搭建一个自动生成测试数据的AI智能体：测试团队解放实录

我们测试团队每月要维护上千条测试数据：客户资料、订单记录、优惠券、账户余额，分布在十几个环境里。以前每次测试都要手工造数据——写SQL插库、调接口造单、手工改状态，光造数据就占掉测试时间的三成。上个月我用AI搭了一个测试数据生成智能体，把"造数据"变成了"说需求"，测试效率明显提升。这篇文章记录完整过程。

一、痛点：为什么造数据这么痛苦

1. 手工造数效率低：一条复杂订单要关联客户、商品、支付、物流多张表，手写SQL要十几分钟；
2. 数据质量差：手造的边界数据（超龄客户、余额不足、异常状态）经常漏，测试覆盖不到；
3. 数据互相污染：测试环境共用数据，A用例改坏的数据影响B用例，排错半天；
4. 场景数据难造："用户已支付但物流未发货"这种中间态，手工造特别费劲。

二、智能体设计

总体思路

智能体 = 意图理解（LLM）+ 数据生成规则（代码）+ 数据写入（API/DB）。核心是"用自然语言描述场景，自动生成并写入测试数据"。

工作流程

1. 理解需求：测试同学输入"造一个VIP客户，余额500元，有一张未使用的8折券，上周下过一单已签收"——LLM解析成结构化指令；
2. 匹配模板：从预置的"数据模板库"里匹配（客户模板、订单模板、优惠券模板），每个模板定义字段默认值和关联关系；
3. 生成数据：代码按模板+指令生成SQL或API调用，处理关联表、时间戳、唯一性；
4. 写入并回执：写入测试库，返回数据ID和可用查询条件，方便测试同学直接引用。

关键设计：模板优先，LLM兜底

我刻意没有让LLM直接"编造"SQL——它编的SQL容易出错且不可控。而是让LLM只做"意图到模板参数"的转换，具体SQL由预置模板+参数填充完成。这样90%的情况走"模板"通道（稳定可靠），10%的特殊情况走"LLM生成+人工确认"通道。

三、踩过的坑

1. 数据唯一性冲突：并发造数时，手机号、订单号撞了。解决：生成规则里加雪花ID和随机后缀，数据库唯一索引兜底；
2. 关联数据不完整：只造了订单没造关联客户，导致页面查询报错。解决：模板里定义"依赖关系图"，生成订单时必须先生成关联客户；
3. LLM理解偏差："上周下的单"被理解成"今天下的单"。解决：提示词里明确时间语义（"上周"= 当前日期-7到-3天），并让LLM输出时间表达式而不是具体日期；
4. 脏数据清理：测试数据越积越多，环境变慢。解决：智能体每次生成都登记"数据归属"，按测试任务一键清理。

四、效果与总结

上线三周的数据：造一条标准订单数据从15分钟降到1分钟以内，测试团队每周节省约10小时的造数时间；边界场景数据的覆盖度明显提升——以前懒得造的"余额不足""超龄用户"现在一句话就能造出来；数据污染问题也减少了，因为智能体生成的关联数据是完整的，不会再出现"订单有客户没关联上"的怪问题。

我的总结：测试数据生成智能体的核心价值，是"把场景描述翻译成可靠的数据写入"。关键在于"模板优先"的架构——LLM负责理解，代码负责执行，各司其职。这比让LLM直接写SQL靠谱一个量级。如果你也在为造测试数据头疼，建议先盘点高频场景，把模板做出来，再让LLM做意图转换，这套组合拳的效果立竿见影。