如何借助AI进行测试代码code review

成熟测试团队会产出大量自动化代码，因测试人员的经验和习惯原因，代码质量可能参差不齐，通常需要依靠专家code review(CR)来确保产出的测试代码质量，借助大模型进行CR已经成为一种趋势，可以提高CR效率和有效性。

大模型CR优势

• 自动化检查：利用大模型对代码进行自动化检查，可以快速识别出语法错误、代码风格问题、潜在安全漏洞等。这种自动化过程减少了人工审查的工作量，使开发者能够更加专注于代码的逻辑和功能问题。
• 减少重复工作：传统的人工CR往往会耗费大量时间在识别低级错误上，而大模型可以有效过滤这些错误，从而让审查者能够关注更有价值的逻辑和设计问题。
• 快速反馈：结合Gitlab CI等工具，大模型能够在代码提交后立即执行CR，并提供即时反馈，大大缩短了反馈周期。

简单来讲，可发起Merge Request（MR）请求的时候使用Gitlab CI触发该任务，借助中间平台，调用大模型并给到反馈，信息回到Gitlab。

给到的提示词例如：

以下代码是GitLab代码补丁。请以测试专家的角度,从自动化测试用例设计;代码的实现;可改进的领域;这几个角度,给出详细的例子进行解释，尽量少离题和耍幽默。

这种模式，在CR具体场景内仍然会存在一些问题：

• 只针对表层问题，无法深度分析：拿UI自动化举例，通用大模型无法识别公共方法和业务相关的方法，这样给CR的深度会造成很大限制
• 一致性检查：代码风格命名，测试数据的管理方式，case写法有较多的个性化的内容因团队而异，没有业界的统一标准，这方面AI难免会有误判
• 修复建议噪音高：在review质量不够100%有效情况下，放入MR 的comments会非常困难，由谁去Resolve 提出的修改建议也是一个难题

借助RAG加强CR

改进思路

1. 通过构造合适的prompt将约束条件，构建知识库系统来做规范管理，提供更加丰富和标准的信息，这里就要用到前序文章中对RAG的论述：
2. Review结果适合通过企信(钉钉)消息发出，而不是直接在gitlab评论上，CR建议只供参考，具体的Comments动作和Resolve过程由实际的Review人员来进行

现有业界的RAG支撑系统很多，这里我们选择的是FastGPT的平台，其他还有Dify，QAnything等，对CR场景没有太大区别，这里以fastGPT作为举例说明如何形成CR思路

搭建步骤

初始化CR知识库

这里非常重要，个性化的信息主要通过有效的知识库来实现：

1. 测试基础方法的信息，明确哪些是最佳方法以及语义
2. 对测试代码规范自定义信息
3. 不同业务线的要求，例如给到最佳实践的代码模板

新建FastGPT项目

• 在界面和交互方面公司内针对FastGPT进行对应小范围改造，但基本遵从FastGPT对应用的定义
• 新建的项目要勾选之前的知识库
• 配置好一个FastGPT应用后，根据应用可提供API

选取待CR的Repo

从gitlab内筛选想要review的项目ID

优化提示词

测试代码的提示词可参考：

假设你是测试开发工程师，现在你的任务是阅读GitLab代码变更，使用中文给出修改建议。
建议要求：
a.必须使用知识库给出建议；生成的建议语句通顺；
b.指明具体位置，使用例子进行解释，只需要给出少量关键代码不要全部输出；
d.不要脱离给定的代码；
e.不要复述原代码；
f.不要给出重复建议；
g.评审建议不超过700字符；
下面是GitLab代码变更：（后面附上MR的变更代码）

触发Review

调用GET:https://fastqa.xxxx.com/api/review/work?projectId=xxxxx&mrId=xx 接口即可发起Review，此处我们改造fastGPT代码去抓取Gitlab的MR信息和代码变更

• projectId:项目ID
• mrId:MR请求ID

在Gitlab CI中添加以下内容

curl --location "https://fastqa.xxxxx.com/api/review/work?projectId=$CI_MERGE_REQUEST_PROJECT_ID&mrId=$CI_MERGE_REQUEST_IID"

这样MR请求的时候就会触发Review任务，结果触发企信机器人。

结果查看

Review结束的时候企业微信(钉钉)会收到消息

打开企业微信(钉钉)通知中的链接就可以查看结果，高价值的CR信息具体review同学或者mgr可以补充到gitlab上进行修改，使用平台人员标记Review结果是否有效便于后续优化

实际内部CR实践

摘取对公司内某一个真实自动化代码的一些建议

从初步实践的情况看:

1. 确实可产出大量值得采纳的建议
2. 存在一些误报情况，和AI目前返回数据的不确定性相关，但可通过调优知识库进行优化

总结

本文引入了大模型进行测试代码Code Review的思路，然后介绍了如何较低成本搭建基于FastGPT+通用大模型的的CR系统，我们相信机器审查代码是一个非常有价值的赛道，随着AI的不断增强，CR的能力有望变得更完善，希望文本能给大家带来启发，感兴趣的读者也可以留言参与讨论，可以持续关注本公众号关于AI实践的文章。

最后： 下方这份完整的软件测试视频教程已经整理上传完成，需要的朋友们可以自行领取**

【保证100%免费】

**