LangChain 是一个强大的框架，可以与向量数据库（如 Milvus）无缝集成，用于构建基于检索的增强生成（RAG）系统。在测试工程师的场景中，可以将测试资产（如需求文档、测试用例、缺陷报告等）存储在 Milvus 中，然后通过 LangChain 提供的检索功能快速查询和生成相关内容。

---

功能目标

1. 存储测试资产：将需求文档、测试用例和缺陷记录等内容转换为向量表示并存储到 Milvus。
2. 检索测试资产：根据用户输入的查询，快速检索相关内容。
3. 集成生成模型：结合检索结果，生成测试用例或分析缺陷原因。

---

架构流程

1. 文档预处理：

   • 清理和分割文档。
   • 将段落或内容片段转化为易于向量化的文本。

2. 向量化：

   • 使用嵌入模型（如 OpenAI 的 text-embedding-ada-002 或 Hugging Face 模型）将文本转化为向量。

3. 存储：

   • 将向量及其元数据存储到 Milvus 向量数据库。

4. 检索与生成：

   • 根据用户查询，通过向量相似性搜索检索相关内容。
   • 将检索结果与生成模型结合，生成响应。

---

示例代码：

1. 安装必要的依赖

首先确保安装了以下依赖库：

pip install langchain pymilvus openai sentence-transformers

2. 启动 Milvus

可以通过 Docker 快速启动 Milvus：

docker run -d --name milvus -p 19530:19530 -p 9091:9091 milvusdb/milvus:v2.2.9

2.1 Docker容器化部署（推荐）

1. 环境准备

   • 启用Windows子系统Linux（WSL）和虚拟机平台：
     bash
     dism.exe /online /enable-feature /featurename:Microsoft-Windows-Subsystem-Linux /all /norestart
     dism.exe /online /enable-feature /featurename:VirtualMachinePlatform /all /norestart
     重启后安装Docker Desktop并启用WSL 2后端。
   • 验证Docker安装：
     bash
     docker --version
     docker-compose --version

2. 获取并运行Milvus容器

   • 拉取官方镜像：
     bash
     docker pull milvusdb/milvus:latest
   • 启动容器（映射端口19530和19121）：
     bash
     docker run -d --name milvus -p 19530:19530 -p 19121:19121 milvusdb/milvus:latest
     服务启动后，通过浏览器访问http://localhost:19121验证。

3. 持久化存储（可选）

   • 挂载本地目录或使用Docker卷保存数据，避免容器删除后数据丢失。

---

2.2 预编译包部署（适合开发者）

1. 下载二进制包

   • 从GitHub仓库matrixji/milvus的windows-test-版本中选择对应版本（如windows-test-v8）。
   • 或直接下载预编译的zip包（含milvus.exe、minio.exe、etcd.exe）。

2. 启动服务

   • 解压zip包后依次运行：
     bash
     run_minio.bat 启动MinIO存储服务
     run_etcd.bat 启动etcd元数据服务
     run_milvus.bat 启动Milvus核心服务

3. 测试连接

   • 使用Python客户端验证：
     python
     from pymilvus import connections
     connections.connect(host=‘localhost’, port=‘19530’)

---

2.3 图形化界面（Attu）

1. 安装Attu

   • 下载Attu客户端（如attu-2.4.6-windows-x86_64.zip）并解压。
   • 启动Attu：
     bash
     .\attu.exe

2. 连接Milvus

   • 在Attu界面输入Milvus服务地址http://localhost:19530完成连接。

---

注意事项

• 资源分配：Docker Desktop中可调整CPU/内存限制以满足性能需求。
• 防火墙设置：确保端口19530（API）和19121（Web）未被拦截。
• 版本兼容性：若使用旧版Milvus，需注意依赖库（如pymilvus）的兼容性。

---

3. 示例代码实现

(1) 初始化 Milvus

python">from pymilvus import connections, FieldSchema, CollectionSchema, DataType, Collection

# 连接到 Milvus
connections.connect("default", host="localhost", port="19530")

# 定义 Milvus 的 schema
fields = [
    FieldSchema(name="id", dtype=DataType.INT64, is_primary=True, auto_id=True),
    FieldSchema(name="embedding", dtype=DataType.FLOAT_VECTOR, dim=1536),  # 维度与嵌入模型匹配
    FieldSchema(name="text", dtype=DataType.VARCHAR, max_length=1000)
]
schema = CollectionSchema(fields, "测试知识库存储需求")

