AI 赋能接口自动化测试系列（二）：全场景测试数据智能构造Agent Skill
- 超边界参数传入，系统是否做了长度截断或优雅拒绝？
- 非法格式数据（如手机号传字母），校验逻辑是否生效？
- 重复提交同一请求，幂等性机制是否正常工作？
这些场景人工极易遗漏，但AI可以基于规则系统化、无遗漏地生成。
痛点二：效率低、数据格式混乱
人工来构造多个接口的全维度测试数据，熟练工也需 1-2 天。
且不同的人构造的数据散落在各个脚本里，今天张三写了一套，明天李四又写了一套，格式不统一、命名不规范、复用性极差。一旦业务规则变更（如密码最小长度从6位改为8位），需要逐行修改所有脚本中的硬编码数据，维护成本极大。
痛点三：业务贴合度差
通用造数工具生成的 “假数据”（如随机字符串）无法覆盖 “库存不足的商品 ID”、“重复添加的商品 SKU” 等业务场景。
且针对一些接口安全测试的场景，如SQL注入、XSS攻击、路径穿越、命令注入……这些安全测试数据需要专业的安全知识储备，普通测试工程师往往"不会写 payload"或"写了也不知道对不对"。
AI赋能的核心思路
而基于 AI 驱动的Skill技能特性恰好能解决这些问题：
- 结构化输入适配：基于
api-schema-parser输出的标准化接口定义，精准匹配参数约束； - 多维度自动生成：一键覆盖正向、反向、边界、业务异常、安全测试等全场景数据；
- 业务场景定制化：贴合实际业务逻辑生成关联数据，而非脱离业务的 “纯随机数”；
- 格式无缝适配：自动输出 YAML/JSON/Excel 等格式，直接对接 Pytest/TestNG 等框架。
温馨提示：AI 造数并非 “替代人工”，而是将工程师从重复造数的体力活中解放，聚焦于数据规则设计、业务场景校验等核心工作。
二、不要搞"万能Skill"，要拆成"专业Skill"
很多新手容易踩的坑：想做一个"万能Skill"，输入接口文档，直接输出完美脚本。
这里有一个非常重要的认知：千万不要寄希望于用一个 “万能 Skill” 解决所有问题。
一个技能包揽解析、造数、生成、优化、执行，会导致逻辑臃肿、维护困难、扩展受限，也违背了Agent Skill设计的核心思想。
正确的做法是按职责拆分，每个Skill只做一件事（如解析、生成、校验），避免功能耦合。
比如，可以这样来拆：
| Skill | 核心职责 | 解决什么痛点 |
|---|---|---|
| api-schema-parser | 接口定义结构化解析 | 人工读文档慢、易遗漏、格式不统一 |
| api-testdata-generator | 测试数据智能生成 | 人工造数重复、边界场景覆盖不全 |
| api-testscript-generator | 自动化脚本批量生成 | 人工编码慢、风格不统一、规范难落地 |
| api-test-optimizer | 脚本质量检查与优化 | AI幻觉导致脚本有错、场景缺失、健壮性不足 |
| api-test-executor（后续教程） | 脚本执行与结果复盘 | 人工执行繁琐、失败分析耗时 |
这5个Skill形成完整闭环：解析→造数→生成→优化→执行，既能串联使用，也能独立调用。
目前本系列主要是聚焦接口脚本生成阶段工作，在接口执行阶段还会根据执行阶段的工作特性，将其拆分成 5 个专业的Agent Skill来各司其职。
接口文档（Swagger/Postman/HAR 等） │ ▼ api-schema-parser ──→ 标准化接口数据 (api_definitions.json) │ ├──→ api-testdata-generator ──→ 全场景测试数据 │ │ │ ▼ │ api-testscript-generator ──→ 接口自动化脚本工程 │ │ │ ▼ │ api-test-optimizer ──→ 脚本质量检查与优化 │ │ │ ▼ │ api-test-tagger ──→ 智能标签化管理 │ │ │ ▼ │ api-test-executor ──→ 智能执行调度 │ │ │ ├──→ api-failure-diagnoser ──→ 失败诊断与自动修复 │ │ │ └──→ api-pipeline-scheduler ──→ 全链路流水线调度 │ │ │ ├── api-test-executor（执行测试） │ ├── api-testdata-cleaner（清理数据） │ └── api-report-generator（生成报告） │ └──→ 也可直接进入 generator-testcase-xmind/excel 生成接口级测试用例可以这样说，掌握了这套Agent Skill技能组合，日常接口自动化测试工作零基础的同学也能轻松搞定。
目前这套AI测试赋能的Skill技能组合，「狂师 . AI进化社」的成员都在使用，很多同学都表示，接口自动化测试落地效率明显提升了数倍，代码基础薄弱的同学也能轻松落地自动化测试了。
三、api-testdata-generator — 全场景测试数据智能构造
人工造数的痛点
做过接口自动化的同学都懂，人工构造测试数据有多 “折磨”：
- 合法数据费脑：“这个手机号是否符合正则？”“用户名长度刚好符合要求吗？”，每一条合法数据都要反复核对接口文档；
- 边界数据漏测：参数长度极值（如密码刚好 6 位 / 32 位）、枚举值边界、分页参数临界值，人工梳理极易遗漏；
