基于Agent-Browser的 WebUI 自动化测试平台——VisionTest。这个平台的核心设计理念是让 AI 像人一样看网页、自主操作、自我纠错彻底告别脆弱的 DOM 定位器。Agent-Browser 作为执行层的核心工具提供了自然语言驱动的浏览器操控能力。一、平台整体架构图二、实施规划四个里程碑6-8 个月里程碑目标时长核心交付M1核心闭环跑通自然语言 → 浏览器操作 → 截图证据6-8 周Agent-Browser 集成、CLI 工具、单个用例执行M2平台化Web 管理台 任务调度6-8 周用例管理界面、分布式执行、测试报告M3智能化探索式测试 失败自愈6-8 周自动遍历、异常处理、LLM 归因分析M4企业级CI/CD 集成 多租户6-8 周流水线插件、RBAC、性能优化M1 核心闭环0→1搭建 Agent-Browser 执行环境将 Agent-Browser 工具封装为 Docker 镜像内置 Chromium 浏览器和 VLM 调用客户端。实现核心动作库基于 Agent-Browser 的自然语言 API如 click(登录按钮)、type(admin, 用户名输入框)封装标准测试动作。开发 CLI 工具支持 visiontest run --case login.yaml 命令行执行输出 JSON 格式结果。最小验证选择 5-10 个核心业务场景登录、注册、下单验证执行稳定性。M2 平台化规模化Web 管理台提供用例编写界面支持 Given-When-Then 风格的自然语言描述。任务调度器基于 Celery Redis 实现异步任务队列支持并发执行多个测试任务。多模态断言实现截图对比像素级 VLM 语义判断、页面文本匹配、元素存在性检查。测试报告自动生成包含执行步骤、截图、耗时、成功/失败状态的 HTML 报告。M3 智能化质量提升探索式测试给定一个 URL让 Agent 自主探索页面点击所有可交互元素发现潜在 Bug。失败自愈操作失败时如找不到元素Agent 自动重新截图分析尝试备选方案如换一种描述方式定位。LLM 归因失败后自动调用 VLM 分析失败截图和操作日志输出根因如页面加载超时弹窗遮挡目标元素。M4 企业级全面推广CI/CD 插件开发 GitHub Actions / GitLab CI 原生插件支持在 PR 提交时自动触发测试。质量门禁设定成功率红线如95% 拦截发布未通过则自动评论 PR。多租户隔离不同团队的数据、用例、执行环境完全隔离。性能优化VLM 响应缓存、截图压缩、浏览器实例预热池。三、典型用例示例# test_cases/login.yaml name: 用户登录功能测试 description: 验证正常登录、密码错误、空表单三种场景 steps: - action: navigate url: https://example.com/login - action: assert condition: 页面包含登录标题 - action: type text: testuserexample.com field: 邮箱输入框 - action: type text: Test123 field: 密码输入框 - action: click target: 登录按钮 - action: wait condition: 页面出现欢迎回来文字 timeout: 10s - action: assert condition: URL 跳转到 /dashboard - action: screenshot name: login_successAgent-Browser 执行时会将每一步的自然语言指令转换为实际的浏览器操作遇到异常如弹窗遮挡会自动处理。四、与传统方案的对比维度传统 SeleniumVisionTest (Agent-Browser)元素定位XPath/CSS 选择器改版即挂视觉理解 自然语言自适应脚本编写需开发人员手动编码业务人员写自然语言即可Canvas/SVG无法测试视觉定位完美支持异常处理需预判所有分支Agent 自主分析处理维护成本极高页面改版重写脚本极低AI 自适应变化五、关键技术风险与应对VLM 调用成本通过截图压缩、响应缓存、低分辨率模式降低 Token 消耗。对重复页面如相同结构的列表页使用模板匹配替代 VLM 调用。执行稳定性Agent 的判断可能存在随机性。通过重试机制默认 2 次和确定性断言URL/HTTP 状态码提升稳定性。敏感数据截图中的手机号、身份证等敏感信息需在存储前自动 OCR 识别并打码处理。