关键词

Web自动化测试AI编程助手集成测试录制测试执行网站爬虫

项目简介

QA MCP项目提供了一个基于AI的代理，旨在通过**Model Context Protocol (MCP)**简化Web测试工作流程。它通过MCP协议与支持的AI编程助手（如GitHub Copilot, Cursor等）集成，允许开发者使用自然语言自动化执行测试录制、回放和发现任务。这解决了手动测试耗时且易错的问题，特别是在使用AI生成代码后进行回归测试时。

主要功能点

  • MCP集成: 无缝对接支持MCP的AI编程助手。
  • AI辅助测试录制: 根据自然语言描述自动生成Playwright测试脚本（JSON格式）。
  • 确定性测试执行: 可靠地回放之前录制的测试脚本进行回归测试。
  • AI驱动的测试发现: 爬取网站并利用LLM分析页面，为发现的页面生成潜在的测试步骤建议。
  • 自动化反馈: 测试执行结果（包括失败信息、截图、控制台日志）会返回给AI助手。
  • 基于Playwright: 利用强大的Playwright库进行浏览器自动化。

安装步骤

  1. 克隆仓库: 
    git clone https://github.com/Ilikepizza2/QA-MCP.git
cd QA-MCP
  2. 创建并激活虚拟环境 (推荐): 
    python -m venv venv
source venv/bin/activate # Linux/macOS
# venv\Scripts\activate # Windows
  3. 安装Python依赖: 
    pip install -r requirements.txt
  4. 安装Playwright浏览器: 
    playwright install --with-deps # 安装浏览器及其操作系统依赖
  5. 配置LLM API密钥:
    • 复制项目根目录下的 '.env.example' 文件并重命名为 '.env'。
    • 编辑 '.env' 文件，添加你的LLM API密钥（例如Google Gemini或兼容OpenAI的API）： 
      # .env
LLM_API_KEY="YOUR_LLM_API_KEY"
# 如果使用兼容OpenAI的API，可能还需要配置以下项（具体取决于你的LLM服务）
# LLM_BASE_URL="YOUR_LLM_ENDPOINT_URL"
# LLM_MODEL="your-chat-model-name"
# LLM_TIMEOUT="60" # Optional timeout in seconds
    • 将 'YOUR_LLM_API_KEY' 替换为你的实际API密钥。

服务器配置 (MCP客户端使用)

要将此MCP服务器与你的MCP客户端（如AI编程助手）连接，你需要将以下配置添加到MCP客户端的配置文件中（通常是位于用户主目录下的 '.mcp/config.json' 或类似路径）。

请根据你的实际仓库路径和AI编程助手的MCP配置要求，配置服务器启动命令。以下是一个示例JSON片段，你需要将其合并到你的MCP客户端配置的 'mcpServers' 部分：

{
  // ... 其他MCP客户端配置内容 ...
  "mcpServers": {
    // ... 其他已配置的服务器 ...
    "Web-QA": { // <-- 这个是服务器的名称，客户端将以此名称引用它
      "command": "uv", // <-- 启动Python应用进程的命令，通常使用uv或python
      "args": [ // <-- 传递给command的参数列表
        "--directory", // uv/python用于指定工作目录
        "path/to/cloned_repo", // <-- !!! 将此处替换为你克隆的QA-MCP仓库的实际路径 !!!
        "run", // uv的运行命令
        "mcp_server.py" // <-- 要运行的MCP服务器脚本
      ],
      // "transport": "stdio" // 大多数MCP客户端默认使用stdio传输协议
    }
  }
  // ... 其他MCP客户端配置内容 ...
}

配置完成后，确保你的AI编程助手能够找到并加载此配置。启动AI编程助手后，它应该能够发现并连接到"Web-QA" MCP服务器。该服务器需要保持运行状态（通常由MCP客户端自动启动和管理）。

基本使用方法

通过支持MCP协议的AI编程助手的聊天界面或命令功能与代理交互。使用自然语言描述你想要执行的Web测试任务。

示例:

  • 录制测试:

    "录制一个测试：前往 https://practicetestautomation.com/practice-test-login/，在用户名输入框输入'student'，在密码输入框输入'Password123'，点击提交按钮，并验证文本'Congratulations student'可见。"

    • （代理会根据你的描述自动执行这些步骤并生成 'test_....json' 文件保存在 'output/' 目录下）

  • 执行测试:

    "运行回归测试 'output/test_practice_test_login_20231105_103000.json'"

    • （代理会执行指定JSON文件中的步骤，并报告测试状态 PASS/FAIL 及详细信息）

  • 发现测试步骤:

    "从 https://practicetestautomation.com/practice/ 开始，发现潜在的测试步骤"

    • （代理会爬取该网站，分析页面，并返回每个页面的测试步骤建议）

  • 列出已录制测试:

    "列出所有已录制的Web测试文件"

    • （代理会返回 'output/' 目录下所有 '.json' 测试文件的列表）

输出

  • 录制测试: 生成的测试脚本保存为JSON文件在 'output/' 目录下。
  • 执行结果: 测试执行的详细结果会以结构化格式（通常是JSON）返回给AI助手，并通常会保存到 'output/' 目录下（例如 'execution_result_....json'）。
  • 发现结果: 发现的URL和测试步骤建议会返回给AI助手，并保存到 'output/' 目录下（例如 'discovery_results_....json'）。

信息

分类

开发者工具

访问项目