🚀 AI驱动的QA自动化：Playwright与GitHub Copilot合作，实现更智能、更快的测试。
📖 概述
使用Python+Playwright+Pytest构建的全面QA自动化框架，通过Allure报告、模拟MCP（模型上下文协议）服务器和GitHub Copilot作为AI代理进行增强。 本项目演示了端到端QA工作流程：
页面对象模型（POM）
并行执行
证据采集（截图、日志）
API验证
由Copilot驱动的AI驱动测试用例生成
🖼️ 架构图预览 该图包括：
UI自动化剧作家
MCP服务器作为通往GitHub Copilot的桥梁
GitHub Copilot生成AI驱动的测试用例
API测试层验证后端终结点
诱惑报告聚合UI和API测试的结果
显示数据流和组件之间交互的箭头
它表明 登录、添加到购物车和结账流程 在演示网站上，有日志、截图和HTML报告。
______________________________________________________________________
剧作家_框架/ ├── api/#api客户端层 ├── config/#配置（URL、凭据、路径） ├── pages/#页面对象模型 ├── 测试/#UI+neneneba API测试套件 ├── mcp_server/#mcp服务器桥接副驾驶 ├── logs/#测试运行日志 ├── 报告/#获取原始结果 ├── 截图/#捕获的证据 ├── main.py#入口点 └── pytest.ini#pytest标记和配置
🔧 特性 🧩 用于可扩展UI自动化的页面对象模型（POM）
🤖 通过MCP服务器集成GitHub Copilot，用于AI驱动的测试生成
📊 Allure报告，包括步骤细分、屏幕截图和严重程度
⚡ 使用pytest-xlist并行执行
🔌 API测试层，包括产品列表、用户注册、登录和搜索端点
🖥️ 运行服务器、测试或两者的集中式入口点（main.py）
🤖 MCP服务器+副本 MCP服务器将GitHub Copilot与您的QA框架连接起来。 Copilot充当人工智能代理，生成招聘人员准备好的测试用例和演示脚本。
样品请求： curl-X POSThttp://127.0.0.1:8001/v1/chat/completions \ -H“内容类型：应用程序/json” \ -d'{“模型”：“副驾驶”，“消息”：\[{“角色”：“用户”，“内容”：“生成登录测试用例”}\]，“max_tokens”：800}'
样本响应： { “选择”：\[ { “消息”：{ “content”：“GitHub Copilot代理：为->生成登录测试用例生成测试用例” } } \] }
📊 诱惑报告（增强版） Allure将原始pytest结果转换为可视化仪表板，其中包含：
特色与故事→ 按功能（身份验证、购物车、结账）分组测试。
严重级别→ 强调重要性（阻塞、关键、正常）。
步骤分解→ 登录→ 加入购物车→ 结账流程。
证据附件→ 截图、URL、JSON有效载荷。
故障证据→ 测试失败时自动截图。
🔌 API测试层 涵盖的终点：
GET/api/products列表→ 所有产品
POST/api/createAccount→ 注册用户
张贴/API/验证→验证登录
POST/api/search产品→ 搜索产品
⚙️ 本地运行
- 设置环境
python-m venv.venv source.ven/bin/activate pip安装-r要求.txt 剧作家装置
- 启动MCP服务器
python mcpserver/server.py
- 运行测试（仅限桌面，并行）
pytest-m desktop-n auto-lauredir=报告/
- 查看Allure报告
诱惑服务报告/
🐳 使用Docker运行 docker构建
MCP服务器运行在http://localhost:8001
Playwright测试在单独的容器中运行
报告中生成的报告/
🚀 通过main.py使用 python main.py
选项：
运行MCP服务器
运行测试
同时运行MCP服务器和测试（多处理）
🛠️ 优化并行执行 只有桌面测试并行运行（-m桌面）。
移动测试在pytest.ini和测试文件中被注释掉。
使用-n auto可最大限度地提高CPU利用率。
👉 本自述现在详细解释了MCP服务器AI代理集成，展示了Allure如何捕获证据，并强调了并行执行优化。
👤 作者
Sayan Koley——QA自动化专家。持久、实用、专注于招聘人员的框架。
📜 许可证
MIT许可证-免费使用和改编。