1.1 知识管理视角
我们在工作和生活中，积累了大量的文档、代码、笔记。
如果没有一个统一的存储和检索系统，这些资料容易变得杂乱无章，查找起来费时费力。
1.2 测试工程师视角
TO B企业，如进一步分析测试人员用例编写的工作，不难发现存在两种场景：
- 同质化项目用例生成
- 定制化项目用例生成
通过 Deepseek + Python 我们工程化优化了定制化项目用例生成的相关人工操作过程（需求提炼、API调用、Prompt、文档导出）Deepseek API工程调用，提效测试用例生成。
那对于同质化项目用例生成，如何利用历史测试用例、历史需求文档，推荐或自动生成相关测试用例呢？
二、预期实现目标通过结合Deepseek + Cherry-Studio，预期实现以下目标：
知识管理视角：
搭建自己的个人知识库，实现本地上传文档，量化知识库，通过智能助手快速回复。 集中管理：将所有资料统一存储，避免散落各处。
快速检索：通过智能搜索，快速定位你需要的信息。
高效学习：通过结构化存储，提升学习和工作效率。
测试工程师视角：
智能生成测试用例：基于当前需求文档和历史测试用例、历史需求文档，推荐或自动生成相关测试场景； 提高测试覆盖率：利用Deepseek的内置知识储备、语义搜索，避免遗边界条件、异常测试、质量特性覆盖等用例； 减少重复劳动：复用已有用例并结合需求文档生成新的测试用例； 降低维护成本：构建测试用例库，支持高效查询复用；
三、方案实现
3.1 Deepseek + Cherry-Studio 提效解决方案
模型选择：少走三十年弯路，选择当下最热门，效率最高的Deepseek模型（有满血版R1 免费API和本地部署版本可选） 向量知识库：选择Cherry-Studio ，相对AnythingLLM，搭建更为便捷
Deepseek提供强大的语义搜索和知识推荐能力，结合 Cherry-Studio 本地向量化知识库， 实现以下功能：
内部需求、测试用例资产向量化 提供需求提炼内容，生成基础用例 基于向量知识库，复用已有用例，补充新用例
3.2 数据准备
准备内部的需求、测试用例资产
3.3 Deepseek + Cherry-Studio 本地向量知识库搭建
3.3.1 下载安装 Cherry-Studio （最新版）
https://cherry-ai.com/download.html - 选择安装目录安装即可。
3.3.2 注册硅基流动账号（薅免费满血Deepseek R1 API）
DeepSeek本地化部署，笔者自己电脑 运行14b 大模型很卡，建议直接薅免费，新用户注册即送2000万Tokens。
服务注册
SiliconFlow, Accelerate AGI to Benefit Humanity【硅基流动】：https://siliconflow.cn/zh-cn/
生成密钥
3.3.3 配置硅基流动API 密钥 和 deepseek-ai/DeepSeek-R1 模型
3.3.4 增加嵌入模型
嵌入模型是把文字变成数字向量的模型。这是生成知识库的内核
例子：比如“苹果”这个词，嵌入模型会把它变成一个数字向量，比如 [0.1, 0.2, 0.3]。如果“苹果”和“水果”语义相近，它们的向量也会很接近，比如 [0.1, 0.2, 0.3] 和 [0.12, 0.21, 0.31]。这样，计算机就可以通过向量来理解它们的关系。
硅基流动查找模型
Cherry-Studio 添加模型
注：笔者当前使用免费的BAAI/bge-m3测试使用
3.3.5 新建知识库
3.3.6 组织资产向量化
3.3.7 添加助手并配置对应模型和预置Prompt
四、效果展示
