AI
PyCharm 安装通义灵码步骤：
一、在线安装(推荐)
1. 打开 PyCharm ◦ Windows：顶部菜单栏 File → Settings（快捷键 Ctrl+Alt+S）→ Plugins ◦ Mac：PyCharm → Settings/Preferences → Plugins 2. 切换到 Marketplace（应用市场），搜索：通义灵码 / TONGYI Lingma（官方作者 Alibaba Cloud）
3. 选中官方插件 → Install，安装完毕点 Apply → OK
4. 重启 PyCharm，右侧 / 右下角出现通义灵码侧边图标
二、离线安装(商店搜不到时)
1. 官网下载 JetBrains 插件压缩包：https://lingma.aliyun.com/lingma/download
2. Plugins 页面右上角⚙️ → Install plugin from disk，选中下载 zip 包安装→重启 IDE
1、AI的初级阶段使用：
聊天(和AI进行对话)
现阶段大多数人使用AI(高级版本的搜索引擎)，以前使用百度搜索，现在更换AI搜索(豆包搜索、deepseek搜索、元宝搜索)：
linux中如何查询最后100行日志；怎么部署一个java web项目
缺点：
a、数据来源受限AI服务(AI厂商的训练数据集、互联网的公开资料、企业内部资料)不能够很好的获取
b、AI问答功能是有限的，除了简单的问答之外，还有非常多的强大功能
2、AI的工具应用
专注IT软件测试相关，AI工具更加方便我们去使用AI，放大AI的能力
基础类：AI编程、氛围编程、通义灵码等等
MCP能力增强：可以让AI集成更多的工具，实现更强大的功能(操作浏览器、操作数据库等)
AI提高测试效率，可以做到
测试用例生成：给到AI大模型需求文档，也可以按要求生成测试用例
测试用例执行：能够操作浏览器、操作手机
AI工具应用缺点：
已有的AI智能体工具，都是通用型为主
表面功能很多，不同场景的需求
垂直行业深度应用的时候，支撑实际工作中连贯的业务流程
3、AI测试开发的新方向
AI技术难点被攻破、将AI与垂直行业的需求进行整合开发
AI和测试的需求进行融合，定制化出针对软件测试行业的AI智能体
AI完成很多测试的工作
测试人员的工作有哪些？
a、理解需求
规范的产品文档的前提下，AI可以比较不错的理解需求----图片、流程图、文字等
产品经理设计原型，借助AI生成需求的详细文字描述
改进的地方：原来产品经理写的需求文档乱糟糟，而现在AI工具辅助产品经理写出更完善的文档
b、分析测试点
c、编写测试用例
接口测试用例
WEB/APP UI测试用例
性能测试用例
只要需求给的完善，给的详细，70%左右的场景AI是可以覆盖到
AI落地应用
不是网上随便打开chat聊天界面
AI+公司业务定制=AI大模型应用开发，针对软件测试所需要的AI应用开发---->这类人：AI测试开发工程师
---测试人员学习AI，不是让你去开发一个deepseek(开发的工作有算法、AI开发工程师)
---我们学习应用，基于AI开花(开花就是应用在各个场景)
---大模型部署之后，我们可以直接通过接口调用(让AI帮我实现推理)
d、用例评审
给AI赋予一个角色，让他去评审你的用例
e、用例执行
手工执行/自动化执行
AI测试技术的发展
---大厂落地实践(能看到效果了)，目前大厂还在完善中，没有一整套方案免费开放
---网上零零散散的AI视觉识别技术(midscenejs、browser-use)，不是完整的测试，提供浏览器等UI的操作
视觉大模型
平时大家用到的更多---大预言模型，文字处理这一块
AI多模态--文字+图片/语音/视频等等，大模型支持公司本地化部署
Playwright MCP就像是给大模型装了一个"自动化浏览器小助手"，让模型不仅能动嘴(生成文字)，还能动手(控制浏览器上网办事)
MCP是Model Context Protocol(模型上下文协议)的缩写，Playwright MCP将Playwright的能力，通过MCP协议接入到AI模型中的一种实现方式，Playwright是一个框架，让AI在回答问题的时候知道Playwright中有一个打开浏览器的方法，有一个点击页面的方法，有一个滚动页面的方法，输入的方法。AI和Playwright MCP是独立的，通过Playwright MCP连接到一起，通过Playwright MCP，大模型可以指挥Playwright去控制浏览器
