01 前言

在技术日新月异的当下，大模型与自动化工具的深度融合正在重塑传统工作流程。接口自动化测试，作为质量保障的核心技术手段，在企业落地过程中却困境重重：脚本编写工作量大、用例维护成本高、质量反馈速度慢……究竟该如何破局？AI 与 CI/CD 的强力赋能，为软件测试工程师带来了全新的解决方案：

• AI 赋能接口自动化测试：借助 AI 智能生成测试用例与数据，大幅提升测试效率与覆盖率，让测试更智能、更高效！

• CI/CD 集成接口自动化测试：实现快速反馈与持续验证，保障每次代码变更的质量，提升交付效率，增强系统稳定性！

02 接口测试架构概览

以 Python+Pytest+Request+Allure 构成的框架为核心，展示框架的整体层次结构，说明各部分之间的协作关系。

1.工具选型 

2.整体架构 

project/

├── config/# 配置文件

│   └── setting.ini  # 环境配置（API 地址、Token）

├── core/# 核心逻辑

│   ├── rest_client.py # HTTP 请求基类

│   └── result_base.py  # 结果存储基类

├── common/ # 工具类

│   ├── logger.py # 日志模块

│   ├── resUtils.py # 响应校验工具

│   └── read_data.py # 数据解析工具

├── data/ # 数据文件

│   ├── api_test_order_management.yml

├── api/ # 驱动封装

│   └── customer.py

├── operation/ # 业务封装

│   └── orderManagementOp.py  # 用户相关接口操作

├── testcases/ # 测试用例

│   └── test_06_order_management.py

├── pytest.ini # pytest配置文件

└── requirements.txt # 依赖库列表

3.关键模块解析 

• 配置文件：配置文件用于集中管理接口地址、测试平台等关键信息，支持在不同环境（如测试、预发、生产）间快速切换。通常采用.ini 格式存储配置，确保灵活性和可维护性。

• 工具类：工具类封装了通用功能，如日志记录、文件读取、接口请求、返回值校验以及随机数生成等，提升代码复用率并简化测试脚本开发。

• 数据文件：数据文件用于存储测试数据，例如使用 YAML 文件保存不同接口的请求参数和预期响应数据，支持数据驱动测试，提高测试覆盖率和可扩展性。

test_refund_list:  # input_params, success, except_res  # 全量查询  - [{ "page": 1, "limit": 10, "refundStatus": "", "orderType": "", "userId": "", "payNum": "", "dateRange": "2024-08-01 ~ 2024-08-31" }, True, ""]

• 驱动封装：以 requests 库为例，我们可以对接口请求进行封装，简化测试用例中接口调用的代码，提高代码的可维护性。

# 获取订单详情def queryChargeRecord(self, **kwargs):    return self.post("/api/queryChargeRecord", **kwargs)

• 业务封装：结合具体业务场景，可以将业务流程抽象为可复用的函数或类。

def queryChargeRecord(self, input_data):    result = ResultBase()    header = { "Content-Type": "application/x-www-form-urlencoded" }    res = orderManagement.queryChargeRecord(data=input_data,headers=header)    return resUtils.resRetResult(result,res)

• 测试用例：使用 Pytest 测试框架可以编写简洁高效的测试用例，利用其特性如参数化测试、断言等。

# 订单-查看@pytest.mark.single@pytest.mark.parametrize("input_params, success, except_msg",api_data["test_order_detail"])def test_order_detail(self, input_params, success, except_msg):    result = orderManagementOp.queryChargeRecord(input_params)    # 检查接口返回状态    logger.info("期望结果：{}， 实际结果：{}".format(success, result.success))    assert result.success == success, "接口请求失败"    # 检查接口相应时间    assert result.time <= global_value.response_time, "响应时间超过预期，当前: {}秒，预期: {}秒".format(result.time, global_value.response_time)

