Agent Skills

playwright-skill

WHartTest 是一款AI驱动的测试自动化平台，实现从需求到可执行测试用例的自动化生成与管理，帮助测试团队提升效率与覆盖率。 (WHartTest is an AI-driven test automation platform that automates the generation and management of executable test cases from requirements, helping testing teams improve efficiency and coverage.)

安装方式
CLI
npx skills add https://github.com/MGdaasLab/WHartTest --skill playwright-skill

使用 CLI 安装这个技能，并在你的工作区中直接复用对应的 SKILL.md 工作流。

最后更新于 5/2/2026

WHartTest - AI驱动的智能测试用例生成平台

中文 | English

项目简介

WHartTest 是基于 Django 5.2 + DRF 与现代大模型技术打造的 AI 驱动智能测试平台。平台采用前后端分离的 Monorepo 架构，由 6 个子项目组成（Django 后端、Vue 前端、UI 自动化执行器、MCP 工具服务、Agent 技能库、在线文档编辑器），聚合自然语言理解、知识库检索与嵌入搜索能力，结合 LangChain/LangGraph 与 MCP（Model Context Protocol） 工具调用，实现从需求到可执行测试用例的自动化生成、管理与执行，为测试团队提供完整的智能测试管理解决方案。

平台功能

AI 智能测试用例生成

基于大语言模型（LLM）技术，实现从需求到测试用例的智能转化：

  • 多源输入：支持需求文档、AI 对话、知识库检索等多种输入方式
  • 结构化输出：自动生成包含测试步骤、前置条件、输入数据、期望结果、优先级（P0-P3）的完整用例
  • 流式对话：LangGraph 驱动的流式 AI 对话，支持上下文摘要压缩与 Token 用量统计
  • 多模型支持：OpenAI、Azure OpenAI、Ollama、Xinference 等 OpenAI 兼容格式 LLM

智能编排（Orchestrator）

AI 驱动的端到端测试生成流水线：

  • 自动化编排：需求→知识库检索→AI 分析→测试用例生成
  • 交互式执行：执行计划确认，支持 Agent Loop 分步执行
  • HITL 审批：人工审批中间件，关键节点可人工介入

知识库管理与文档理解

构建项目级知识库，为 AI 生成提供精准上下文：

  • 多格式支持：PDF、Word、Excel、PPT、Markdown、网页链接
  • 智能分块：自动文档解析、分块与向量化存储，支持图片提取与多模态嵌入
  • 混合检索：Dense + BM25 Sparse 稀疏-稠密混合检索 + RRF 融合排序
  • Reranker 精排：可配置重排序模型提升检索精度

MCP 工具集成

通过 Model Context Protocol 实现 AI 与测试工具的无缝对接：

  • 远程服务管理：streamable-http、SSE 等传输协议，支持多服务器配置
  • 工具发现与同步：自动从 MCP 服务器发现并同步可用工具
  • HITL 人工审批：工具级别的敏感操作人工确认机制
  • 内置工具集：WHartTest 自身 MCP 工具（项目/模块/用例 CRUD）及第三方平台集成

需求评审与风险分析

AI 驱动的需求质量评估，提前识别潜在风险：

  • 六维评分体系：完整度、清晰度、一致性、可测性、可行性、逻辑性
  • 状态流转：上传→处理→模块拆分→用户调整→待评审→评审中→完成
  • 专项分析报告：8 种分析维度的独立报告
  • 在线文档编辑：集成 ONLYOFFICE 文档编辑器，支持 AI 补全与 AI 分析插件

测试用例管理

全生命周期的测试用例管理能力：

  • 5 级模块树：灵活的用例组织结构
  • 7 种测试类型：覆盖功能、接口、性能、安全等测试场景
  • 用例审核：待审核、通过、优化、不可用等状态流转
  • 测试套件：灵活组合用例，支持并发执行配置
  • Excel 导入/导出：可配置字段映射的模板系统
  • 批量操作：用例的批量创建、编辑、移动、删除

UI 自动化测试

低代码 UI 自动化，降低自动化测试门槛：

  • 可视化编排：5 级模块 → 页面管理 → 元素定位 → 步骤编排 → 用例组装
  • 9 种定位策略：CSS、XPath、Text、Role、Label、Placeholder、AltText、Title、TestId
  • 6 种步骤类型：元素操作、断言、SQL 查询、自定义变量、条件判断、Python 代码
  • 多浏览器支持：Chromium / Firefox / WebKit，支持持久化浏览器上下文
  • Trace 追踪：完整的截图、Trace 录制与回放

APP 自动化测试

集成 mobile-mcp，支持移动端应用自动化测试：

  • 多平台支持：Android、iOS 设备自动化
  • 元素交互：点击、滑动、输入、手势操作
  • 屏幕操作：截图、录屏、亮度/音量调节

Skill 智能技能系统

可扩展的 Agent 技能管理框架：

  • 多来源导入：ZIP 文件上传、Git 仓库导入
  • SKILL.md 规范：标准化的技能描述文件
  • 内置技能：浏览器自动化（Playwright/agent-browser）、图表生成（Draw.io）、知识库查询、平台 CLI 工具
  • 安全隔离：技能文件独立存储，防止路径穿越攻击
  • 专属资源：加入技术交流群获取经过微调优化的 Skills 和 MCP 工具包

