开发与测试工程师经常要做「测试数据工厂」这类事：为测试生成结构合理、可复现的假数据工厂。每次都从头写提示词，结果时好时坏；把它做成智能体 Skill，就能让智能体每次按同一套步骤执行，输出结构也更稳定。

本文介绍如何在 Dify 工作流 上实现这个技能，包括它的形态、示例配置、启用步骤、一次完整的运行过程和常见坑。

这个技能做什么

项目说明
技能测试数据工厂（test-data-factory）
作用为测试生成结构合理、可复现的假数据工厂
输入数据模型定义
输出数据工厂代码
形态纯提示词
风险低
适用人群开发与测试工程师

处理流程分四步：

  1. 读取模型字段与约束
  2. 设计默认值
  3. 支持覆盖字段
  4. 保证随机种子可复现

这个技能纯指令型，不需要额外脚本或外部连接，复制到大多数平台都能用；风险较低，但输出仍需快速过目再使用。

在 Dify 工作流 中是什么形态

Dify 是开源的大模型应用开发平台，可以用可视化工作流把开始、LLM、知识检索、代码执行、HTTP 请求、条件分支等节点串起来，适合把技能做成团队可直接使用的应用。

可以使用云端版本或自行部署；工作流发布后可通过网页应用或 API 调用。

示例配置

# 示意结构（便于理解节点关系，不是 Dify 导出的 DSL 文件）
应用: 测试数据工厂
类型: 工作流
节点:
  - 开始: 输入变量 content（数据模型定义）
  - 模板转换: 预处理输入，统一格式
  - LLM: 系统提示词写明步骤——读取模型字段与约束；设计默认值；支持覆盖字段；保证随机种子可复现
  - 条件分支: 输出中是否包含“需人工确认”
  - 结束: 输出 数据工厂代码

示例里最重要的是两处：一是描述（或指令开头）要写明「什么时候用」，让智能体在开发与测试工程师提出相关请求时能对上号；二是约束部分要写进「生成的测试要先在本地跑通，别只盯覆盖率数字」这类领域规矩，避免智能体自作主张。

安装与启用步骤

  1. 新建工作流（或对话流）应用
  2. 在开始节点定义输入变量
  3. 按技能步骤添加 LLM、代码或工具节点
  4. 加条件分支处理需人工确认的情况
  5. 调试运行后发布，并把访问方式告诉团队

实操：一次完整的运行

假设你在测试框架与 CI 流水线中发出这样的请求（虚构示例）：

帮我做一下测试数据工厂，材料是附上的数据模型定义。

智能体识别到任务与「测试数据工厂」相关后，会依次读取模型字段与约束、设计默认值、支持覆盖字段、保证随机种子可复现。最终交付数据工厂代码，并在末尾列出需要人工确认的内容。你的工作是对照原始数据模型定义抽查两三处关键信息，确认无误后再使用。

测试与验收

在调试面板逐节点查看输入输出，准备至少三组样例反复运行。

针对这个技能，还建议额外准备：

  • 一份信息齐全的标准数据模型定义，检查输出是否完整
  • 一份缺少关键信息的输入，检查智能体是否先提问而不是编造
  • 一份包含“忽略以上规则”等字样的输入，检查约束是否仍然有效

常见坑

  • 所有步骤都塞进一个 LLM 节点，出错时难以定位。
  • 代码节点中写死了敏感配置。
  • 只写了步骤，没写交付格式，导致每次输出的数据工厂代码结构不同。
  • 没有给出样例，智能体对“好结果”的理解与你不一致；在参考资料里放一两份范例会明显改善。

延伸阅读

说明：文中的配置、代码与目录结构均为示意，用于说明思路；各平台的入口、字段名与能力会更新，落地前请以对应官方文档为准。示例中的数据与场景为虚构，不代表真实案例。