![\"Tencent](\"https://github.com/bobostudio/obsidian-imgur-plugin/raw/master/images/banner2.png\")
我是一名从软件测试出发，持续实践 AI 工程化和自动化工作流的技术从业者。
\n这个网站用于公开记录真实项目、操作过程、问题排查和阶段性成果，希望帮助更多传统测试工程师理解并使用 AI。
\nAI 工作流栏目负责介绍实现 AI 工作流需要掌握的通用知识——从理解什么是 AI 工作流，到掌握 Agent、MCP、Skills 和提示词工程。
\nAI 工作流不是单次对话，也不是只生成一段代码，而是能够被重复执行、验证结果并保留记录的完整流程。
\n", "date_published": "2026-07-27T10:58:20.000Z", "date_modified": "2026-07-27T10:58:20.000Z", "authors": [], "tags": [] }, { "title": "学习交流", "url": "https://ceyanshe.com/community.html", "id": "https://ceyanshe.com/community.html", "summary": "加入 AI 测研社学习交流 交流 AI 测试、Claude Code、Codex、MCP、Skills 与自动化工作流实战。 交流方式 我们目前通过以下方式交流： 💬 在博客文章下方留言讨论 📧 邮件交流：TODO（联系方式待补充） 🌐 关注博客更新 加入原则 欢迎分享真实项目和踩坑经验 鼓励提出具体问题和改进建议 不欢迎纯粹的广告和引流行为 目...", "content_html": "\n交流 AI 测试、Claude Code、Codex、MCP、Skills 与自动化工作流实战。
\n", "date_published": "2026-07-27T10:58:20.000Z", "date_modified": "2026-07-27T10:58:20.000Z", "authors": [], "tags": [] }, { "title": "企业落地", "url": "https://ceyanshe.com/enterprise.html", "id": "https://ceyanshe.com/enterprise.html", "summary": "企业落地研究 AI 测研社关注的是 AI 工作流在企业测试场景中的实际落地，不是演示性的单次操作。 当前内容以案例研究、方案设计和原型验证为主，后续将通过真实项目逐步沉淀可复用的工作流模板和实施方法。 企业测试场景 企业中常见的测试流程问题： 测试用例编写和更新成本高，需求变更后人工维护效率低 自动化脚本开发和维护困难，框架升级和页面变化导致大量返工 ...", "content_html": "\nAI 测研社关注的是 AI 工作流在企业测试场景中的实际落地，不是演示性的单次操作。
\n当前内容以案例研究、方案设计和原型验证为主，后续将通过真实项目逐步沉淀可复用的工作流模板和实施方法。
\n", "date_published": "2026-07-27T10:58:20.000Z", "date_modified": "2026-07-27T10:58:20.000Z", "authors": [], "tags": [] }, { "title": "关于 AI 测研社", "url": "https://ceyanshe.com/intro.html", "id": "https://ceyanshe.com/intro.html", "summary": "关于 AI 测研社 以测求真，以研促用 AI 测研社是一个专注于 AI 测试工程化的技术实践平台。 "测"代表软件测试与真实测评，"研"代表技术研究与方法沉淀。我们不只介绍工具，更通过真实项目验证 Claude Code、Codex、MCP、Skills 和智能体在软件测试中的实际价值。 品牌价值观 以测求真：通...", "content_html": "\nAI 测研社是一个专注于 AI 测试工程化的技术实践平台。
\n"测"代表软件测试与真实测评，"研"代表技术研究与方法沉淀。我们不只介绍工具，更通过真实项目验证 Claude Code、Codex、MCP、Skills 和智能体在软件测试中的实际价值。
\n上一篇文章我们聊了 为什么要学 AI 测试，这篇就动手实践——安装 Claude Code CLI 并配置 Playwright MCP Server。
\n完成本文后，你将能用自然语言驱动 Playwright 完成 Web 自动化测试。
\nnode --version\n# 应输出 v18.x 或 v20.x\n\nnpm --version\n# 应输出 9.x 或 10.xPlaywright MCP Server 是微软官方提供的 MCP 服务器，让 AI 模型能直接控制浏览器。
\n# 全局安装 Playwright MCP Server\nnpm install -g @anthropic/mcp-server-playwright\n\n# 安装 Playwright 浏览器\nnpx playwright install chromiumnpx @anthropic/mcp-server-playwright --version如果输出版本号，说明安装成功。
\n在用户目录下创建 .claude.json 配置文件：
{\n \"mcpServers\": {\n \"playwright\": {\n \"command\": \"npx\",\n \"args\": [\"-y\", \"@anthropic/mcp-server-playwright\"],\n \"env\": {}\n }\n }\n}配置文件位置
