本文介绍了如何基于开源框架并结合 LLM 构建 AI 代理驱动的自动化测试框架，从而实现更具弹性的自动化测试套件。原文：AI-Native Test Automation is Here

端到端测试是确保软件质量的最佳实践，但对许多开发者来说仍是痛点。传统框架常常导致测试套件脆弱、维护成本高昂。由于依赖特定选择器，比如 CSS ID，这些选择器在最小的重构中都可能崩溃，从而导致测试不稳定、开发周期缓慢，需要不断追赶开发进度。

本文深入探讨了构建 AI 代理驱动的现代且具弹性的测试框架，介绍实现这一目标的三个开源组件：browser-use、pytest 和 Allure Report，以及如何将这些方案构建成统一解决方案，该方案被称为 AgentiTest。

Browser Use: AI 赋能驱动

解决方案的核心是 browser-use，这是一个 Python 库，使 AI 代理能控制网页浏览器，是将人类语言转化为机器动作的引擎。

browser-use 协调大语言模型与 Playwright 控制的浏览器之间的交互，其运作核心是一个 ReAct（推理与动作） 循环：

1. 检查（Observe）：代理检查当前网页，将其 DOM 简化为干净且可操作的访问树，为所有交互元素提供结构化视图。

2. 推理（Reason）：将这个简化视图连同高层任务（例如，“找到搜索栏，输入'Vertex AI'，然后按回车”）一起发送给 LLM。LLM 分析上下文，决定下一步执行的最佳动作。

3. 行动（Act）：代理使用其底层 Playwright 驱动执行 LLM 返回的命令（例如：type_into_element(index=5, text='Vertex AI')）。

这个循环会持续进行，直到代理确认原始任务已完成。browser-use 的一个关键功能是其状态管理。 代理历史会追踪每一个动作、LLM 的思考过程、访问的网址和截图，提供将在后续报告中使用的审计轨迹。

工作原理

browser-use 允许定义代理，赋予其任务，并用几行代码运行：

import asynciofrom browser_use import Agentfrom browser_use.llm import ChatGoogle
async def main():    # 通过 task 和 LLM 定义代理    agent = Agent(        task="Go to wikipedia.org and search for the 'Roman Empire'",        llm=ChatGoogle(model="gemini-2.5-pro"),    )    # 执行代理，等待结果    result = await agent.run()    print(result.final_result())
asyncio.run(main())

pytest：结构化测试运行器

browser-use 负责浏览器交互， 而 pytest 则为测试提供结构、组织和执行引擎。

一个简单的 pytest 示例

如果你有一个名为 test_example.py 的文件，pytest 会自动发现并运行其中的测试函数。

# test_example.py 内容def test_always_passes():    assert 1 == 1

以用这个命令从终端运行：pytest

pytest 关键概念

1. 固定功能（Fixtures）：固定功能是设置（setup）/拆卸（teardown）函数，为 conftest.py 里的测试提供一致的基线：

• llm()：函数范围的固定功能，在整个测试运行中初始化一次 ChatGoogle 模型。

• browser_session()：函数范围的固定功能，为每个测试创建新的、隔离的浏览器会话，确保测试之间不会相互干扰。

2. 依赖注入：pytest 会自动将固定功能的输出提供给任何将它们列为参数的测试函数，大大简化了测试设置。

# conftest.py@pytest.fixture(scope="session")def llm() -> ChatGoogle:    # ... 初始化逻辑 ...    return ChatGoogle(model=model_name)
# test_community_website.pyasync def test_search_for_term(self, llm, browser_session, term):    # llm 和 browser_session 由 pytest 自动提供    ...

3. 参数化：为避免重复编写代码，我们用标记器（marker）运行一个带有多组输入的单一测试函数。这非常适合数据驱动场景，比如用单一测试定义测试四个不同链路的导航。

# test_community_website.py@pytest.mark.parametrize(    "link_text, expected_path_segment",    [        ("Google Workspace", "google-workspace"),        ("AppSheet", "appsheet"),        # ... 更多参数 ...    ],)async def test_main_navigation(self, llm, browser_session, link_text, expected_path_segment):    # 此测试将针对上述列表中的每个元组分别运行一次    ...

