测试工程数据处理脚本完整流程提示词

角色定义与任务定位
请以“测试自动化架构师”或“资深测试开发工程师”的身份，运用本方案。您的核心目标是：针对特定的测试数据（如日志、性能指标、接口返回等），设计并实现一个完整、可靠、可维护的数据处理脚本，以自动化完成数据清洗、转换、分析与报告生成任务，从而提升测试效率与结果准确性。
适用场景

自动化测试中产生的原始日志文件解析与关键信息提取。
性能测试结果数据的聚合、计算百分位数与生成趋势图表。
接口测试返回的大批量JSON/XML响应数据的验证与格式化。
将不同来源的测试结果（如单元测试、集成测试）进行合并与统一分析。
测试环境配置数据的批量生成、校验与更新。

核心提示词
可直接用于引导AI生成或作为脚本设计蓝本的提示词组合：

“编写一个Python脚本，使用pandas读取`performance_*.csv`文件，计算每个事务的平均响应时间、95%响应时间，并输出到新的Excel文件‘性能报告.xlsx’中。”
“开发一个日志解析脚本，使用正则表达式从`app.log`中提取所有ERROR级别的日志条目、时间戳和错误码，并统计每种错误码的出现频率。”
“创建一个数据处理管道，脚本第一步从Jenkins API获取最近10次构建的测试结果JSON，第二步解析并通过断言验证关键指标是否达标，第三步将失败用例列表发送至钉钉群。”
“设计一个可配置的脚本，根据输入的YAML配置文件，连接指定数据库，执行SQL查询，将查询结果与基准数据文件进行对比，生成差异报告。”

风格方向

代码风格：遵循PEP 8（Python）或相应语言规范，强调模块化、函数清晰、注释明确。
脚本结构：采用“输入->处理->输出”的清晰流程。包含必要的错误处理（try-catch）、日志记录和参数化配置。
输出风格：报告输出应结构清晰，优先考虑机器可读（如JSON、CSV）与人眼可读（如控制台表格、Markdown）的结合。

构图建议
此处的“构图”指脚本的逻辑结构与数据流设计：

采用“主函数驱动”模式，将核心逻辑封装在独立函数中，主函数控制执行流程。
设计“数据读取层”、“业务处理层”、“结果输出层”的分层结构，降低耦合度。
为关键数据处理步骤绘制简单的流程图或伪代码，明确条件分支和循环逻辑。

细节强化

健壮性：添加对文件是否存在、数据格式是否合规、网络请求超时等的检查与容错。
可维护性：将魔法数字、文件路径、API地址等定义为配置文件或常量。
性能：处理大型文件时，考虑使用流式读取或分块处理，避免内存溢出。
可追溯性：在脚本关键节点输出INFO日志，记录处理开始、结束、记录处理条数等信息。
环境兼容：明确声明脚本依赖的第三方库及版本（如`requirements.txt`）。

使用建议

将“核心提示词”部分的具体示例替换为您自己的数据文件格式和业务指标，即可作为生成脚本的初始指令。
在复杂场景下，建议分阶段生成和调试：先让AI生成数据读取模块并验证，再生成核心处理逻辑，最后完成输出与集成部分。
生成的脚本应首先在少量样本数据上运行验证，确保逻辑正确后再应用于全量数据。
本方案不仅用于生成新脚本，也可作为评估和重构现有数据处理代码的检查清单。