\n%USERPROFILE%\\.claude.json~/.claude.json启动 Claude Code 后，检查 MCP 工具是否已加载：
\nclaude在交互界面中输入 /mcp，应该能看到 playwright 服务器及它提供的工具列表：
browser_navigate - 导航到 URLbrowser_click - 点击元素browser_type - 输入文本browser_screenshot - 截图browser_evaluate - 执行 JavaScript用自然语言让 Claude Code + Playwright 完成以下操作：
\n在 Claude Code 中输入：
\n请使用 Playwright 完成以下测试：\n1. 导航到 https://www.baidu.com\n2. 在搜索框输入 \"AI 测试\"\n3. 点击搜索按钮\n4. 等待结果加载\n5. 截图保存为 baidu-search-result.png\n6. 告诉我搜索结果的标题列表Claude Code 会自动：
\n将浏览器测试封装到项目的 MCP 配置中：
\n// .mcp.json（项目根目录）\n{\n \"mcpServers\": {\n \"playwright\": {\n \"command\": \"npx\",\n \"args\": [\"-y\", \"@anthropic/mcp-server-playwright\"],\n \"env\": {\n \"PLAYWRIGHT_BROWSERS_PATH\": \"0\"\n }\n }\n }\n}npx playwright install 报错？确保网络环境正常，或使用国内镜像：
\nset PLAYWRIGHT_DOWNLOAD_HOST=https://npmmirror.com/mirrors/playwright/\nnpx playwright install chromium检查 .claude.json 路径是否正确，以及 MCP Server 是否成功安装：
npx @anthropic/mcp-server-playwright --help可能是缺少系统依赖。Linux 用户请运行：
\nnpx playwright install-deps chromium完成本文的操作后，你已经：
\n下一步： 尝试用 Claude Code + Playwright 测试你自己的项目，体验 AI 测试的实际效率提升。
\n", "date_published": "2026-07-16T00:00:00.000Z", "date_modified": "2026-07-27T10:58:20.000Z", "authors": [], "tags": [ "AI 开发工具" ] }, { "title": "测试实战", "url": "https://ceyanshe.com/ai-testing/test-practice.html", "id": "https://ceyanshe.com/ai-testing/test-practice.html", "summary": "测试实战 测试实战栏目按照真实测试场景分类，展示 AI 工作流在具体测试领域中的应用。 每一个场景都围绕可运行、可校验、可重复的目标展开，不限于某一种工具。 UI 自动化工作流 推荐文章 用自然语言描述测试任务，让 Claude Code 通过 Playwright MCP 操作真实浏览器，完成页面识别、登录、数据提取和可重复执行的测试脚本。 接口测试...", "content_html": "\n测试实战栏目按照真实测试场景分类，展示 AI 工作流在具体测试领域中的应用。
\n每一个场景都围绕可运行、可校验、可重复的目标展开，不限于某一种工具。
\n", "date_published": "2026-07-27T10:58:20.000Z", "date_modified": "2026-07-27T10:58:20.000Z", "authors": [], "tags": [] }, { "title": "AI 测试博客从创建到上线操作手册", "url": "https://ceyanshe.com/notes/how-to-build-ai-testing-blog.html", "id": "https://ceyanshe.com/notes/how-to-build-ai-testing-blog.html", "summary": "AI 测试博客从创建到上线操作手册 [!summary] 最终成果 使用 VuePress 2 + VuePress Theme Hope 创建中文 AI 测试博客，将源码保存到 GitHub，并通过 Cloudflare Pages 免费部署。 当前网站：https://ai-test-blog.pages.dev 一、整体流程 各平台的作用： 二、...", "content_html": "\n\n\n[!summary] 最终成果
\n\n
\n使用 VuePress 2 + VuePress Theme Hope 创建中文 AI 测试博客，将源码保存到 GitHub，并通过 Cloudflare Pages 免费部署。
本地创建 VuePress 博客\n→ 使用 Claude Code 修改内容和配置\n→ 本地预览并执行生产构建\n→ Git 提交并推送到 GitHub\n→ Cloudflare Pages 自动部署\n→ 获得 pages.dev 公开访问地址各平台的作用：
\n| 工具 | 作用 |
\n|
写 Obsidian 笔记时，直接粘贴截图虽然方便，但图片会不断堆积在本地仓库中。时间一长，不仅仓库越来越大，Git 同步、跨设备访问和文章发布也会变得麻烦。
