7. 常见问题（FAQ）

如果你正在了解或使用 Treeify，下面这份整理可以帮助你更快理解 Treeify 的核心能力、使用方式、文件解析、生成逻辑、集成部署、计费方式以及反馈渠道。

一、产品与基础使用

Q1. Treeify 是什么？

Treeify 是一款 AI 驱动的测试设计与用例生成工具，目标是帮助团队以更高的效率和更稳定的质量完成测试设计工作。

与传统的一次性生成不同，Treeify 更强调结构化、可审查、可修改、可持续优化的测试设计过程。系统会将生成结果以可编辑的思维导图方式呈现，便于 QA 团队直观查看结构、评审覆盖范围，并对结果进行修改与迭代。

Q2. 不上传文件也能使用 Treeify 吗？

可以。

除了上传文件，你也可以直接在页面提供的文本输入区手动填写需求信息，以此驱动测试对象与测试场景的生成，并根据你的描述进行定制化输出。

这意味着，即使暂时没有整理好的 Word、PDF 或表格文件，你也可以先把核心需求输入进去，快速开始使用 Treeify。

Q3. Treeify 是否提供免费试用？

提供。

在当前内测阶段，每个账号可以免费获得 100 credits，用于体验 Treeify 的核心能力。

二、生成、编辑与持续优化

Q4. 生成的结果不够多，如何生成更多？

可以继续补充生成。

你可以先勾选希望扩展的内容，再在对话框中输入更明确的要求，例如：

请帮我生成更细颗粒度的内容
请补充生成更多需求
请补充生成更多测试对象
请补充生成更多测试用例

Treeify 会基于你勾选的范围和输入的指令，对结果进行进一步细化或扩展。

Q5. 现在直接编辑 JSON 或表格不太方便，是否有更好的修改方式？

有，建议优先使用对话方式进行修改。

你可以先勾选需要调整的内容，再通过自然语言描述你的修改要求。系统会返回根据指令生成的新结果，你可以先审核，确认无误后再替换原结果。

相比直接编辑 JSON 或表格，这种方式更适合复杂逻辑的调整，也更高效。

Q6. 我可以编辑生成的测试用例吗？

可以。

你可以通过思维导图编辑器、页面提供的详细编辑表单，或者结合对话方式，对任意生成内容进行评审与修改。

Treeify 的目标不是把结果一次性“扔给你”，而是让你在结构化结果的基础上，更高效地完成审查、修正与迭代。

Q7. 我希望把我修改过的逻辑让 AI 学会，下次不再重复修改，应该怎么做？

可以。

你可以先勾选需要修改或优化的内容，再通过对话完成调整。修改完成后，点击 Generate Skills，Treeify 会自动总结你这次修改背后的逻辑，并生成对应的 skills。

在后续相似场景中，系统会自动判断并应用这些 skills，减少重复修改，让 AI 逐步贴近你的测试设计习惯和标准。

Q8. 我可以上传我自己的 skills 吗？

可以，这项能力正在开发中。

功能上线后，我们会在内测群中第一时间发布通知。

三、生成依据与缺失信息说明

Q9. 什么是证据等级（`evidence_level`）？

证据等级（evidence_level）用于标记：当前这条生成结果，究竟是基于什么程度的输入依据得出的。

它的意义在于帮助你判断，这条内容到底属于哪一种情况：

输入中明确写出的
根据上下文可以推导出的
AI 对内容类型的归类推断
基于领域通用经验做出的补充

这可以帮助你更好地区分：哪些内容可以直接作为依据使用，哪些内容更适合进一步确认。

Q10. 证据等级（`evidence_level`）包含哪几种类型？

证据等级（evidence_level）主要包含以下四种类型：

明确证据（explicit）
隐含证据（implied）
类型推断（inferred_type）
领域通用证据（domain_common）

它们分别对应不同强度和不同来源的依据类型，用于帮助你理解当前内容的来源以及可信程度。

Q11. 明确证据（`explicit`）是什么意思？

明确证据（explicit）表示这条内容是输入材料中直接明确写出的。例如需求文档、说明文档、业务规则或原型中已经出现了这项信息，Treeify 只是将它提取、整理或结构化表达出来，并没有进行额外推断。

这类内容的确定性最高。

Q12. 隐含证据（`implied`）是什么意思？

隐含证据（implied）表示这条内容不是输入中逐字写出的，但可以根据已有内容较明确地推导出来。

它不是凭空补充，而是基于流程关系、字段含义、上下文逻辑或状态变化做出的合理推断。

这类内容仍然有输入依据，但相比明确证据（explicit），更建议在关键场景下进行确认。

Q13. 类型推断（`inferred_type`）是什么意思？

类型推断（inferred_type）表示：相关事实本身可能来自输入，但这条内容所属的测试类型、分析维度或结构归类，是 Treeify 根据内容特征推断出来的。

例如，输入中明确写了一个字段长度限制，但“这属于边界条件测试”这一归类动作，可能就是类型推断（inferred_type）。它不是编造事实，而是 AI 对测试设计结构的判断。

