AI 友好型应用开发实践：环境管理升级

摘要： 本文分享了在测试环境管理系统中引入 AI 能力的实践经验，通过从传统多表级联架构升级为扁平化 JSON 存储方案，显著提升了 AI 的交互效率和系统可维护性。

关键词： AI 友好性、JSON 存储、环境管理、测试自动化、架构升级

---

一、背景：当传统架构遇到 AI

在自动化测试领域，环境管理一直是个复杂问题。传统的测试环境管理系统通常采用多表级联的设计：

• 环境主表 - 存储基本信息
• 配置表 - 存储环境配置
• 仪表关联表 - 关联测试仪表
• 历史记录表 - 记录环境变更
• 变更日志表 - 记录操作日志
• ...（通常 10+ 张表）

这种设计在人工操作时代尚可接受，但当我们需要引入 AI Agent（如 TSE Agent）来辅助环境管理时，问题就暴露出来了。

二、痛点分析：为什么传统架构不 AI 友好？

2.1 AI 难以理解复杂表关系

-- AI 需要生成的复杂 SQL
SELECT e.*, c.*, i.*, h.*
FROM environment e
JOIN config c ON e.id = c.env_id
JOIN instrument_relation ir ON e.id = ir.env_id
JOIN instrument i ON ir.instrument_id = i.id
LEFT JOIN history h ON e.id = h.env_id
WHERE e.status = 'active'
AND e.test_type = '5G_NR';

问题：

• AI 需要理解多张表的外键关系
• 生成 SQL 容易出错
• 查询性能随数据量下降

2.2 AI 生成配置需要多步操作

传统方式下，AI 需要：

1. 生成环境基本信息 → 插入环境表
2. 生成仪表列表 → 插入仪表关联表
3. 生成信号参数 → 插入配置表
4. 维护外键一致性 → 容易出错

2.3 扩展和维护困难

• 新增一种环境类型需要增加表或字段
• 删除环境需要级联清理多张表，易产生脏数据
• 恢复环境几乎不可能

三、新方案：扁平化 JSON + 少量核心表

3.1 架构设计

维度	传统方案	新方案
表结构	10+ 张表，外键层层嵌套	2 张表 + JSON 字段
核心表	环境主表、配置表、仪表关联表...	环境配置表、环境实例表
数据存储	分散在多张表	集中存储在 JSON 字段

3.2 表结构设计

-- 环境配置表（存储环境定义）
CREATE TABLE environment_config (
    id BIGINT PRIMARY KEY,
    name VARCHAR(255) NOT NULL,
    config_json JSON NOT NULL,  -- 完整的环境配置
    schema_version VARCHAR(50),
    created_at TIMESTAMP,
    updated_at TIMESTAMP
);

-- 环境实例表（存储运行时状态）
CREATE TABLE environment_instance (
    id BIGINT PRIMARY KEY,
    config_id BIGINT,
    status VARCHAR(50),  -- active/inactive/deleted
    runtime_json JSON,   -- 运行时状态
    created_at TIMESTAMP,
    last_used_at TIMESTAMP
);

3.3 JSON 结构示例

{
  "environmentName": "5G NR 测试环境",
  "testType": "射频性能测试",
  "description": "用于 5G NR 射频性能验证",
  "instruments": [
    {
      "type": "频谱仪",
      "model": "FSW43",
      "ip": "192.168.1.100",
      "port": 5025,
      "calibrationDate": "2026-03-01"
    },
    {
      "type": "信号源",
      "model": "SMW200A",
      "ip": "192.168.1.101",
      "port": 5025,
      "powerRange": "-130 to 20 dBm"
    }
  ],
  "signalParams": {
    "frequency": 3.5e9,
    "bandwidth": 100e6,
    "modulation": "256QAM",
    "subcarrierSpacing": 30e3
  },
  "limits": {
    "evm": 0.03,
    "aclr": -45,
    "sem": -25
  },
  "metadata": {
    "createdBy": "TSE Agent",
    "createdAt": "2026-03-27T10:30:00Z",
    "version": "1.0"
  }
}

四、新方案如何支撑 AI "直接生成和管理"

4.1 AI 直接生成完整环境配置

传统方式：

# AI 需要分步生成
env_id = create_environment("5G NR 测试环境")
config_id = create_config(env_id, {...})
instrument_ids = create_instruments(env_id, [...])

