键，我们通过三层提示工程实现：

第一层：角色与思维链（CoT）

你是一位有10年经验的资深测试工程师，擅长从需求文档中提取测试点。 

第二层：Few-shot示例

在提示词中嵌入2-3个高质量用例示例，教会LLM团队的书写规范：

示例1： 输入：登录页面（用户名输入框、密码输入框、登录按钮） 输出： [ {“test_point”: “用户名输入-正常输入”, “category”: “功能”, “priority”: “P0”}, {“test_point”: “用户名输入-特殊字符”, “category”: “异常”, “priority”: “P1”}, {“test_point”: “密码输入-掩码显示”, “category”: “安全”, “priority”: “P0”} ]

第三层：RAG知识注入

通过检索增强生成（RAG），注入业务领域知识。比如金融系统需要知道”大额交易需二次确认”是监管要求，电商系统需要知道”库存扣减”的并发处理逻辑。

# 伪代码：RAG检索 business_context = vector_db.search(query=“转账限额”, top_k=3) prompt = f”基于以下业务规则：{business_context}，生成测试用例…”

为了避免LLM遗漏关键场景，我们预设了“场景模板库”，包含10+类高频测试场景，LLM生成用例时，会自动匹配模板，补齐场景：

• 格式校验场景：手机号、邮箱、密码、验证码的格式、长度、特殊字符校验；
• 异常交互场景：重复提交、弱网超时、接口异常返回、元素不可点击时的操作；
• 权限场景：未登录态访问、游客态操作、权限越权；
• 关联场景：第三方登录绑定、解绑、重复绑定，验证码过期、错误次数锁定。

同时，支持团队自定义场景模板，比如针对特定产品的专属场景（如支付场景的金额校验），可添加到模板库，提升用例的针对性。

当配置表有10个维度，每个维度3个取值时，全排列是3^10=59049条用例，不可接受。

建议采用的组合策略：

示例：一个”用户等级+支付方式+优惠券”的组合场景，Pairwise可将用例从120条压缩到12条，覆盖所有两两组合。

LLM生成用例后，需经过自动校验+人工抽检，确保用例可评审、可落地，避免出现“步骤缺失、预期结果不明确”的问题：

• 自动校验：校验用例格式是否标准、步骤是否完整、预期结果是否明确，若存在问题，自动返回LLM重新生成；
• 人工抽检：测试工程师抽取10%-20%的用例，检查场景覆盖是否全面、是否符合产品逻辑，若有遗漏，可手动补充或让LLM重新优化。

这套方案无需复杂的底层开发，可基于现有工具快速落地，适合个人、小团队、中大型团队，以下是具体落地建议，帮你降低落地成本，快速见成效。

无需搭建复杂的服务器，优先选用开源工具+成熟LLM API，降低开发、维护成本：

• OCR选型：个人/小团队用PaddleOCR（开源免费，中文识别准，支持本地部署）；中大型团队可选用阿里云OCR、腾讯云OCR（API调用，稳定性高，按需付费）；
• LLM选型：优先选用API调用模式（无需本地部署），比如Claude API、通义千问API（推理速度快，中文适配好）；若有隐私需求，可选用本地部署的模型（如Llama 2、通义千问本地化版本）；
• 开发工具：用Python快速开发（核心代码不超过500行），调用OCR和LLM的API，组装流程，无需前端开发，可直接用命令行或简单的Web界面（如Streamlit）交互。

技术栈参考

1. 第一阶段：完成选型，搭建基础环境，调用OCR API，实现设计稿元素提取，生成元素清单；
2. 第二阶段：设计Prompt，调用LLM API，实现用例自动生成，完成格式标准化；
3. 第三阶段：优化OCR识别准确率，添加场景模板库，实现自动校验，测试落地效果，调整参数。

• 避免过度依赖LLM：LLM生成的用例可能存在少量逻辑偏差，需人工抽检、优化，不能直接用于执行；
• 控制成本：LLM API按调用次数收费，可设置缓存机制，相同设计稿重复生成时，直接调用缓存结果，降低成本；
• 适配产品特性：不同产品的测试场景不同，需自定义场景模板库，避免用例“通用化”，提升针对性；

落地后，可根据实际使用情况，逐步优化方案，提升用例质量和效率：

• 优化LLM Prompt：根据评审反馈，调整Prompt的约束条件，让用例更贴合团队评审标准；
• 扩展场景模板：新增性能测试、接口测试用例生成模板，实现多类型用例自动生成；
• 对接测试管理工具：实现用例自动导入JIRA、TestRail，打通“生成-评审-执行”的闭环；
• 多模态支持：支持Figma、Axure源文件直接导入，无需导出图片，进一步降低使用门槛。

基于OCR+LLM的自动生成用例方案，核心是“用技术替代重复劳动”，解决手写用例效率低、易遗漏、标准化难的痛点，让测试工程师从繁琐的用例编写中解放出来，聚焦核心的质量保障工作。

这套方案的优势的是“低成本、可落地、易扩展”，无需复杂的底层开发，个人和小团队可快速上手，中大型团队可基于此方案扩展，适配更多测试场景。

在AI辅助测试的大趋势下，自动生成用例不是“替代测试工程师”，而是“成为测试工程师的得力助手”。落地这套方案后，你会发现：以前1小时才能完成的用例，现在10分钟就能搞定，评审时再也不用怕漏场景，有更多时间去优化测试策略、提升产品质量。

最后一点建议： 不要追求100%自动化。根据我的经验，AI生成+人工审核的模式最可持续——AI负责广覆盖和快速草稿，人负责精准判断和复杂场景。这种人机协作，才是AI时代测试工程师的**站位。

延伸阅读：

• PaddleOCR GitHub: https://github.com/PaddlePaddle/PaddleOCR
• Microsoft PICT: https://github.com/microsoft/pict

技术改变世界！ –狂诗绝剑