Spec2Case

Spec2Case 是一个面向 QA、测试开发、产品和研发团队的生产级 AI 测试用例生成平台，可以把 PRD、需求文档、产品规格说明、原型图、设计稿、业务截图等输入，转换为结构化、可执行、可导出的测试用例。

这不是一个开源 demo 或概念验证项目，而是从真实业务测试交付中迭代出来的 AI 用例生成智能体。项目经过 80+ 小需求、十几个大版本需求验证，生成测试用例可用率达 90%+，可直接进入测试设计、用例评审和回归测试准备流程。

它也不是简单的“让大模型写用例”：系统会先审查需求缺口和逻辑不闭环问题，再通过人工确认补齐事实，生成用例。

成本也足够低：按当前推荐配置，即使用高质量模型组合，常见单任务成本约 1-2 元。

界面预览

功能

• 文本需求导入：支持粘贴或上传 PRD/需求说明。
• 图片需求导入：支持上传原型图、设计稿、截图和补充备注。
• 人工确认：对需求缺口、逻辑不闭环或关键信息缺失进行一次性确认。
• 测试用例生成：覆盖普通模块用例和跨模块链路用例。
• 结果导出：支持在页面查看并下载 Excel/JSON。
• 模型配置：页面内配置不同阶段使用的模型，并可测试连通性。

技术栈

• Backend: Flask, SQLAlchemy, SQLite
• Frontend: Vue 2, Element UI
• Workflow: LangGraph
• Model Config: OpenAI-compatible

快速开始

一键启动

git clone https://github.com/blackhaiyu-sudo/spec2case.git
cd spec2case
bash scripts/quick-start.sh

国内网络也可以使用 Gitee 地址：

git clone https://gitee.com/blackhai/spec2case.git
cd spec2case
bash scripts/quick-start.sh

脚本支持 Ubuntu 20.04/22.04/24.04 等主流 Ubuntu 系统和 macOS。Ubuntu 缺少 Docker 时会自动安装 Docker Engine 与 Docker Compose 插件；macOS 需要 Docker Desktop。

访问：

http://localhost:5002

首次启动后可在页面“模型配置”中维护模型，也可以直接编辑 runtime/config/OAI_CONFIG_LIST 后重启容器。

测试用例生成质量强依赖模型能力。首次进入页面后，建议先打开“模型配置”，按下面三类用途填好模型并点击“测试”确认连通性：

费用参考：按当前推荐配置，常见单任务约 1-2 元。实际费用取决于模型、需求长度和图片数量，页面“AI 协作运行”会展示任务估算费用。

如果只想先体验页面，可以先查看内置示例任务；如果要生成自己的高质量用例，请先完成以上模型配置。

本地开发

git clone https://github.com/blackhaiyu-sudo/spec2case.git
cd spec2case
python3 -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt
cp config/OAI_CONFIG_LIST.example config/OAI_CONFIG_LIST
python database/init_db.py init
./start.sh

文档

• 部署说明
• 图文使用手册

目录

agents/       Agent 定义和提示词模板
config/       模型配置示例
database/     数据库模型和初始化脚本
routes/       Flask API
services/     核心业务、LangGraph 流程、文件服务
static/       前端静态资源
templates/    页面模板
docs/         开源文档

本地数据

运行过程中会产生配置、上传文件、日志和导出结果。Docker Compose 默认写入 runtime/，本地开发默认写入项目下的运行目录：

• config/OAI_CONFIG_LIST
• data/
• logs/
• outputs/
• uploads/
• runtime/

License

MIT

开发者的话

Spec2Case 的目标不是替代人工，而是把真实需求、人工确认和模型能力结合起来，让测试用例生成更高效、风格统一。现实里的 PRD、截图和业务说明很少天然完整，所以保留人工确认是必要的，AI 更适合做整理、补全和结构化。

没有把企业知识库或 RAG 放进主链路，是因为包袱太重，知识库本身质量不好反而适得其反。

联系与反馈

• Issues：GitHub / Gitee 仓库 Issues
• 邮箱：18511694256@163.com