新方式：

# AI 一次性生成完整配置
config = {
    "environmentName": "5G NR 测试环境",
    "testType": "射频性能测试",
    "instruments": [...],
    "signalParams": {...}
}
save_environment(config)  # 直接存入 JSON 字段

4.2 AI 直接查询与理解环境状态

传统方式： AI 需要理解表关系，生成复杂 SQL

新方式：

-- AI 只需简单查询
SELECT runtime_json FROM environment_instance 
WHERE status = 'active';

-- 搜索特定仪表的环境
SELECT * FROM environment_instance 
WHERE runtime_json->'instruments' @> '[{"model": "FSW43"}]';

4.3 AI 辅助环境恢复与克隆

传统方式： 删除需要级联清理，恢复困难

新方式：

-- 删除（软删除）
UPDATE environment_instance SET status = 'deleted' WHERE id = 123;

-- 恢复
UPDATE environment_instance SET status = 'active' WHERE id = 123;

-- 克隆
INSERT INTO environment_instance (config_id, status, runtime_json)
SELECT config_id, 'active', runtime_json 
FROM environment_instance WHERE id = 123;

4.4 AI 进行健康度分析

传统方式： 需要 JOIN 多张表获取历史记录

新方式：

{
  "healthMetrics": {
    "uptime": "99.8%",
    "lastCalibration": "2026-03-01",
    "errorCount": 3,
    "performanceScore": 95
  },
  "changeHistory": [
    {"date": "2026-03-26", "change": "更新频率配置", "by": "AI Agent"},
    {"date": "2026-03-25", "change": "添加新仪表", "by": "工程师"}
  ]
}

五、方案对比与收益

5.1 详细对比

维度	传统多表级联	新方案（2表+JSON）	改进
表数量	10+ 张	2 张	80% 减少
查询复杂度	多表 JOIN，SQL 复杂	单表查询，JSON 直接返回	极大简化
AI 友好性	AI 难以理解表关系，生成 SQL 易错	AI 直接读取/生成 JSON，格式一致	AI 原生支持
配置生成	AI 需分步生成多条记录，维护外键	AI 一次生成完整 JSON，直接存入	工作流简化
环境恢复	删除需清理多表，易产生脏数据	删除仅标记状态，恢复只需改状态	容错性提升
扩展性	新增环境类型需增加表或字段	新增只需扩展 JSON Schema	灵活扩展
性能	JOIN 性能随数据量下降	单表查询，JSON 索引优化	查询效率高

5.2 量化收益

1. 开发效率提升

   • 环境创建：从 5+ 步操作 → 1 步完成
   • 代码量：减少 60% 的数据访问层代码
   • 调试时间：减少 70% 的 SQL 调试时间

2. AI 交互效率

   • 配置生成：从分钟级 → 秒级
   • 错误率：降低 80% 的外键一致性错误
   • 理解成本：AI 无需学习复杂表结构

3. 系统可维护性

   • 表数量：从 10+ → 2
   • 迁移成本：新增功能无需数据库迁移
   • 恢复能力：支持一键恢复已删除环境

六、对其他项目的启发

这套"扁平化 JSON + 少量核心表"的设计思路，可以为其他希望引入 AI 能力的平台提供借鉴：

项目类型	借鉴点	预期收益
配置管理平台	用 JSON 替代多表存储配置项	AI 直接生成/优化配置
设备资产管理	每类设备定义 JSON Schema，统一存储	AI 可跨设备类型分析
测试任务管理	任务参数、步骤、预期结果用 JSON 存储	AI 一键生成复杂任务
运维工单系统	工单详情、处理步骤、关联资源用 JSON 存储	AI 自动生成处理方案
数据分析平台	将数据集元数据以 JSON 存储	AI 直接理解数据结构和血缘关系

七、核心启示

7.1 设计原则

1. AI 原生优先

   • 让 AI 能够直接读、写、理解数据
   • 减少业务逻辑和数据库之间的翻译层

2. 数据结构扁平化

   • 用 JSON 替代复杂的关系模型
   • 保持数据的自包含性

3. 状态驱动而非操作驱动

   • 记录状态变化而非操作日志
   • 支持随时回滚和恢复

7.2 实施建议

1. 渐进式迁移

   • 新功能采用新方案
   • 老功能逐步迁移
   • 保持双向兼容

2. JSON Schema 管理

   • 定义清晰的 Schema 规范
   • 提供 Schema 验证工具
   • 支持版本升级

3. 查询优化

   • 合理使用 JSON 索引
   • 避免过度嵌套
   • 定期清理历史数据

八、总结

这次环境管理系统的升级实践，让我们深刻认识到：当系统需要 AI 深度参与时，数据结构的 AI 友好性应该成为首要考虑因素。

传统的关系型数据库设计虽然严谨，但在 AI 交互场景下反而成为障碍。通过采用扁平化 JSON 存储，我们不仅简化了系统架构，更重要的是让 AI 能够更自然、更高效地与系统交互。

技术栈建议：

• 数据库：PostgreSQL（JSONB 支持完善）
• 查询语言：SQL + JSON 路径表达式
• 索引策略：GIN 索引加速 JSON 查询
• 验证工具：JSON Schema 验证库

未来展望：
随着 AI Agent 能力的不断提升，这种 AI 友好的架构模式将在更多领域得到应用。我们正在探索将这一模式推广到公司的其他平台，构建真正的 AI 原生应用生态系统。

---

作者简介： 资深测试架构师，11 年华为自动化测试平台开发经验，专注于 AI 在测试领域的应用实践。

欢迎交流： 如有问题或建议，欢迎在评论区留言讨论！

---

本文首发于个人博客，转载请注明出处。