摘要：针对职业院校软件测试赛项培训中存在的理论与实践脱节、个性化指导不足等问题,本研究提出了一种基于Trae平台的智能辅导系统,构建分层系统架构。结果表明,该系统显著提升了学生的测试理论掌握度、用例设计质量以及缺陷发现能力,验证了其在职业教育中的有效性与应用价值。

　　关建词：智能辅导系统；软件测试；职业教育

　　1研究背景

　　随着人工智能技术的快速发展和职业教育改革的深入推进,智能教育技术在职业技能培养领域展现出巨大的应用潜力。在这一背景下,探索基于人工智能技术的智能辅导系统对提升职业教育质量具有重要意义。职业技能大赛作为职业院校检验教育成果的重要平台,其竞赛内容日益趋向实用化和综合化。软件测试赛项要求参赛选手具备扎实的理论基础和熟练的操作技能,但传统培训模式存在明显不足,一是培训内容与实际比赛要求脱节,缺乏真实场景的实操训练,二是无法针对学生个体差异提供个性化指导,难以满足备赛的精准需求。

　　Trae平台为构建教育类智能Agent提供了强大的技术支持。该平台采用创新架构,将传统IDE开发功能与人工智能辅助能力深度融合,具备完善的智能体开发框架和强大的自然语言处理能力。基于MCP协议的支持,平台能够无缝集成各种测试工具和代码分析器,极大地扩展了智能体的功能边界。

　　2智能辅导系统总体设计

　　2.1系统架构设计

　　本研究设计的智能辅导系统采用分层架构模式,整体架构包含四个逻辑层次：用户层、智能体层、工具层和数据层。这种分层设计确保了系统的模块化、可扩展性和可维护性。

　　工具层借助MCP协议集成了专业化的测试工具,核心工具包括测试用例生成MCP、代码静态分析MCP以及自动化测试MCP。测试用例生成MCP用以接收需求文本,自动生成结构化测试用例,并以JSON格式返回给智能体。最核心的自动化测试MCP是基于Jinja2的Web服务将来自其他MCP的原始数据填充到预设的HTML/CSS模板中,提供专业的测试能力支持。

　　智能体层是系统的核心处理层,由在Trae平台创建的专用智能体构成,承担着教学逻辑处理、对话管理和决策调度的职责。协同工作模块负责内容检索以及决策建议。自然语言处理模块负责理解用户输入,知识推理模块负责问题求解,教学策略模块负责学习路径规划。各模块间通过定义清晰的接口进行通信,确保系统的高内聚低耦合特性。

　　数据层负责系统的数据存储和管理,采用混合存储策略,主要存储知识库和过程数据这两种类型的数据。知识库包括一些非结构性的教学资料（PDF、PPT）,使用MySQL关系型数据库存储[1]；过程和成果数据则以结构化的形式存储在MongoDB文档数据库中,形成个人专属学习档案。

　　用户层基于Trae IDE的交互界面,提供了学生与智能体进行多模态交互的统一入口。学生通过自然语言对话（如“帮我设计一个登录功能的测试用例”）、提交测试脚本或触发特定命令（如 test-assistant analyze this code）发起请求。该层支持多种交互方式,包括自然语言对话、代码编辑、测试执行可视化等。用户通过该层与智能体进行问答交流,提交测试代码,查看测试报告和分析结果。界面设计遵循教育软件可用性原则,确保操作直观性和学习友好性。

　　2.2系统工作流程设计

　　本系统的运行遵循“理论—实践—反思”的闭环学习流程。首先,学生在Trae IDE中以自然语言提出问题（如“如何设计登录接口的测试用例?”）,智能体通过自然语言理解（NLU）精准识别意图[2],并从知识库调取等价类划分、边界值分析等理论知识,同时通过提问引导（如“密码字段的有效范围和边界是什么?”）帮助学生构建解题思路。其次,进入实践环节,智能体根据问题类型自动调用测试用例生成MCP或代码静态分析MCP等工具执行任务,并将返回的JSON或XML格式结果转化为启发式反馈,通过持续提问引导学生自主完善方案。最后,在总结归档阶段,系统启动测试报告生成MCP,将本次交互的全过程（包括原始问题、分析过程、工具结果、对话记录及最终方案）自动整合为一份结构化的HTML笔记,并持久化存储于个人知识库中。（如图1所示）。

　　3智能体的实现与集成

　　3.1 Prompt工程设计

　　Prompt设计是智能体实现的核心环节,直接决定了智能体的教学效果和交互质量。本研究基于软件测试赛项的特殊需求,设计了系统化的Prompt工程方案,重点围绕角色设定和对话流程来展开[3]。对话流程采用状态机模型管理,包含初始化、问题分析、方法引导、实践练习、总结反馈五个状态,每个状态都有对应的Prompt模板和转换条件。

