最近类 Dify 的工具比较多，大体上都是想吃 GPTs 这碗饭的。而势头比较猛的就是字节旗下的 Coze 。
它最大的竞争力就是免费的 GPT4 。虽然有次数限制，但是根据本人的经验，基本上是畅用。
于是利用 Coze 搭建一个测试用例自动生成 Bot 的想法很自然的生了出来。
当然，第一期的目标已经完成了，这里先打个广告，欢迎各位去尝试使用这个机器人，地址是需求文档转测试用例
前序
工欲善其事，自然是先看看别人怎么做的。来到 Bot Store，搜索 "测试用例"。选择了一个人最多的 Bot 试用了一下，截图如下。
感觉不是很好，像是被我输入的内容劫持了目标，输出了一些奇怪的东西。
后续又试了一些其他的内容，大体上表现都差不多，存在以下问题：
- Prompt 被输入内容劫持，没有实现预期目标。
- 出现错漏，并且无法修改。
看起来大部分都是 Single Agent 模式，而且有些用的还是 3.5，效（gou）果（dou）很（bu）差（yong）。
设定目标
基于使用别人的 Bot 所了解到的问题和自己心里对一个生成测试用例 Bot 的期望。我做了如下产品规划：
- 基于需求文档输出测试用例。
- 允许用户修改错误内容或者输入背景信息
- 输出要稳定
重点说一下 2 和 3 。
对大模型比较熟悉的朋友肯定清楚，单一的需求文档，在人类之间进行流转的时候，我们会自然而然的带上这些背景信息。
比如我说登录页面，相信各位脑海里一定立刻蹦出来两个输入栏一个登录按钮，或者一个输入栏、一个验证码、一个登录按钮这种交互。顺带的什么长度限制、邮箱限制、验证码过期这些信息都立刻带了出来。
但是！大模型它不知道啊，它只知道你这一期允许了手机号登录，但是它不知道以前支不支持邮箱，这个得人来告诉他。
所以，支持输入背景信息或者修改错误内容这个是必须的。
而 3 这个，就是 Coze 本身的问题了，这个会在后面细说。
开始搭建
基础的 Bot 、Workflow的创建就不说了，都是点击按钮就能完成的事，我们主要聊一下里面的内容。
需要哪些 Workflow
我目前的规划是
- 按固定格式重写需求文档的 Workflow。
1.1 补充背景信息或指正错误的 Workflow，用于进一步优化需求文档。
1.2 从 Knowledge 自动获取背景信息的 Workflow，用于自动优化需求文档。 - 切割需求文档的 Workflow。
- 生成测试用例的 Workflow。
3.1 用户输入自己的测试用例，总结用户风格的 Workflow。
很显然，主流程1/2/3都是相对容易实现的，而支线流程1.1和3.1相对来说也好做，最复杂的就是支线流程1.2。
我也很有自知之明，第一步肯定是先把主流程1/2/3，以及支线1.1完成，这样最起码会有一个可用的 Bot，而更高级的追求可以后面持续更新。
开始搭建 Workflow
其实 Workflow 的搭建是相对容易的，对低代码稍有了解的同学应该都很清楚，Workflow 本质也是低代码，只是加入了 LLM 这个选项而已。
具体创建的流程就不细说，这里以重写需求文档这个 Workflow 举例，来聊一些细节。
1. LLM
既然都用了 Coze 了，那工作流里不带上 LLM 怎么也说不过去。
以重写需求文档这个目标来说，LLM 主要要做的事情就是重写需求文档（你是懂废话文学的）。
hold on，hold on ！
先别急着骂，你以为你理解了重写需求文档， LLM 就理解了吗？
你理解的重新描写一下瀑布，是飞流直下三千尺，疑是银河落九天。
LLM 理解的重写描写一下瀑布是
它输出的内容看起来没什么问题，但是总是跟你想的不一样。
所以我们得给 LLM 做一些预期管理，就是我得告诉他你描写的瀑布应该是怎么样的，比如
看看，虽然和李白写的还差非常多，但是已经很不错了，它甚至还会押韵。
所以你得明确的告诉 LLM ，你希望重写后的格式是怎么样的，这个格式可以是你们公司内部常用的，或者就是你个人喜欢的风格，它最好是方便 LLM 理解的单句，这样的话会减少歧义的发生。
当然，具体写成什么样，我就不方便贴我自己的了，总之大家可以参考我上面说的，去生成一个 LLM。
LLM 还有一个非常重要的能力，就是 Batch Processing。
具体的作用就是，你可以传一个列表给它，它会按照一样的逻辑批量处理这些内容，这在生成测试用例时非常有用。
2. 变量
在 LLM 给你一个答案之后，如果是一个简单的 Bot ，这个时候任务都已经完成了，但是基于上面规划的宏大愿景，我们肯定得用上变量。
变量这个事，还不能只靠 Workflow 自己，还必须要搭配着 Bot 来。
首先你得在你的 Bot 上创建变量，比如 prd_content_rewrite ，如下图
当然这种图只是保存变量的，引用变量也同样重要。
然后你再去 Workflow 中应用，如下图