Playwright MCP环境搭建
a、nodejs环境安装
建议安装最新稳定版即可，https://nodejs.org/zh-cn/download，安装windows版本的安装包，安装完成后命令行终端，运行命令node -v，输出版本号代表安装完毕，如下图：
补充说明：最好是配置一下nodejs包国内镜像。例如如下操作：
# 设置清华镜像
npm config set registry https://mirrors.tuna.tsinghua.edu.cn/npm/
# 验证配置
npm config get registry
b、node中playwright环境安装
运行命令安装对应的浏览器依赖
npx -y playwright install chromium(如果报错，按照下面的步骤操作)
步骤 1：修复 npm 镜像源，先重置并配置正确的 npm 镜像源：
# 先清空npm缓存，避免旧配置干扰
npm cache clean --force
# 配置正确的清华npm镜像源
npm config set registry https://mirrors.tuna.tsinghua.edu.cn/npm/
# 或者切换为淘宝镜像（更稳定）
npm config set registry https://registry.npmmirror.com/
步骤2：正确安装playwright并下载浏览器方式
方式A：先全局安装playwright，再下载浏览器
# 全局安装playwright
npm install -g playwright
# 配置国内镜像，加速浏览器下载（必须配置）
set PLAYWRIGHT_DOWNLOAD_HOST = https: // npmmirror.com / mirrors / playwright
# 单独安装chromium浏览器
playwright install chromium
方式 B：在项目中安装（推荐，避免全局权限问题）
# 初始化项目（如果没有package.json）
npm init -y
# 安装playwright依赖
npm install playwright
# 配置国内镜像
set PLAYWRIGHT_DOWNLOAD_HOST=https://npmmirror.com/mirrors/playwright
# 安装chromium
npx playwright install chromium
步骤 3：验证是否成功
执行以下命令测试是否能正常调用：
npx playwright --version
如果能正常输出版本号，说明安装成功，如下图：
c、运行Playwright MCP
命令行中运行：pnx -y @playwright/mcp@latest --isolated --browser chromium --no-sandbox --port 8931 --viewport-size "1920,1080"，如下图：
基于代码实现AI和MCP的集成：
AI本身和AI应用的区别： AI大模型理解为一个黑盒子，提供输入和输出两项功能(通用的，没有具体的业务属性)
输入：输入一段自然语言
输出：AI大模型根据你的输入内容，推理你想要得到的答案
AI应用：基于AI大模型这个功能特性，结合各种场景设计出来的应用程序
Chat聊天程序：底层原理，开发一个聊天对话界面，用于接受用户的输入，用户输入内容交给AI大模型处理之后，将大模型的输出返回到界面
你想让AI具备更多的能力，需要自己开发，你可以对接不同的AI大模型接口(选择效果最好的那个就行了)
安装第三方依赖包：
pip install langchain langchain-openai langchain-ollama langchain-mcp-adapters mcp(安装过的不用再安装，缺啥依赖包后续安装一下就行)
原理逻辑：了解AI和MCP和工具之间交互关系