- 异常数据匮乏：空字符串与 null 的区别、触发限流的高频请求参数、触发账户锁定的错误密码，这些场景往往想不到、造不出；
- 安全数据难求：SQL 注入、XSS 攻击、越权访问的测试 payload，需要专门学习且难以批量构造。
Agent Skill：api-testdata-generator 核心能力
api-testdata-generator是专门为接口自动化测试设计的测试数据智能生成 Skill，核心是 “基于规则、贴合业务、全场景覆盖”，其核心特性如下：
1、三大输入模式，覆盖全测试场景
该 Skill 突破了 “仅依赖接口文档造数” 的局限，支持三种灵活的输入模式，适配不同测试场景：
| 输入模式 | 核心输入 | 输出格式 | 适用场景 |
|---|---|---|---|
| 传统模式（API 驱动） | api_definitions.json（接口解析结果） | YAML/JSON/Excel | 接口自动化测试（高频使用） |
| 规范模式（规则驱动） | 自定义字段规则文件（类型、长度、正则、枚举） | CSV/JSON/YAML/Excel | 团队有固定数据规范，多项目复用 |
| 自然语言模式（Faker 驱动） | 自然语言描述（如 “生成 10 条符合中国身份证规则的数据”） | CSV | 手工测试、性能测试、UI 自动化（无需接口文档） |
2、四大维度数据，全场景覆盖
基于接口约束和业务规则，自动生成四类测试数据，无死角覆盖测试场景：
- 正向数据：符合所有必填 / 格式 / 长度约束的合法数据（如符合正则的用户名、有效验证码、正常库存的商品 ID）；
- 反向数据：空值、超长度、非法格式（含特殊字符的用户名）、类型错误（布尔值传字符串）等异常参数；
- 边界数据：参数长度极值（如密码 6 位 / 32 位）、枚举值边界、分页参数临界值（如 pageNum=10000）；
- 业务异常数据：触发限流的高频请求参数、触发账户锁定的错误密码、库存不足的商品 ID、已取消订单的支付请求等。
3、工程化输出，无缝对接自动化框架
生成的测试数据并非 “零散文件”，而是按工程化规范组织：
- 按接口模块分类存储（如 auth/order/product/cart 等）；
- 自动封装为数据驱动格式，直接适配 Pytest/TestNG；
- 生成全局配置文件（鉴权、测试账号）和接口依赖链文件（如订单流程、商品流程的关联数据）。
实战效果
虽然api-testdata-generator技能支持三种模式的输入，但对于日常绝大多数的使用场景来说，使用最高频的还是传统模式（基于api_definitions.json接口定义）和自然语言模式（基于自然语言描述，Faker 驱动）。
我们接下来，就重点验证一下这两类模式下的效果：
1、传统模式（基于 api_definitions.json 接口定义）
第一步，在技能列表选择api-testdata-generator技能。
提供接口定义、字段规则文件或自然语言描述，比如这里我们传入上一步生成好的api_definitions.json接口定义，点击执行。
收到提示词后，api-testdata-generator技能会基于接口定义文件使用传统模式来生成测试数据，最终生成的数据汇总结果如下：共为59个接口生成了2032条数据，包括正向数据、边界值数据，异常数据，安全数据等不同维度。
并且生成好的数据，会按照模块进行保存：
output/test_data/ ├── _config.yaml # 全局配置（鉴权、测试账号等） ├── _dependencies.yaml # 接口依赖链（order流程、product流程等） ├── summary.json # 汇总报告 ├── auth/ # 认证管理（6文件，login/register/logout） ├── order/ # 订单管理（20文件，10接口×2格式） ├── admin/ # 管理后台（46文件，23接口×2格式） ├── address/ # 地址管理 ├── cart/ # 购物车管理 ├── captcha/ # 验证码管理 ├── product/ # 商品管理 ├── search/ # 商品搜索 ├── banner/ # Banner轮播图 └── user/ # 用户管理每条数据都精准匹配接口参数约束，例如购物车接口会自动生成 “库存不足的商品 ID”“重复添加的商品 SKU” 等业务相关异常数据，而非简单的随机字符串。
第二种：自然语言模式（基于Faker 驱动）
此类使用方式，无需依赖接口文档，通过自然语言描述所需要的测试数据即可：
- 例如：“帮我生成 100 条完整用户信息（含姓名、手机号、身份证号、收货地址），符合中国手机号和身份证规则”；
- 执行 Skill 后，一键生成 CSV 格式的 100 条用户数据；
- 数据格式规范、符合业务规则，可直接用于手工测试、UI 自动化或性能测试。
下面我们简要演示一下操作：
选择api-testdata-generator技能，输入：帮我生成100条完整用户信息。
发送提示词，很快100条完整测试数据就生成好了
打开生成的csv文件，查看数据详细。
只需一句话，整整齐齐100条完整的用户信息就生成好了，以后妈妈再也不用担心我为构造测试数据发愁了😊