任务中心

定时/周期任务调度：

  • 4 种调度策略：一次性 / 每小时 / 每天 / 每周
  • 关联 UI 自动化或测试套件执行
  • 失败重试策略，基于 Celery Beat 数据库调度器

执行报告与分析

全面的测试执行结果分析：

  • 实时监控：执行进度、状态实时更新
  • 多维度统计：通过率、执行时长、失败原因分析
  • 历史对比：支持执行结果的历史趋势分析

文档

详细文档请访问：https://docs.wharttest.mgdaas.cn:4430/

快速开始

Docker 部署（推荐 - 开箱即用）

# 1. 克隆仓库
git clone https://github.com/MGdaasLab/WHartTest.git
cd WHartTest

# 2. 准备配置（使用默认配置，包含自动生成的API Key）
cp .env.example .env

# 3. 一键启动（以下两种方式二选一）
# 方式一：使用部署脚本（推荐，支持镜像源择优）
./run_compose.sh

# 方式二：直接使用 docker-compose
docker-compose up -d

# 4. 访问系统
# http://localhost:8913 (admin/admin123456)

就这么简单！ 系统会自动创建默认API Key，MCP服务开箱即用。

统一部署脚本

如果你使用仓库自带脚本部署，现在启动后会先让你在“远程拉镜像”和“本地构建镜像”之间二选一：

./run_compose.sh

这个脚本现在会：

  • 先选择部署方式：remote 远程镜像下载，或 local 本地构建镜像
  • remote 模式会自动在内置远程镜像仓库候选里测速择优，用户只需选择 1 即可
  • remote 会按仓库类型分别选择：Docker Hub 使用官方 / docker.1panel.live / docker.1ms.run / docker.xuanyuan.me / docker.m.daocloud.io，GHCR 使用官方 / ghcr.1ms.run / ghcr.nju.edu.cn / ghcr.m.daocloud.io，MCR 使用官方 / mcr.azure.cn / mcr.m.daocloud.io
  • local 模式会自动探测当前网络下更快的 APT / PyPI / npm / Hugging Face 下载地址
  • Python 依赖安装现在支持自动回退：首选测速最快的 PyPI 源，某个包下载超时会顺序切到其余候选继续安装
  • local 内置候选包含官方源、清华、中科大、阿里云、腾讯云、华为云、北外、上海交大、npmmirror、hf-mirror 等
  • 支持通过环境变量继续追加你自己的候选镜像源
  • 本地构建默认使用 Docker 缓存，不再每次都 --no-cache

常用示例：

# 交互选择部署方式
./run_compose.sh

# 直接使用远程预构建镜像
./run_compose.sh remote

# 直接使用本地构建，并自动选择更快下载源
./run_compose.sh local

# 本地构建时强制使用原生官方源
DOCKER_SOURCE_PROFILE=native ./run_compose.sh local

# 本地构建时强制只在镜像源里择优
DOCKER_SOURCE_PROFILE=mirror ./run_compose.sh local

# 给 PyPI 追加自定义候选源（注意用引号包起来）
DOCKER_PIP_CANDIDATES_EXTRA="corp|https://pypi.example.com/simple|https://pypi.example.com/simple/pip/" ./run_compose.sh local

# 只有在本地全量重建时才禁用缓存
DOCKER_BUILD_NO_CACHE=1 ./run_compose.sh local

⚠️ 生产环境提示：请登录后台删除默认API Key并创建新的安全密钥。

页面展示
alt text alt text
alt text alt text
alt text alt text
alt text alt text
alt text alt text
alt text alt text
alt text alt text
alt text alt text

贡献指南

  1. Fork 项目
  2. 创建功能分支
  3. 提交更改
  4. 创建 Pull Request

联系方式

如有问题或建议，请通过以下方式联系：

  • 提交 Issue
  • 项目讨论区
  • 添加微信时请备注 github ，拉你进微信群聊。
  • 加群获取最新更新信息及SKill。
image

qq群：

  1. 8xxxxxxxx0（已满）
  2. 1017708746

【重要安全警示】关于 v1.4.0 以及后续版本 Skills 权限及部署安全的声明

鉴于 Skills 模块具备较高的系统执行权限，为了保障您的数据与环境安全，我们做出以下严正提示：

部署建议：强烈建议仅在内网环境或受信任的私有网络中部署使用。 访问控制：切勿将服务直接暴露于公网（Public Internet），或授予任何未经身份验证及不可信人员访问权限。 免责声明：本项目（WHartTest）仅供学习与研究使用。用户需自行承担因违规部署（如开放公网、未做鉴权等）所导致的一切安全风险与后果。对于因不当配置引发的数据泄露、服务器被入侵等安全事故，WHartTest 团队不承担任何法律及连带责任。
WHartTest - AI驱动测试用例生成，让测试更智能，让开发更高效！