\nTencent COS for Imgur 是一款由 bobostudio 开发的 Obsidian 插件。它可以把粘贴或拖入笔记的图片自动上传到腾讯云 COS，并将本地图片引用替换为云端链接。
\n本文从零完成一次配置，并在最后验证图片能否正常上传。
\n配置完成后，在 Obsidian 中复制粘贴或拖入图片，插件会自动完成：
\n插件还支持：
\n\n\n[!tip]
\n
\n如果笔记需要发布为博客，使用自己的 COS 比依赖第三方公共图床更可控；如果笔记含有私人截图，则要谨慎选择存储桶权限。
你需要准备：
\nSecretId 和 SecretKey；整个配置过程可以概括为：
\n创建 COS 存储桶\n ↓\n获取 SecretId / SecretKey\n ↓\n配置存储桶 CORS\n ↓\n安装并配置 Obsidian 插件\n ↓\n测试连接并粘贴图片进入腾讯云 COS 控制台，创建一个存储桶。创建时重点记住下面两个参数：
\n| 参数 | 示例 | 说明 |
\n|
本文记录「AI 测研社」博客从本地写文章，到 GitHub Actions 自动构建并部署至云服务器的完整过程。
\n完成配置以后，日常更新博客只需要：
\n本地写文章 → Git 提交并推送 → GitHub Actions 构建 → 自动部署 → 网站更新flowchart LR\n A[\"本地 PyCharm<br/>编写 Markdown\"] --> B[\"Git 提交\"]\n B --> C[\"推送到 GitHub<br/>main 分支\"]\n C --> D[\"GitHub Actions<br/>安装依赖并构建\"]\n D --> E[\"SSH + rsync<br/>上传静态文件\"]\n E --> F[\"1Panel / OpenResty<br/>提供网站访问\"]\n F --> G[\"ceyanshe.com<br/>展示最新内容\"]自动化链路跑通后，不再需要手动执行以下工作：
\ndist 文件。| 项目 | 当前使用方案 |
\n|
\n\n本文记录我从 WordPress 转向 VuePress，并使用 GitHub Actions 将网站自动部署到阿里云服务器的完整过程。最终实现的效果是：本地修改 Markdown，推送到 GitHub，网站自动构建并发布，全程不需要手动上传文件。
\n
我希望建立一个长期更新的个人技术网站，用来记录和分享以下内容：
\n网站不只是一个博客，也是我后续沉淀项目案例、建立个人品牌和验证商业化方向的基础。
\n我最初尝试过 WordPress。WordPress 的后台编辑和插件生态很方便，但对于以 Markdown、代码和技术文档为主的网站，我更希望获得以下能力：
\n因此，我最终选择了：
\n\n\nVuePress + GitHub + GitHub Actions + 阿里云 + 1Panel/OpenResty
\n
整个发布流程如下：
\nflowchart LR\n A[\"本地 Markdown\"] --> B[\"GitHub 仓库\"]\n B --> C[\"GitHub Actions 构建\"]\n C --> D[\"阿里云静态网站\"]各部分的作用如下：
\n| 组件 | 作用 |
\n|
以前编写 UI 自动化测试，通常需要先分析页面、寻找元素、编写定位器，再组织测试流程。
\n这一次，我尝试把测试任务直接交给 Claude Code，让它通过 Playwright MCP 操作真实浏览器，完成页面识别、登录和商品信息获取。
\n本文记录完整实践过程，包括：
\n测试网站使用公开的自动化练习网站：
\nhttps://www.saucedemo.com/本次目标是验证下面这条业务链路：
\n打开登录页\n→ 输入用户名和密码\n→ 点击登录\n→ 进入商品列表\n→ 验证页面加载成功\n→ 获取商品名称和价格\n→ 输出测试结果测试账号：
\n用户名：standard_user\n密码：不要在文章或截图中公开展示注意：SauceDemo 是公开演示网站，但真实项目中的账号、密码、Token 等敏感数据都应该使用环境变量保存，不能直接写进代码或提交到 GitHub。
\n本次使用的主要工具：
\n| 工具 | 作用 |
\n|
如果你是一名传统软件测试工程师，每天的工作是写测试用例、执行回归测试、维护自动化脚本——你可能会问：AI 测试跟我有什么关系？
\n答案是：关系很大，而且比你想象的更紧迫。
\n这篇文章将从一个传统测试工程师的视角，聊聊为什么现在就应该开始学习 AI 测试。
\nAI 正在从以下几个方面改变测试：
\n| 领域 | 传统方式 | AI 增强方式 |
\n|
将测试失败日志、截图和差异数据交给大模型，辅助定位失败根因并给出修复建议。
\n\n\n本文正在根据项目实际开发过程整理，后续持续补充。
\n
在测试执行过程中自动采集接口响应、页面截图、日志和断言结果。
\n\n\n本文正在根据项目实际开发过程整理，后续持续补充。
\n
前面两篇文章我们分别讨论了：
\n\n现在，是时候更进一步了——创建一个能独立完成测试任务的 AI Testing Agent。
\nAI Testing Agent 是一个能够：
\n简单来说，它是一个能独立思考和行动的测试工程师数字分身。
\ngraph TB\n User[用户输入测试需求] --> Orchestrator[Agent 编排器]\n Orchestrator --> Planner[测试计划器]\n Orchestrator --> Executor[测试执行器]\n Orchestrator --> Analyzer[结果分析器]\n \n Planner --> ToolRegistry[工具注册中心]\n Executor --> ToolRegistry\n Analyzer --> ToolRegistry\n \n ToolRegistry --> PlaywrightMCP[Playwright MCP]\n ToolRegistry --> APITool[API 测试工具]\n ToolRegistry --> AssertTool[断言工具]\n ToolRegistry --> ReportTool[报告工具]\n \n Analyzer --> Report[测试报告]负责接收用户指令，协调各组件工作：