03 AI 辅助工具

在软件测试领域，快速且准确地生成测试接口方法是提升测试效率与质量的关键。传统方式下，测试人员需要耗费大量时间研读接口文档，手动梳理各种可能的输入参数组合，不仅效率低下，还难以全面覆盖测试场景。

通义灵码作为一款先进的 AI 工具，为这一过程带来了革命性的改变。它能够智能解析接口文档，自动生成测试接口方法，并高效覆盖多种参数组合，显著提升测试效率与覆盖率，让测试工作更加轻松、精准。

1.AI 生成接口方法 

当面对新的接口测试需求，如需要对/api/big/orderQuery 和/api/refundOrder/refundOrderList 两个接口进行测试时，通义灵码能够迅速响应。测试人员只需提供接口的基本信息，如 URL、请求方式和 Content-Type 等，通义灵码即可根据现有代码自动生成相应的代码。

从生成的代码中，可以直观地看到通义灵码的强大功能。在 orderManagement.py 文件中，通义灵码新增了 bigOrderQuery 和 refundOrderList 两个方法，分别对应上述两个接口的请求。这避免了测试人员手动编写复杂的网络请求代码，减少了人为错误的出现。同时，在 orderManagementOp.py 文件中，又生成了用于调用这些接口的操作方法，进一步完善了测试流程。

而在 test_06_order_management.py 文件中，通义灵码生成了具体的测试方法 test_big_order_query 和 test_refund_order_list，并运用了 Pytest 框架的特性，如参数化测试和断言，确保对接口的全面测试。通过参数化测试，可以使用不同的输入数据对接口进行多次测试，覆盖更多的测试场景；断言则用于验证接口返回结果是否符合预期，有效保障了测试的准确性。

通义灵码大幅节省了测试人员的代码编写时间，提升了效率与代码质量，同时让测试人员更专注于测试策略与复杂业务场景分析，而非繁琐的编码工作。借助通义灵码，测试工作更加高效智能，为项目顺利推进提供有力支持。

2.AI 生成测试数据 

当面对新的接口测试需求时，以新增的 test_big_order_query 测试用例为例，测试人员只需向 AI 工具提供接口文档字段和现有测试用例结构等相关信息。通义灵码基于强大的自然语言处理和机器学习能力，能够迅速理解这些需求。

从生成的 test_big_order_query 测试用例可以看出，AI 工具会按照不同的业务场景来组织接口入参。在全量查询场景下，生成的入参包含固定的页码“page: 1”、限制数量“limit: 10”，以及多个空的列表参数，如“areaIdList: []”“itemIdList: []” 等，这样的组合模拟了不基于区域、项目等条件筛选的全量查询情况。

AI 生成的这些接口入参用例，不仅保证了参数组合的全面性，尽可能覆盖了各种可能的业务场景，还具备高度的精准性。它严格依据接口文档的字段要求和业务逻辑来生成参数，避免了人为疏忽导致的参数错误或不合理组合，极大地提高了测试用例编写的效率。原本需要测试人员花费大量时间和精力完成的工作，现在借助 AI 工具能在短时间内完成，让测试人员能够将更多精力投入到测试策略优化和复杂问题分析上，为提升接口测试质量和软件整体质量提供了有力支持。

04 接口测试 CI/CD 流水线

在接口测试的流程体系中，自动触发流水线是实现高效测试的关键起点，它如同精密仪器的启动按钮，能在恰当的时机激活整个测试流程，为测试工作的自动化和连续性奠定基础。

1.搭建流程水线 

当开发人员对代码仓库进行更新操作，如提交新代码、合并分支后部署预发布环境，Webhook 机制便会发挥作用。Webhook 是一种轻量级的 HTTP 回调，它可以在特定事件发生时，将相关信息以 HTTP POST 请求的方式发送到预先配置好的 URL 地址，从而触发接口测试 CI/CD 流水线。这就意味着，只要部署环境，流水线就能自动感知并启动，无需人工手动干预，大大节省了时间和人力成本。

