资源介绍
幕英文视频教程)
在人工智能技术迅猛发展的当下，生成式人工智能（Gen AI）与多智能体系统已成为驱动软件测试领域革新的核心力量。本课程聚焦于生成式人工智能与多智能体系统在软件测试场景的落地应用，通过系统化的理论讲解与手把手的实战教学，帮助学习者掌握从基础环境搭建到复杂测试工具开发的全流程技能，打造兼具理论深度与实践能力的 AI 测试技术人才。
本课程共包含 62 个视频教学资源，所有视频均配备中文字幕（srt 格式），确保学习者能够清晰理解课程内容。课程采用 “基础铺垫 — 工具实战 — 综合应用” 的递进式教学结构，从核心概念导入到具体系统开发，层层深入拆解技术难点，让不同基础的学习者都能逐步掌握关键技能。
课程开篇以 “生成式人工智能、AI 智能体与多智能体系统导论” 为起点，系统梳理生成式人工智能的核心特性、AI 智能体的定义与核心能力，以及多智能体系统的架构原理。通过具体的演示案例，学习者将直观了解模型上下文协议（Model Context Protocol）的实际应用场景，以及多智能体系统协同工作的运行机制，并初步认识当前主流的 AI 智能体与多智能体系统开发框架，为后续学习构建完整的知识框架。
基础环境搭建是实战开发的前提，课程专门设置 “本地运行大语言模型（LLMs）” 与 “安装配置” 章节，详细讲解如何通过 Ollama 在本地部署运行大语言模型，以及 Jupyter notebooks 等开发环境的安装与调试方法。同时，课程深入解析不同人工智能模型的特性差异，通过命令行与图形界面两种操作方式的演示，帮助学习者熟练掌握本地大语言模型的管理与使用技巧，为后续开发任务奠定坚实的环境基础。
为让学习者扎实掌握核心开发工具，课程设置了三个基础能力强化章节，聚焦 LangChain 框架应用、外部文档处理与向量数据库交互三大关键技术。在 LangChain 基础章节中，学习者将掌握该框架与本地大语言模型的交互方法、消息流式传输、提示词模板设计、链式调用机制及输出解析等核心功能，这些技能是构建 AI 测试系统的重要基础。外部文档处理章节则针对软件测试中常见的需求文档解析场景，讲解 PDF 等格式文档的加载、数据存储及文本分片技术，解决大文档处理的核心痛点。向量数据库章节进一步拓展数据处理能力，涵盖文档嵌入向量生成、向量数据存储及基于 RetrievalQA 的文档检索技术，通过实际案例验证大语言模型结合检索增强生成（RAG）技术后的数据分析能力。
在基础能力夯实后，课程进入实战工具开发阶段，通过多个专项案例逐步提升学习者的开发能力。AI 智能体与工具开发章节从实际场景出发，先构建可联网检索的维基百科 AI 智能体，再手把手教学习者开发具备数学计算能力的自定义智能体及工具集，掌握多工具调用的核心逻辑。Web 爬取 AI 智能体开发章节引入 Playwright 工具包，从环境配置到工具调用，再到最终实现具备网页导航、元素提取能力的爬取智能体，完整覆盖 Web 数据采集的关键技术。日志解析智能体开发章节则聚焦测试日志分析场景，开发自定义日志解析工具并集成多工具套件，更创新性地融入 RAG 技术，实现日志数据的向量存储与智能检索，提升日志分析的效率与准确性。
课程的高级阶段聚焦综合项目开发，实现从单一智能体到复杂系统的能力跨越。测试用例生成 AI 智能体开发章节，带领学习者构建完整的测试用例生成工具，不仅支持本地大语言模型运行，还实现双模型并行执行及与外部模型的适配，更拓展了从 PDF 需求文档中自动提取需求并生成测试用例的高级功能。AutoGen 多智能体系统开发章节则引入 AutoGen Studio 开发平台，从界面化多智能体系统的安装配置入手，讲解多智能体群组的运行机制，掌握 UserProxyAgent、AIAssistant 等核心智能体的使用及自定义工具创建方法。最终通过 “基于 AutoGen 的测试用例生成多智能体系统” 开发案例，实现需求分析、用例设计等测试流程的智能化协同，达成课程知识的综合应用与能力升华。
整个课程始终秉持 “实战为王” 的教学理念，每个技术点都配套具体的代码实现与运行演示，所有案例均源于软件测试的真实场景，确保学习者能够将所学知识直接应用于实际工作。无论是希望转型 AI 测试领域的传统测试工程师，还是想要提升人工智能技术落地能力的开发人员，都能通过本课程获得系统性的能力提升，在生成式人工智能与多智能体系统的技术浪潮中抢占先机。