　　3.2 MCP工具开发与集成

　　在MCP工具的开发与集成方面,本研究重点构建了四个核心工具模块,形成了一个完整的软件测试辅导工具链。测试用例生成工具基于模型驱动架构开发,能够智能解析需求规格并自动选择最优测试策略,支持边界值分析、等价类划分、决策表和状态转换等多种测试设计方法,有效提升了测试用例设计的效率和质量。代码静态分析工具集成了多语言静态检查引擎,提供全面的代码质量评估功能。自动化测试执行工具采用容器化技术构建,提供了统一的测试执行环境。测试报告生成工具基于模板引擎技术,能够动态生成多种格式的测试报告。

　　3.3知识库构建与管理

　　在知识库构建方面,本研究设计了包含基础理论层、实践案例层和经验知识层的三层架构体系。基础理论层系统整理软件测试核心概念和方法论；实践案例层整合历年赛题真题和企业真实项目,提供完整的测试场景分析；经验知识层则聚焦测试技巧和常见问题解决方案等隐性知识。知识管理机制采用多源采集和动态更新策略,在学生测试结束后,将学习过程、测试结果和分析建议自动整理成结构化笔记,保存到个人知识库中,为学员精准推荐最适合的学习内容。

　　4系统测试与效果分析

　　4.1核心功能测试

　　本文对智能体的核心功能进行了全面测试,覆盖所有设计的功能模块。自然语言理解测试使用500个测试问题,覆盖各种表达方式,包括标准问题、口语化问题、模糊问题等。测试结果显示,意图识别准确率达到92.3%,问题分类准确率达到94.7%。测试用例生成测试针对不同类型的测试需求,验证测试用例生成的质量和完整性。使用边界值分析、等价类划分、决策表等方法生成的测试用例平均需求覆盖率达到88.5%。智能体核心功能模板可以有效应对练习中的大部分问题,测试结果表现优异。

　　4.2教学效果评估

　　选取山西经贸职业院校软件技术专业的40名学生作为实验对象,随机分为实验组和对照组各20人。实验组使用智能辅导系统进行训练,对照组采用传统培训方式。训练周期为8周,每周10学时。实验前后分别进行能力测试,测试内容涵盖测试理论、用例设计、缺陷管理、自动化测试等多个方面。教学评估结果如表1所示。

　　通过对实验组和对照组的对比数据分析可知,智能辅导系统在软件测试教学的各个维度均展现出显著优势。在测试理论掌握度方面,实验组达到89.2%,较对照组的75.6%提升了17.9个百分点,这表明智能体通过结构化的知识呈现和个性化的学习路径,有效促进了学生对测试理论体系的深入理解。测试用例设计质量方面,实验组获得了86.7%的评分,相比对照组的71.3%提升了21.6%,充分体现了智能体在测试设计方法引导和实时反馈方面的价值,帮助学生掌握更科学、更全面的测试用例设计方法。在缺陷发现能力方面,实验组达到83.5%,较对照组提升了21.2%,这反映出智能辅导系统通过模拟真实测试场景和提供详细的缺陷分析指导,显著提升了学生的实际问题发现能力。

　　提升效果最明显的是学生的自动化测试技能和知识保持率,实验组相较于对照组分别提升28.1%和25.2%。自动化测试技能提升主要得益于系统提供的沉浸式自动化测试环境和即时实践指导更符合比赛实操场景,使学生能够快速掌握自动化测试工具的使用技巧和最佳实践。

　　在知识保持率方面,培训结束四周后,实验组的知识保持率达到82.4%,而对照组仅为65.8%,相差25.2个百分点。这一数据充分证明了智能辅导系统通过个性化复习提醒、错题强化训练和知识图谱串联等方式,有效促进了学生知识存储,建立了更加牢固的知识结构。综合各项指标,智能辅导系统不仅在即时学习效果上表现优异,更重要的是在知识保持和技能转化方面展现出了显著优势,体现了其在职业教育教学中的重要价值。

　　5结语

　　本研究基于Trae平台设计并实现了面向职业院校软件测试赛项的智能辅导系统。系统通过智能体架构、MCP工具链集成和多层知识库构建,有效解决了传统培训中理论与实践脱节、个性化指导不足等问题。实验结果表明,系统显著提升了学生的测试理论掌握度、用例设计质量、缺陷发现能力,尤其在自动化测试技能和知识保持率方面提升显著。目前系统在移动端支持和多模态交互方面仍有提升空间。未来将完善移动端功能,支持碎片化学习。

　　本系统不仅为软件测试赛项提供了有效培训工具,其智能体架构、工具集成方案和知识管理机制也为其他职业技能竞赛培训提供了可复用的技术方案,在促进教育公平、实现个性化教学、提升培训效率等方面展现出重要价值。

参考文献

　　[1]刘石奇,刘智,段会敏,等.大模型驱动的教育多智能体系统应用研究—技术架构、发展现状、实践路径与未来展望[J].远程教育杂志,2025,43(1):33-45.

　　[2]荣雁南.基于人工智能的计算机软件自动化测试方法研究[J].信息与电脑,2025,37(15):43-45.

　　[3]黄子彪,卓晓莉,廖俊龙,等.应用于算法竞赛虚拟教研的智能体搭建与实践探索[J].电脑知识与技术,2025,21(20):19-22.