OpenClaw+千问3.5-9B：自动化测试报告生成器

OpenClaw千问3.5-9B自动化测试报告生成器1. 为什么需要自动化测试报告作为开发团队中的测试负责人我每周都要面对数十份测试报告的手工整理工作。从Jenkins导出原始数据、用Excel制作图表、再到Word中排版成文档整个过程至少消耗3-4小时。直到发现OpenClaw千问3.5-9B的组合才真正实现了测试数据进报告出的自动化流程。这个方案的核心价值在于时间节省原本4小时的工作现在只需10分钟人工复核动态分析模型能根据失败用例自动关联历史记录和代码变更格式统一告别不同成员制作的风格各异的报告知识沉淀每次分析逻辑都会被记录形成团队知识库2. 环境准备与模型接入2.1 基础环境搭建我的工作电脑是MacBook Pro M1采用npm方式安装OpenClawsudo npm install -g qingchencloud/openclaw-zhlatest openclaw onboard在配置向导中选择Mode: Advanced需要自定义模型地址Provider: CustomModel: 留空后续手动配置2.2 千问3.5-9B模型接入关键步骤是修改~/.openclaw/openclaw.json配置文件。我的本地模型服务运行在http://localhost:8080添加如下配置{ models: { providers: { qwen-local: { baseUrl: http://localhost:8080/v1, apiKey: sk-no-key-required, api: openai-completions, models: [ { id: qwen3-9b, name: 千问3.5-9B本地版, contextWindow: 32768 } ] } } } }配置完成后验证连接openclaw gateway restart openclaw models list3. 测试报告生成实战3.1 数据采集阶段我编写了一个Python脚本定期抓取Jenkins的测试结果实际项目请替换为你的CI系统API# jenkins_data.py import requests import json def fetch_test_results(build_id): url fhttp://jenkins.example.com/job/your_project/{build_id}/api/json response requests.get(url, auth(user, token)) return response.json() if __name__ __main__: data fetch_test_results(lastCompletedBuild) with open(test_results.json, w) as f: json.dump(data, f)通过OpenClaw配置定时任务每天凌晨2点自动运行openclaw tasks create --name 夜间测试数据收集 \ --command python3 jenkins_data.py \ --schedule 0 2 * * * \ --output ~/test_reports/raw_data3.2 报告生成阶段核心是创建OpenClaw技能配置文件test_report_skill.json{ name: test-report-generator, description: 将JSON测试数据转换为Markdown报告, steps: [ { action: llm, prompt: 请分析以下测试数据识别关键指标和主要问题\n{{fileContent}}, output: analysis.md }, { action: convert, from: analysis.md, to: report.docx, template: corporate } ] }使用时只需在OpenClaw控制台输入生成测试报告使用~/test_reports/raw_data/test_results.json作为输入3.3 进阶分析功能通过修改prompt实现智能分析请作为资深测试工程师分析该报告 1. 按失败率从高到低列出测试模块 2. 对重复失败用例标注最近5次出现记录 3. 关联对应代码文件的最近修改记录 4. 用表格对比本次与历史平均数据 原始数据{{fileContent}}千问3.5-9B会输出包含可视化趋势图ASCII图表失败用例分类统计风险模块预警列表推荐的重测优先级4. 踩坑与优化经验4.1 中文编码问题最初生成的报告出现乱码解决方案是在技能配置中添加{ env: { LC_ALL: zh_CN.UTF-8, LANG: zh_CN.UTF-8 } }4.2 长文本处理技巧当测试数据超过10MB时发现模型会丢失部分信息。现在的处理方案先用jq工具预处理JSONjq {summary: .suites[].stats, failures: [.suites[].cases[] | select(.statusFAILED)]} test_results.json condensed.json采用分块分析策略{ action: llm, prompt: 这是测试报告的第{{chunkIndex}}部分共{{totalChunks}}块\n{{chunkContent}}, chunkSize: 5000 }4.3 样式定制方案通过创建Word模板文件实现品牌化输出制作template.docx包含公司LOGO和样式在convert动作中指定{ action: convert, templateFile: ~/templates/company_style.docx }5. 最终效果与使用建议经过两个月的持续优化这套系统已经能生成包含12个标准章节的测试报告。对比手工制作的版本自动化报告在问题定位准确率上反而高出20%因为模型不会遗漏历史数据关联。给想要复现的开发者几点建议从小场景开始先自动化最简单的报告模块建立prompt库收集有效的分析指令片段人工复核必不可少至少保留10%的抽样检查版本控制prompt用Git管理分析逻辑的迭代最令我惊喜的是千问3.5-9B能够从失败用例中识别出我们忽略的测试场景遗漏这已经超出了单纯报告生成的范畴成为了质量保障的智能助手。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。