Q14. 领域通用证据（`domain_common`）是什么意思？

领域通用证据（domain_common）表示：这条内容不是输入中直接写出的，也不是从输入逻辑中强推出来的，而是基于该领域常见规则、通用经验或常规测试关注点做出的补充。

例如，需求中只写了正常流程，但没有写异常输入、空值、非法字符或常见安全限制。Treeify 可能会基于通用测试经验补充这些关注点，这类内容就属于领域通用证据（domain_common）。

这类内容通常有助于提升覆盖率，但不代表项目已经明确要求如此实现。

Q15. 为什么当证据等级（`evidence_level`）为类型推断（`inferred_type`）或领域通用证据（`domain_common`）时，还需要额外字段？

因为这两类内容都不属于“输入中已经明确给出的事实”。

它们代表的是 Treeify 在做进一步的设计判断或通用补充。为了让结果更透明、可审查、可修正，系统会要求同时补充以下字段：

必要性说明（why_it_is_needed）
修正建议（how_to_correct）

其中：

必要性说明（why_it_is_needed）用于说明：为什么这条补充内容是有必要的
修正建议（how_to_correct）用于说明：如果当前内容不符合实际情况，应该如何修改

这样你可以更清楚地知道，这条内容为什么会出现，以及如果它不适用，应该如何调整。

Q16. 什么是缺失文本占位符（`MISS_TEXT_FIELD`）？

缺失文本占位符（MISS_TEXT_FIELD）用于表示：某项关键但缺失的信息，在输入中并没有提供。

当 Treeify 发现某个字段或某条测试逻辑的成立依赖一项重要信息，而输入中没有这项信息时，它不会自行猜测，也不会用模糊表述带过，而是直接输出缺失文本占位符（MISS_TEXT_FIELD）。

这个字符串在使用时必须原样保留，不能翻译、改写或替换。

Q17. 为什么生成结果中会包含缺失文本占位符（`MISS_TEXT_FIELD`）？

因为 Treeify 的一个核心原则是：宁可明确暴露信息缺口，也不通过幻觉补齐不存在的信息。

很多生成式系统在信息不足时，会自动补出一个“看起来合理”的答案，但这会让用户误以为这些内容已经有真实依据。Treeify 采用相反的策略：当关键依据缺失时，直接用缺失文本占位符（MISS_TEXT_FIELD）标记出来，帮助你及时发现输入中的真实缺口。

通常它会出现在这些场景中：

生成某条测试逻辑所需的关键信息缺失
输入提到了相关内容，但描述不完整
即使可以猜测，也无法安全推断

它的目的不是提示“模型没做完”，而是帮助你识别哪些地方需要补充需求、澄清规则或完善输入。

四、文件解析与数据安全

Q18. 文件中的图片支持识别吗？

支持。

Treeify 支持对文件中的图片进行识别和理解，包括文档内嵌的流程图、界面截图、结构图等内容。系统不仅会解析文本，还可以结合图片信息一起进行多模态分析。

需要注意的是，图片识别通常会消耗更多 tokens，因此相比纯文本文件，整体解析成本会更高。

Q19. 目前支持解析哪些文件类型？

目前 Treeify 支持解析以下文件类型：

PDF（pdf）
XMind（xmind）
Markdown（md）
Text（txt）
CSV（csv）
Excel（xls、xlsx）
Visio（vsd、vsdx）
Word（doc、docx）

这些文件中的文本内容都可以用于 Treeify 的后续分析与生成流程；其中部分文件中的图片内容，也支持进行多模态识别。

Q20. 我可以上传哪些类型的文件？

你可以上传包含业务需求、系统设计、用户故事或其他测试设计相关信息的文件，例如 Word、PDF，以及包含需求信息的表格文件等。

只要文件内容能够为测试对象与测试场景生成提供有效输入，Treeify 都可以进行解析和处理。

Q21. 我上传的数据安全吗？

是的。

所有上传文件在传输过程中都会加密，并安全存储。Treeify 不会在超出处理所需的时间范围外保留你的数据。

如果你的团队对信息安全有更高要求，也可以进一步了解 Treeify 的私有化部署方案。

五、导出、集成与部署

Q22. 支持导出哪些格式？

目前支持导出为以下格式：

Excel
JSON

Q23. 是否支持通过 MCP 接入企业现有流程？

支持。

Treeify 支持通过 MCP 接入企业现有流程、系统或 AI 工作流中。
如果你希望将 Treeify 接入现有测试平台、企业内部系统或 AI 工作流，可以进一步查看相关说明文档：

http://8.130.27.55:3000/docs/cn/4-concept/4-2-mcp

Azure OpenAI
Anthropic Claude

因此，credits 的消耗会与实际调用过程中的 token 成本相关。

Q26. 我如何向 Treeify 提交反馈？

你可以通过产品内的反馈入口提交建议，或直接发送邮件至：

contact@treeifyai.com

我们非常重视你的使用体验与反馈，并会将其纳入产品迭代计划。

Q27. 如何通过微信联系 Treeify？

你可以通过微信联系：TreeifyAI

如果你希望进一步了解 Treeify，也欢迎访问官网：

https://treeifyai.com