# 创建 Collection
collection_name = "test_knowledge_base"
collection = Collection(name=collection_name, schema=schema)

---

(2) 嵌入模型初始化

使用 Hugging Face 的嵌入模型将文本转化为向量。

python">from langchain.embeddings import HuggingFaceEmbeddings
from langchain.text_splitter import RecursiveCharacterTextSplitter

# 初始化 Hugging Face 嵌入模型
embedding_model = HuggingFaceEmbeddings(model_name="bert-base-chinese")

# 文本分割器，确保文本块适合向量化
text_splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)

---

(3) 插入数据到 Milvus

将测试资产（文档、用例、缺陷记录）清洗后分割为小块，并存储到 Milvus 中。

python">def insert_data_to_milvus(collection, texts):
    """
    将文本转换为向量并存储到 Milvus
    :param collection: Milvus Collection
    :param texts: 文本列表
    """
    # 分割文本为小块
    chunks = text_splitter.split_text(texts)
    
    # 生成嵌入向量
    embeddings = embedding_model.embed_documents(chunks)

    # 插入到 Milvus
    collection.insert([embeddings, chunks])

# 示例：插入需求文档
test_document = """
用户可以通过系统完成账户注册。
注册时需要填写用户名、密码和邮箱，并完成邮箱验证。
如果邮箱已被注册，系统会提示“邮箱已被使用”。
注册完成后，用户可以登录账户。
"""
insert_data_to_milvus(collection, test_document)

---

(4) 检索数据

根据用户的查询，通过向量相似性搜索检索相关内容。

python">from langchain.vectorstores import Milvus
from langchain.prompts import PromptTemplate
from langchain.chains import RetrievalQA

# 初始化 Milvus 向量存储
vector_store = Milvus(
    collection_name=collection_name,
    connection_args={"host": "localhost", "port": "19530"},
    embedding_function=embedding_model.embed_query
)

# 检索相关内容
def retrieve_test_knowledge(query):
    """
    检索相关的测试资产
    :param query: 用户查询
    :return: 检索结果
    """
    # 检索相关内容
    results = vector_store.similarity_search(query, k=3)
    for i, result in enumerate(results, 1):
        print(f"结果 {i}: {result.page_content}")

# 示例：检索与“邮箱验证”的相关内容
retrieve_test_knowledge("邮箱验证")

---

(5) 集成生成模型

结合生成模型（如 OpenAI GPT）与检索结果，生成测试工程师需要的内容。

python">from langchain.chains import RetrievalQA
from langchain.chat_models import ChatOpenAI

# 初始化生成模型
llm = ChatOpenAI(openai_api_key="your-openai-api-key", temperature=0)

# 构建 RetrievalQA
qa_chain = RetrievalQA.from_chain_type(
    llm=llm,
    retriever=vector_store.as_retriever(),
    return_source_documents=True
)

# 用户查询
query = "如何设计邮箱验证的测试用例？"
response = qa_chain.run(query)
print("生成的测试用例建议：")
print(response)

---

4. 参考链接

以下是一些可以参考的资源和文档：

1. LangChain 官方文档：
   • LangChain Documentation
2. Milvus 官方文档：
   • Milvus Documentation
3. OpenAI 嵌入模型：
   • OpenAI Embedding Models
4. 向量数据库概览：
   • 向量数据库介绍

---

提高落地实践的建议

1. 数据清洗：

   • 在插入数据到 Milvus 前，对测试文档和用例进行清洗和分块，确保内容质量。
   • 使用正则表达式过滤掉无关信息（如模板注释、页眉页脚等）。

2. 优化嵌入模型：

   • 根据具体测试领域，选择更适合的嵌入模型（如 Hugging Face 的领域特定模型）。
   • 对嵌入模型进行微调，增强对测试资产的理解。

3. 检索增强：

   • 设置检索的 k 值（返回的结果数量），根据实际需求调整。
   • 使用 RAG（Retrieval-Augmented Generation）技术，将用户查询的上下文与检索结果结合，提高生成模型的准确性。

4. 多格式支持：

   • 扩展对 docx、pdf 等格式的解析，结合 PyPDF2 和 python-docx 等库处理文档数据。

---

总结

通过 LangChain 和 Milvus，测试工程师可以快速构建一个高效的测试知识库，支持测试资产的存储、检索和生成。本文提供了从环境搭建到代码实现的完整流程，以及提高系统落地实践效果的建议。结合 LangChain 的检索能力和 Milvus 的向量存储性能，这套方案将显著提升测试工作的效率与准确性。