地面支撑系统是科学卫星工程的重要组成部分，作为连接在轨卫星与科学应用系统的核心枢纽，承担有效载荷管控、卫星状态监视、科学数据产品生产等关键任务。系统采用“共用平台+任务插件”架构，具有功能复杂、接口众多与系统状态空间规模指数级扩张的特点，给系统测试验证工作带来巨大挑战：1)测试用例设计高度依赖人工经验，缺少统一量化评判标准，测试过程可复现性较差；2)回归测试策略无法随版本变更和测试反馈动态调整，易造成测试资源浪费；3)海量多源异构日志依靠人工完成异常筛查，缺陷定位周期长、排查效率低下。大语言模型在代码生成、知识推理方面具备突出能力，但直接应用于科学卫星地面支撑系统这类高可靠专业领域易产生模型幻觉，输出结果难以满足工程实际要求。针对上述问题，本文提出领域知识与大模型协同的智能测试验证方法，将需求文档、接口协议、系统配置、历史故障缺陷案例等工程资料作为约束条件与增强输入引入大模型推理链路，构建“知识约束生成、模型辅助决策、测试结果校验”的完整测试闭环。
为了解决地面支撑系统现有测试验证的问题，本文提出一种领域知识增强型智能测试方法，创新点如下：1）搭建“领域知识库+领域适配大模型+智能化测试体”总体架构，将航天领域工程知识作为外部硬约束注入大模型推理过程，解决通用大模型工程适配不足、输出结果可解释性弱的现实问题，实现测试指标可度量、全过程可追溯，契合航天工程质量管理规范。2）提出基于RAG检索增强的测试用例生成方法，融合等价类划分、边界值分析等航天成熟测试设计手段，复用已有测试文档生成可执行测试用例；增设接口协议规则库后置校验，完成模型输出用例的合规性审查，保证用例符合系统测试验证规范。3）建立变更影响分析驱动的风险化回归测试调度策略，自动识别版本变更波及的功能模块，动态完成测试用例优先级排序，实现回归测试集的自动裁剪迭代，兼顾测试覆盖能力与测试资源开销。4）构建融合Drain模板提取算法与语义聚类的日志异常检测模块，自动提取日志模板并建立系统正常行为基线，挖掘人工难以识别的隐性异常模式，削减日志分析的人工成本。5）建立完整缺陷处理闭环，汇聚失败用例、接口调用链数据，依托大模型推理实现故障根因推断，并将故障处置修复经验回流更新至领域知识库，达成测试能力持续迭代优化。
地面支撑系统测试验证智能化转型并非算法工具的简单叠加，而是涉及数据治理、领域知识沉淀与业务流程重塑的系统性工程。本文所提技术路线以领域知识为根基，以大模型智能能力为增益，以自动化执行为载体，以闭环度量为保障，可有效改善传统测试存在的用例覆盖难以量化、回归测试成本高昂、日志分析效率低、缺陷定位周期长等工程痛点。后续将在地面支撑系统中开展落地验证，对对其进行持续优化。

科学卫星；地面支撑系统；大语言模型；检索增强生成（RAG）；日志结构化；测试用例生成；缺陷根因分析