效率翻倍,Token减半:让OpenClaw学习后再做测试用例设计

最基础的做法，是直接在 OpenClaw 部署的机器上对资料进行分类存储。每次设计用例前，先让 AI 学习所有资料，再进行生成。但这种方式在实际落地中存在四个明显痛点:

• 学习成本随数据量激增：资料越多，AI 的学习速度越慢，严重拖慢用例生成效率。

• 上下文超长导致内容互串：海量资料极易突破大模型的上下文长度限制，导致不同用例内容相互干扰。

• 缺乏针对性，资源浪费：即使只处理单一需求，AI 仍需全量学习整个资料库，效率低下。

• 职责边界模糊：资料库的维护工作被迫压在系统管理员身上，导致职责划分不明确。

通过OpenClaw外挂RAG知识库的方式为测试用例设计补充必要的上下文。

外挂RAG知识库后的AI用例设计流程图

为了突破瓶颈，我们引入了紫鸾知识平台作为独立的知识库，解决了方案一的痛点，并带来以下显著优势：

• 职责分明，召回更准：资料由专人管理，系统管理员无需兼任知识管理员。通过专业的资料分类与结构化处理，知识召回的准确率大幅提升。

• 学答分离，永久记忆：知识平台拥有专属的学习与向量匹配机制，将“学习”与“问答”从 OpenClaw 的大模型中解耦。知识学习完成后即可永久记忆，无需重复学习，不仅大幅缩短了响应时间，还节约了大量 Token 消耗。

• 精简上下文，精准生成：在 OpenClaw 设计用例时，系统会强制其通过知识库检索需求资料及行业/国家标准。知识库返回结果后，再由 OpenClaw 进行二次相关性判断。这大幅降低了上下文的 Token 占用，使 AI 能更精准地针对特定需求生成用例。

• 按需获取，效率跃升：面对单个需求时，AI 无需再全量学习整套资料，只需从知识平台按需获取相关资料与标准即可。这极大缩短了学习成本，实现了用例生成效率的质的飞跃。

下图直观呈现了OpenClaw如何通过调用SKILL来分析需求并生成测试用例，图中为突出重点，省略了中间的部分工具调用细节：

• 我们打通了需求系统和企业微信，因此我们只需要在 webchat/channel 里给 OpenClaw 发一条指令即可完成用例设计的全过程。

• 用例设计SKILL的步骤设置如下：

测试用例设计SKILL

• 最后按照我们制定的Skill生成了2份文档，一份为按照我们要求生成的测试用例文档，另一份为知识平台召回记录文档，方便对测试用例设计过程进行回溯，最后直接点击文档链接下载即可。

• 在知识平台召回记录里我们可以看到那些资料是被采纳，那些未被采纳：

知识平台召回文档示例

• 接入知识库前与接入知识库后生成的用例对比：

引入知识库前后的效果对比