发送给AI的输入：
两个方面：
a、用户提示输入词----打开网站www.baidu.com HumanMessage
b、我们当前的代码中有哪些函数工具可以调用
代码查询MCP服务有哪些工具
playwright：打开浏览器、点击元素等
AI接收到之后，会分析，是否需要调用工具
举例：打开网站-->AI自身不具备，是不是需要调用工具-->看你发过去的工具列表
AI响应：调用打开浏览器，访问网站的对应工具(方法名称、参数) AIMessage tool_calls name：调用方法的名字
代码：收到AI响应，发现AI需要代码去调用对应的函数(上行的name对应的方法)，触发工具调用，把工具调用的结果响应发给AI，让它继续处理 ToolMessage
发一句话给AI，AI说我处理不了，需要调用一个方法，代码收到AI的反馈，调用这个方法，把代码返回的东西又告诉给AI，进一步后续的处理，通过MCP服务访问这个方法http://localhost:8931/sse，就能调用所有的工具和方法，就能获取到playwright工具里的各种方法、参数
AI测试用例生成目前行业，碰到的几个常见问题：
a、需求本身不完善，人都难理解，AI更加难
b、AI大模型目前存在上下文限制(需求很多无法支持)、幻觉(莫须有的功能用例)
c、RAG构建知识库，需求存在上下文强关联
d、图文混排的需求(需求规格说明书+原型设计图)
Chat界面工具用例生成
提示词的编写(就是你发给AI大模型的内容)
任务描述清晰(把你平时的工作思路告诉AI)
# 你的角色
你是一个经验丰富的软件测试工程师
# 任务目标
根据用户提供的软件功能需求信息，结合软件测试用例方法(边界值、等价类划分等等)进行测试用例的设计
# 任务执行说明
如果软件功能没有明细的边界值要求，则不进行边界值相关的用例设计
# 输出格式要求
输出表格：
输出字段：用例标题、执行步骤、预期结果、测试数据、优先级(0,1,2,3,4)
RAG知识库+低代码AI应用平台(Dify、Coze、n8n)
为什么要自己构建AI应用？---可定制化
固定提示词：统一团队内部的AI使用水平
知识库沉淀：目的---让AI应用自主的查找需求，发给AI，生成更精准的测试用例
效果不理想--RAG知识库本身不能很好的处理需求关联
由于知识库的原理导致的：根据用户输入的内容，对知识库进行"搜索"，搜索结果告诉AI
(行业正在探索：知识图谱--人为在整理资料过程中，描述知识之间的关系，这种方式对于知识库的构建成本太大)
AI IDE工具+MCP就构成了Agent(智能体)的概念，Cursor、字节跳动TARE、通义灵码
本地文件的处理是强项，其他的功能和低代码AI应用平台差不多
更精准内容控制，指定读取某个文件的内容，而不是单纯的检索
目前AI生成测试用例，碰到问题，都有解决办法，比较繁琐，借助多种不同的工具和思路
大部分测试人员不具备这个能力，AI难以在企业测试工作流程中落地
定制化AI测试智能体平台(需要学习的目标)
Vibe Coding(氛围编程)核心概念
粗略的理解：AI编程，靠感觉编程，想做啥让AI给你去做，你别管它具体怎么做的
【思维转变】从编写代码角度--->描述需求的角度，AI根据你的描述以及已有代码，进行推理，给出你想要的代码
3、自动化测试开发新模式
目前阶段，不能指望AI全程帮你完成
首先需要你具备一个框架/测试开发的能力水平，驾驭AI
它目前对于局部代码生成非常好用
3.1 最简单模式
没有任何修饰，帮我生成一个接口测试脚本
不可控模式，不同的工具，不同的AI给你生成的代码是不一样的，虽然它可以达到你初步的效果
实际工作：编码是协同开发的工作，如果不能统一AI的风格，AI编程没办法落地
3.2 自动化测试你如何描述需求？
我想让AI实现一个自动化测试框架，高级提示词编写
# 任务目标
基于python编程语言，编写一个接口自动化测试框架
# 详细要求
测试用例逻辑和测试数据分开
yaml文件维护测试用例
支持http多种请求方式
我要支持文件上传
需要有日志收集和展示
需要生成测试报告文件
3.3 我发现一个新问题
不会编程、不会自动化测试，同样也不知道如何向AI提需求
浙公网安备 33010602011771号