2.配置流水线 

流水线自动触发后，首先会拉取最新的代码仓库内容，确保使用的是最新版本的代码进行测试。接着进入配置流水线阶段，系统先获取访问接口所需的 token 替换配置文件中的 token，token 作为一种身份验证凭证，能够保证测试过程中对接口的合法访问。然后进行参数配置，根据不同的测试场景和需求，设置相应的参数，如测试环境、数据文件路径等，为后续的测试执行做好准备。

@pytest.mark.single@pytest.mark.parametrize("input_params, success, except_msg",api_data["test_login_by_extension_sys_user"])def test_login_by_extension_sys_user(self, input_params, success, except_msg):    input_params["userName"] = global_value.login_username    input_params["passWord"] = global_value.login_password        result = loginBaseOp.loginByExtensionSysUser(input_params)        # 检查接口返回状态    logger.info("期望结果：{}， 实际结果：{}".format(success, result.success))    assert result.success == success, "接口请求失败"        # 获取token, 并替换setting.ini文件中的token    token = json.dumps(result.resdata["data"]).replace('"', '')    logger.info("token: {}".format(token))        data.update_ini("config", "setting.ini", 'pc_host', token)    data.update_ini("config", "setting.ini", 'mobile_manage_host', token)

3.执行流水线 

完成配置后，流水线进入执行阶段。此时，系统会依据预先设定的规则和步骤，对接口进行测试。通过验证接口返回的状态码、预期值以及响应时间等指标，来判断接口的功能是否正常、性能是否达标。一旦发现接口存在问题，测试流程会及时反馈，为开发人员提供修复的依据，形成了从代码更新到问题反馈的一个小闭环，使得开发和测试紧密结合，能够快速响应和解决代码变更带来的潜在问题。

4.测试结果校验 

状态码

接口响应中可能通过不同字段标识状态（如 code、ret、success、status）。在 resIsSuc 方法中，通过多字段兼容性检查实现灵活校验。

def resIsSuc(self, res):        res_keys = res.keys()        if "code" in res_keys and (res['code'] == 0 or res['code'] == 200):            return True        elif "ret" in res_keys and res['ret'] == "0":            return True        elif "success" in res_keys and res['success'] == True:            return True        elif "status" in res_keys and res['status'] == "success":            return True        else:            return False

通过断言方法直接校验状态码是否符合预期。

assert result.success == success, "接口请求失败"

响应数据

通过 check_res_data 方法实现灵活校验：

• 字段存在性：检查返回结果是否包含关键字段。

• 值匹配：支持精确匹配（如 {"id": 127244}）或正则表达式。

• 动态参数：从输入参数中提取值进行校验（如 except_res: ["areaUserId"]）。

# 如果检查数据是字典，遍历列表检查是否全部符合预期（字典中每个元素是“检查字段名:检查字段值”）elif isinstance(res_expect_value, dict):# 取request返回的实际字段值     res_actual_data = str(res_data.get(res_expect_filed))     # 如果实际值不等于预期值，返回False     if isinstance(res_expect_data, str) and not re.search(res_expect_data, res_actual_data):       return False     elif isinstance(res_expect_data, int) and res_actual_data != str(res_expect_data):          return False

同时，还可以根据 except_res 的多样性校验不同场景的预期值。

a. except_res = "": 不检查接口返回b. except_res = None: 检查接口返回是否为空(一般用于查询空列表)c. except_res = "查询成功": 检查data, code, msg, error字段中的值是否等于预期值d. except_res = ["areaUserId"]: 从input_params中取areaUserId的值作为参数, 检查返回数据中areaUserId字段值是否等于参数e. except_res = {"areaUserName": "上海区域"}: 检查返回数据中areaUserName字段值是否等于"上海区域"f. except_res = {"areaUserName": ["上海区域", "江中/佛山区域"]}: 检查返回数据中areaUserName字段值是否等于"上海区域"或"江中/佛山区域"