\n用户输入 → 解析意图 → 制定计划 → 分配任务 → 汇总结果根据需求生成测试策略和用例清单：
\n调用具体的 MCP 工具执行测试：
\n对测试结果进行分析：
\nai-testing-agent/\n├── src/\n│ ├── agent/\n│ │ ├── orchestrator.ts # 编排器\n│ │ ├── planner.ts # 计划器\n│ │ ├── executor.ts # 执行器\n│ │ └── analyzer.ts # 分析器\n│ ├── tools/\n│ │ ├── registry.ts # 工具注册\n│ │ ├── playwright.ts # Playwright 工具\n│ │ ├── api.ts # API 工具\n│ │ └── assert.ts # 断言工具\n│ ├── prompts/\n│ │ ├── planner.md # 计划器 Prompt\n│ │ ├── executor.md # 执行器 Prompt\n│ │ └── analyzer.md # 分析器 Prompt\n│ └── index.ts # 入口\n├── tests/\n│ └── agent.test.ts\n├── package.json\n└── tsconfig.json// src/tools/registry.ts\ninterface Tool {\n name: string;\n description: string;\n execute: (params: Record<string, any>) => Promise<ToolResult>;\n}\n\nclass ToolRegistry {\n private tools: Map<string, Tool> = new Map();\n\n register(tool: Tool): void {\n this.tools.set(tool.name, tool);\n }\n\n getToolNames(): string[] {\n return Array.from(this.tools.keys());\n }\n\n getToolDescription(): string {\n return Array.from(this.tools.values())\n .map(t => `- ${t.name}: ${t.description}`)\n .join('\\n');\n }\n\n async execute(name: string, params: Record<string, any>): Promise<ToolResult> {\n const tool = this.tools.get(name);\n if (!tool) throw new Error(`Tool \"${name}\" not found`);\n return tool.execute(params);\n }\n}// src/agent/orchestrator.ts\ninterface TaskRequest {\n description: string; // 测试需求描述\n target: string; // 测试目标 URL\n browser?: string; // 浏览器类型\n timeout?: number; // 超时时间\n}\n\ninterface TaskResult {\n success: boolean;\n testCases: TestCase[];\n executionResults: ExecutionResult[];\n report: TestReport;\n}\n\nclass Orchestrator {\n private planner: Planner;\n private executor: Executor;\n private analyzer: Analyzer;\n\n constructor() {\n this.planner = new Planner();\n this.executor = new Executor();\n this.analyzer = new Analyzer();\n }\n\n async executeTask(request: TaskRequest): Promise<TaskResult> {\n console.log(`🚀 开始执行测试任务: ${request.description}`);\n\n // 1. 制定测试计划\n console.log('📋 阶段 1/3: 制定测试计划...');\n const plan = await this.planner.createPlan(request);\n\n // 2. 执行测试用例\n console.log(`🔄 阶段 2/3: 执行 ${plan.testCases.length} 个测试用例...`);\n const executionResults = await this.executor.execute(plan.testCases);\n\n // 3. 