Allure Report: 讲故事的人

测试运行的质量取决于报告。Allure Report 将原始的成功/失败输出转化为交互式 HTML 仪表盘，讲述执行过程中发生的完整故事。

pytest 和 Allure 通过 allure-pytest 插件实现连接。运行 pytest 时，这个插件会作为监听器，连接到 pytest 的执行生命周期，拦截测试事件（如测试的开始和结束），并解释 Allure 装饰器和函数调用。

对于每个事件和附件，Allure 会在 --alluredir 命令行选项指定的目录中生成对应的 JSON 或附件文件。这个原始结果文件文件夹是 Allure 命令行工具用来生成最终精致的 HTML 报告的通用数据格式。

Allure 的功能使我们能够结构化并丰富本报告：

装饰组织大师：用 Allure 装饰、组织 pytest 报告：

• @allure.feature("Search Functionality")：创建高层次分组。

• @allure.story("Searching for Terms""")：定义该功能中的用户故事。

• @allure.title("Search for '{term}'")： 为每个参数化测试用例设置动态标题。

结果附件：报告中包含中间和最终输出，功能如下：

• allure.step()：上下文管理器，将一组动作分组为报告中的可折叠步骤。

• allure.attach()：将富数据（如文本、截图和网址）附加到当前步骤。

环境上下文：Allure 会在其结果目录中查找命名 environment.properties 的文件。pytest 固定功能会自动生成该文件，它会在报告中填充上下文，比如操作系统、浏览器版本和运行时使用的 LLM。

AgentiTest 架构

刚刚介绍的每个组件都可以集成到端到端架构中：

测试启动与编排（pytest）

整个流程从开发者开始，他用自然语言编写测试并执行 pytest 命令。该命令激活 pytest 框架，作为中央编排器，其首要任务是查阅 conftest.py 文件，为诸如 Gemini LLM 实例和浏览器会话等工具做好准备，这些固定功能随后将对所有测试开放。每个测试都提供自然语言任务和预期输出。

代理执行循环（brower-use）

浏览器代理类接管控制，检查网页当前状态并将完整上下文发送给 Gemini 模型。Gemini 处理上下文并返回特定命令，例如 click(selector='text="AppSheet"')。

接着，代理使用 Playwright 执行命令，从而改变目标网站状态。整个反馈循环持续进行，代理观察新状态并将其发送回 LLM 以确定下一步作，直到整个任务完成。

报告与可视化（Allure）

与执行循环并行运行的报告流水线是静默运行的。allure-pytest 插件连接 pytest 的执行生命周期，监听测试事件和 Allure 特定命令。

每当代理执行一步，自定义 record_step 钩子都会捕捉上下文，包括代理的内部“想法”、当前网址和截图，然后用 allure.attach() 来报告这些信息。

测试结束后，allure serve 命令处理测试工件并渲染 HTML 报告。

谷歌云社区测试案例

为观察这些概念如何转化为现实场景，AgentiTest 仓库包含示例测试文件 test_community_website.py，该套件测试谷歌云社区官网，这是个允许用户、合作伙伴和谷歌员工提问并协作的公开论坛。

这些示例测试旨在验证面向用户的功能，对非技术利益相关者来说直观易懂。测试套件检查两个主要区域：

• 主页内容：代理通过点击每个主要导航链接（如“Google Workspace”）验证导航，成功引导用户进入正确的对应页面。然后确认会员、在线用户和解决方案的关键社区统计数据都在页面上可见。

• 搜索功能：代理会搜索像“BigQuery”这样的已知词，并验证其是否被带到搜索结果页面。为了测试非法路径，代理会寻找随机且无意义的字符串，确认网站正确显示“无结果”信息。

如何开始

总体而言，该自动化测试框架效果远超各部分之和，基于代理的方法让我们比以往任何时候都更具韧性，所有这些都建立在流行的开源测试工具之上，能够轻松集成到 DevOps 工作流中。

准备好开始了吗？

• 探索 AgentiTest 框架：克隆源代码，运行测试，并适配自己的项目。

• 查看谷歌云社区：看看演示中使用的网站 ，想象一下如何用自然语言编写测试。

• 从 Google Cloud 和 Gemini 开始：该项目由谷歌 Gemini 模型驱动。要获得 API 密钥并开始尝试，可以先从 Google Cloud 免费套餐开始，该套餐提供免费积分，方便探索各种服务。

你好，我是俞凡，在 Motorola 做过研发，现在在 Mavenir 做技术工作，对通信、网络、后端架构、云原生、DevOps、CICD、区块链、AI 等技术始终保持着浓厚的兴趣，平时喜欢阅读、思考，相信持续学习、终身成长，欢迎一起交流学习。为了方便大家以后能第一时间看到文章，请朋友们关注公众号"DeepNoMind"，并设个星标吧，如果能一键三连(转发、点赞、在看)，则能给我带来更多的支持和动力，激励我持续写下去，和大家共同成长进步！