最后，当你的工作流放到对应 Bot 下工作时，变量就会正是生效。
你可以在调试窗口的右上角找到当前已经设置过的变量，如图
3. 完成
按照同样的逻辑，我们在上述四个 Workflow 中都分别设置好 LLM 和变量保存动作，经过调试，确认好以下几个关键点
- 重写需求文档。可以按照你的习惯或公司要求将用例重写，并且将重写后的内容保存到变量中，方便后续使用。
- 修改需求文档。这一步只需要将重写后的需求文档和用户的修改意见丢进 LLM，让 LLM 帮你修改对应部分即可。当然了，同样要将 LLM 输出的内容保存到变量。
- 切割需求文档。从变量中获取到重写后的需求文档，然后利用 LLM 进行切割，切割后的内容切记要保留成 List 模式，这里要利用 Code 的能力，如果不会代码的话，可以原地放弃或者开始学习。
- 输出测试用例。读取切割后的需求文档，利用 Batch Porcessing 的能力，将切割后的需求文档按照 LLM 的要求转成测试用例。还记得我上面说到 LLM 吗？规定好你想要输出的用例的格式是非常重要的一件事，一定要多尝试。
开始构建 Bot
基础介绍
Workflow 的概念更接近于平常使用的代码，所以在理解上还算是非常容易入门。而 Bot 则是另外一件事情，它更像是一个中枢，会决定调用哪些 Workflow 和 Bot，而这些都是利用自然语言来完成的。
这里我按照最开始说的，选择了 Multi Agent 的形式。
目前我对 Multi Agent 的理解就是，里面集合了很多个处理器（Agent），一个处理器可以处理一类事情（一个或多个 Workflow），每个处理器都要有个地方（Agent Prompt）去告诉 Bot 我是干嘛的，相当于自我介绍了。
而 Bot 会根据 Agent 的自我介绍，在后续任务来了之后，决定使用谁。
而 Agent 之间可以连线，和 Workflow 中的连线类似，当你选择的切换节点方式为「Recognized during the operation of the current node」时，当前节点，会优先考虑使用自己或直属下级节点去做任务。
停一停，停一停！相信这一大段话很多人看到这里都要懵逼了，单个字我都懂，组合在一起却懵了。
总结一下：
- 一个 Bot 有多个 Agent。
- Agent 要非常明确的介绍什么时候用自己。
- 因为我们是流程性的，推荐使用「Recognized during the operation of the current node」，这个也是默认的配置。
（什么？还没看懂？那你先自己操作一下 Bot 吧，基础概念我也没办法。）
跳转问题
OK，弄懂了这些基础概念之后，接下来的事情就很简单了。。吗？
啊，并不是。
还是以重写需求文档为例。
按照上述的规则，我们只需要新建一个 Agent，告诉前序节点，用户需要重写需求文档的时候用我，而我则是使用重写需求文档这个工作流来处理工作的。
但是实际操作下来，我发现重写需求文档是一个非常抽象的过程，或者这么说，当用户贴了一个需求文档进来的时候，AI会认为需要重写、切割还是直接输出测试用例？
有一些经验的同学会说，刚刚不是说了可以连线吗？直连一条线串下去不就好了？
又或者会说，那你不要只贴测试用例，你顺带把你要做的事情写进去不就好了？
好，好，好！
你们的想法与我不谋而合！但是经过我的试验，发现行不通。
首先第一个，只有一条线的串行。在实操中发现 AI 还是经常无法自动转到下一个 Agent，合理的猜测时，当前节点在选择下一个节点时，发现没有适合这项工作的，所以会留在当前节点，直接结束动作。又或者不按照我们得工作流去操作，导致后续内容经常失败。
第二个，听起来也是可以解决问题的，但是实际操作下来发现依旧很难，可能是因为文档内容较多的原因，输入的意图经常会识别不到。
总之，从理论上可以的办法，在这里都不太行的通，我并不是说100%失败，而是大概率失败，毕竟 LLM 是个概率模型（笑）。
解决跳转问题
后来我找了非常多资料，终于看到了一个 谁是卧底 的 Bot，并且管中窥豹，看到了它的解决方案，说起来非常反直觉，它直接在 Agent Prompt 中写：用户输入"继续" 或者"下一步"时触发。
emmm
虽然我挺疑惑的，但是我还是非常自觉的按照他的逻辑修改了自己的 Agent Prompt 和 Workflow 的返回结果。
没想到跳转的问题居然真的解决了。
目前整个 Bot 如图所示。
生成效果，如图所示
阶段性完结&撒花
经过大概3天时间的摸索，终于初步完成了这个 Bot。当然，里面还有些设想没有完工的，并且从效果样式能看到，用例生成的不够细节，这些都是问题，我也会持续解决。
在整个产出的过程中，还发现了 Coze 的很多问题，我都放到机器人的注意事项中的。
再次欢迎各位去尝试使用这个机器人，地址是需求文档转测试用例