响应时间

• 全局阈值：通过 global_value.response_time 定义最大允许响应时间（如 3 秒）。

• 实时校验：在测试用例中检查实际耗时是否超限。

assert result.time <= global_value.response_time, "响应时间超过预期，当前: {}秒，预期: {}秒".format(result.time, global_value.response_time)

5 推送钉钉群 

钉钉群推送的搭建流程

在接口自动化测试体系中，搭建钉钉群推送功能是实现高效沟通的关键环节。首先，群管理员需在钉钉群内添加钉钉机器人。具体操作步骤为：进入钉钉群设置页面，找到 “智能群助手” 选项，点击添加机器人。在多种机器人类型中，自定义机器人最契合接收测试结果推送的需求。添加时，需为机器人设定名称，以便团队成员清晰识别。同时，生成加密密钥并妥善保管，该密钥对保障测试结果安全、精准地推送至指定钉钉群起着至关重要的作用。

完成机器人添加后，在接口自动化测试脚本中配置相应的推送逻辑。以 Python 语言结合 requests 库为例，测试脚本执行完成后，通过调用钉钉机器人提供的 Webhook 接口，将测试结果数据以 JSON 格式封装在 HTTP POST 请求体中发送出去。数据包含测试构建节点信息，如测试开始与结束时间，能让团队成员快速知晓测试耗时；测试通过率，直观反映本次测试的整体状况；详细的失败用例信息，涵盖失败接口的名称、请求参数、预期响应与实际响应对比等，便于开发人员快速定位问题。

钉钉群推送带来的显著好处

• 信息实时同步：以往测试完成后，测试人员需手动整理测试报告并通过邮件等方式发送给团队成员，整个过程存在时间差，信息无法及时传递。而钉钉群推送实现了测试结果实时发送，团队成员能在测试结束的第一时间获取信息，无需等待邮件接收或手动查询测试报告，大大提高了信息获取的及时性，让团队成员能迅速对测试结果做出反应。

• 提升协作效率：在软件开发项目中，开发、测试、产品等多角色紧密协作。通过钉钉群推送，各角色人员能在同一平台及时了解测试进展和问题。例如，开发人员看到失败用例信息后，可立即与测试人员沟通确认问题，快速定位并修复代码缺陷；产品人员也能依据测试结果，及时调整产品策略或功能规划，减少因沟通不畅导致的项目延误，增强团队协作的流畅性。

• 强化问题追踪与解决：钉钉群推送的测试结果附带详细的失败用例日志，这为问题追踪提供了有力支持。团队成员可依据日志信息，在代码仓库中快速追溯问题根源，分析问题产生的原因是代码逻辑错误、接口设计不合理还是数据异常等。同时，在钉钉群内围绕问题展开讨论，能快速形成解决方案，提升问题解决的效率，保障项目顺利推进。

05 总结

本文所阐述的接口自动化测试体系，凭借其创新性的流水线 CI/CD 架构与强大的 AI 赋能，为软件测试工作带来了质的飞跃。

• CI/CD 流水线为核心：通过 Webhook 自动触发测试，结合 token 验证、参数配置和关键指标校验，实现从代码变更到问题修复的高效闭环，保障接口稳定性。

• AI 赋能提效：以通义灵码为代表的 AI 工具，自动生成高质量请求方法和全面覆盖的参数组合，提升测试代码规范性、覆盖率和效率。

• 实时反馈与协作：集成钉钉群推送功能，实时同步测试结果，提升团队协作效率，确保问题快速解决。

• 高效智能测试体系：CI/CD 与 AI 结合，构建高效、智能的测试模式，为软件高质量交付和团队效率提升提供坚实保障。

• 未来价值：这一体系为业务高速迭代和持续发展奠定基础，将在软件开发领域发挥更大作用。

本文作者

王珅洁：碧桂园服务测试高级工程师

指导人

郑琳：碧桂园服务测试专家