Streamlit 实战：用 Python 构建 AI 驱动的 UI 自动化测试平台
这篇文章会带你完整走一遍：如何用 Streamlit 搭建一个 AI 驱动的 UI 自动化测试平台。过程中我会分享一些实战踩坑经验，帮你少走弯路。 效果如下： 目录 先说说我们要做什么 项目结构：为什么这么组织 核心流程：页面是怎么跑起来的 逐个模块拆解 入口文件：定好规矩再开工 状态管理：Streamlit 的灵魂 侧边栏：配置就该放边上 动态表单：最坑也最有价值 结果面板：让执行状态一目了然 配置管理：数据总要存起来 主页面：把积木拼起来 踩坑记录与最佳实践 1. 先说说我们要做什么这是一个 Midscene UI 自动化测试平台，核心能力是用自然语言驱动浏览器执行测试。比如你写一句”点击登录按钮，输入用户名和密码”，AI 就会自动理解并执行。 为了让测试人员用起来更方便，我们用 Streamlit 做了个可视化界面，主要实现这些功能： 可视化配置 AI 模型参数（不用改配置文件了） 用网页表单编写测试用例（不用写代码了） 一键执行、实时查看结果（不用切终端了） 多用例管理、分页展示（清爽不乱） 这些功能点看起来简单，但背后涉及 Streamlit 的几...
测试报告智能化实践：基于AI的日志分析与问题排查
1. 背景：做测试的同学应该有体会：Allure 测试报告里，一旦用例执行失败，那一堆日志真是看得人眼花缭乱。排查问题的时候，得在一大堆信息里反复翻找，效率特别低。 有没有办法让这个过程更省力？把问题排查和优化建议交给 AI 来做就是个不错的选择。 2. 目标： 降低日志排查成本：从 “人工在一堆杂乱的日志里大海捞针” 变成”AI 自动提取关键错误信息 + 定位核心问题”，省时又省力 提供可落地的优化方向：AI 会根据执行过程中的信息，给出具体的改进建议 3. 实现方案和效果：把用例 执行日志、错误信息、失败截图、失败重启的midscene自然语言描述通通丢给ai去分析并总结 ⚠️ 小提示：失败截图需要先转成 Base64 编码再喂给大模型，token 消耗会比较大，记得控制成本。 用例通过时效果： 用例失败时效果： 4. 资源支持多模态大模型api，doubao-seed-1-8-251228
实习日志：从功能测试到AI辅助测试
1. 业务体验 直播功能、直播带货、营销互动、等级会员、积分商城等现网环境的功能体验 发现bug后，针对问题找对应的产品、前端、后端、测试，并在coding平台提交bug单 2. 参与小车流程 根据需求文档，使用Xmind工具设计测试点 参与准现网环境的验证工作，提供测试点，验证没问题则发布全网 担任小车司机一周，参与小车的评审并分配测试资源 3. 参与独立车项目 优惠券气质换新、IM在线客服、全域营销 需求评审、技术评审、编写用例、测试用例评审、內灰/外灰/现网验证、产品体验会 内/外灰过程中大量的 发现bug、初步分析bug、对需求、拉产品/开发商量 4. UI自动化 积分商城、等级会员、积分商城等功能模块的UI自动化覆盖 UI自动化测试报告结合AI分析 UI自动化测试失败二次重启使用midscene，并搭建midscene调试工具 5. 压测凌晨简单参与、观察压测过程 工具：Jmeter、普罗米修斯、Grafana 重点关注mysql、redis、kafka的服务的cpu、内存、错误率、运行时间 6. AI实践 使用AI ID...