分析结果并生成报告\n console.log('📊 阶段 3/3: 分析结果并生成报告...');\n const report = await this.analyzer.analyze(executionResults);\n\n return {\n success: report.passed === report.total,\n testCases: plan.testCases,\n executionResults,\n report,\n };\n }\n}<!-- src/prompts/planner.md -->\n你是一个测试计划专家 Agent。\n\n## 任务\n根据用户提供的测试需求，制定详细的测试计划。\n\n## 输入\n- 需求描述：{{description}}\n- 测试目标：{{target}}\n\n## 输出要求\n1. 列出所有需要测试的场景（至少 5 个）\n2. 为每个场景编写测试步骤\n3. 指定每个场景的预期结果\n4. 标注优先级（P0/P1/P2）\n\n## 输出格式\n```json\n{\n \"testCases\": [\n {\n \"id\": \"TC-001\",\n \"title\": \"...\",\n \"priority\": \"P0\",\n \"steps\": [\"...\", \"...\"],\n \"expectedResult\": \"...\"\n }\n ]\n}\n### Step 4: 执行器\n\n```typescript\n// src/agent/executor.ts\nclass Executor {\n async execute(testCases: TestCase[]): Promise<ExecutionResult[]> {\n const results: ExecutionResult[] = [];\n\n for (const tc of testCases) {\n console.log(` ⚡ 执行: ${tc.title}`);\n \n try {\n const startTime = Date.now();\n \n // 逐步骤执行\n for (const step of tc.steps) {\n await this.executeStep(step);\n }\n \n const duration = Date.now() - startTime;\n \n results.push({\n testCaseId: tc.id,\n status: 'passed',\n duration,\n screenshots: [],\n });\n \n console.log(` ✅ 通过: ${tc.title} (${duration}ms)`);\n } catch (error) {\n results.push({\n testCaseId: tc.id,\n status: 'failed',\n error: (error as Error).message,\n screenshots: [],\n });\n \n console.log(` ❌ 失败: ${tc.title}`);\n }\n }\n \n return results;\n }\n}# 安装依赖\nnpm install\n\n# 编译\nnpm run build\n\n# 运行 Agent\nnpm start -- \\\n --description \"测试百度搜索功能\" \\\n --target \"https://www.baidu.com\"🚀 开始执行测试任务: 测试百度搜索功能\n📋 阶段 1/3: 制定测试计划...\n 生成了 8 个测试用例\n\n🔄 阶段 2/3: 执行 8 个测试用例...\n ⚡ 执行: TC-001 打开百度首页\n ✅ 通过: TC-001 (1234ms)\n ⚡ 执行: TC-002 搜索关键词\n ✅ 通过: TC-002 (2345ms)\n ...\n\n📊 阶段 3/3: 分析结果并生成报告...\n 总计: 8 | 通过: 7 | 失败: 1 | 通过率: 87.5%掌握了基础 Agent 后，可以往以下方向演进：
\ngraph LR\n Manager[管理 Agent] --> WebAgent[Web 测试 Agent]\n Manager --> APIAgent[API 测试 Agent]\n Manager --> PerfAgent[性能测试 Agent]\n Manager --> SecAgent[安全测试 Agent]# .github/workflows/ai-test.yml\nname: AI Testing Agent\non: [pull_request]\njobs:\n ai-test:\n runs-on: ubuntu-latest\n steps:\n - uses: actions/checkout@v4\n - run: npm start -- --mode ci --target ${{ github.event.pull_request.html_url }}本文我们从架构设计到代码实现，完整走了一遍 AI Testing Agent 的创建过程。核心要点：
\n基于结构化测试用例，使用 AI 自动生成 Pytest 接口测试代码。
\n\n\n本文正在根据项目实际开发过程整理，后续持续补充。
\n
基于测试用例自动生成 Playwright 浏览器自动化脚本，覆盖页面操作和数据采集。
\n\n\n本文正在根据项目实际开发过程整理，后续持续补充。
\n
将测试策略和需求文档转换为结构化、可执行的测试用例清单。
\n\n\n本文正在根据项目实际开发过程整理，后续持续补充。
\n
汇总测试执行结果、失败分析、差异明细，自动生成 Markdown、JSON 或 Allure 格式的测试报告。
\n\n\n本文正在根据项目实际开发过程整理，后续持续补充。
\n