AI Test Agent
经 AI Skill Hub 精选评估，AI Test Agent 获评「推荐使用」。这款Agent工作流在功能完整性、社区活跃度和易用性方面表现出色，AI 评分 7.5 分，适合有一定技术背景的用户使用。
📚 深度解析
AI Test Agent 工作流的设计遵循"最小配置，最大复用"原则：核心逻辑已经封装好，用户只需配置自己的 API Key 和业务参数即可快速上手。工作流内置错误处理和重试机制，在网络波动或 API 限速等情况下仍能稳定运行，适合作为生产环境的自动化基础设施。
在实际部署时，建议先在测试环境中运行 3-5 次，验证各个环节的输出结果符合预期，再部署到生产环境。AI Skill Hub 评分 7.5 分，是同类 Agent 工作流中的精选推荐。
📋 工具概览
基于人工智能的自动化测试平台，利用大语言模型和浏览器自动化技术，实现测试用例的智能生成、自动执行、Bug 分析和报告。
AI Test Agent 是一套完整的 AI Agent 自动化工作流方案。通过可视化的节点编排，将复杂的多步骤任务拆解为清晰的自动化流程，实现全程无人值守的智能处理。支持与数百种外部服务和 API 无缝集成，适合构建数据处理管线、业务自动化和 AI 辅助决策系统。
📖 中文文档
基于人工智能的自动化测试平台，利用大语言模型和浏览器自动化技术，实现测试用例的智能生成、自动执行、Bug 分析和报告。
AI Test Agent 是一套完整的 AI Agent 自动化工作流方案。通过可视化的节点编排，将复杂的多步骤任务拆解为清晰的自动化流程，实现全程无人值守的智能处理。支持与数百种外部服务和 API 无缝集成，适合构建数据处理管线、业务自动化和 AI 辅助决策系统。
- 可视化 Agent 工作流编排，无需编写复杂代码
- 支持多步骤自动化任务链，实现全流程无人值守
- 与外部 API、数据库和第三方服务无缝集成
- 内置错误处理与自动重试机制，保障稳定运行
- 提供可复用的自动化模板，快速在同类场景部署
- 自动化日常重复性工作，将精力集中于创造性任务
- 构建数据采集 → 处理 → 输出的完整自动化管线
- 实现跨平台、跨系统的数据流转和业务协同
# 方式一：pip 安装（推荐）
pip install ai_test_agent
# 方式二：虚拟环境安装（推荐生产环境）
python -m venv .venv
source .venv/bin/activate # Windows: .venv\Scripts\activate
pip install ai_test_agent
# 方式三：从源码安装（获取最新功能）
git clone https://github.com/eighteendreamer/Ai_Test_Agent
cd Ai_Test_Agent
pip install -e .
# 验证安装
python -c "import ai_test_agent; print('安装成功')"
- 访问 GitHub 仓库获取工作流文件
- 在对应平台（Dify / Flowise / Make 等）中找到「导入工作流」功能
- 上传工作流文件
- 按照提示配置必要的环境变量和 API Key
- 运行测试确认流程正常后投入使用
# 命令行使用
ai_test_agent --help
# 基本用法
ai_test_agent input_file -o output_file
# Python 代码中调用
import ai_test_agent
# 示例
result = ai_test_agent.process("input")
print(result)
# ai_test_agent 配置文件示例（config.yml） app: name: "ai_test_agent" debug: false log_level: "INFO" # 运行时指定配置文件 ai_test_agent --config config.yml # 或通过环境变量配置 export AI_TEST_AGENT_API_KEY="your-key" export AI_TEST_AGENT_OUTPUT_DIR="./output"
御策天检 · AI 测试平台
</div>
御策天检（英文代号 AI Test Agent / Enterprise AI QA Agent）是一套面向质量保障场景的 AI 测试系统仓库。 仓库内并存两代产品：早期的一站式 Web 测试平台，和当前正在迭代的 Agent 工作台。
---
关于迭代状态（说明白，避免误解）
- Web 版已经不再迭代。 按本仓库的提交记录：
Agent_Server/与agent_web_server/的最后一笔代码改动是 2026-04-15（仓库自另一账号迁移导入），此后仅 2026-06-26 动过一次.env.example（3 行）。agent_web_server/全部历史只有一笔提交。它是上一代方案，功能仍然完整可跑，但不会再补新特性，也不会跟进安全/依赖升级。 Enterprise_AI_QA_Agent是唯一在推进的分支。 它不是 Web 版的简单改名，而是换了骨架：从"平台内置流程 + 脚本执行器"改成"注册中心 + LangGraph 图编排 + 可观测工作台"。- 节奏偏慢是事实，原因是主业。 这个项目是我下班后和周末做的，工作忙的时候可能几周不动；但每次动手都按 AGENTS.md 的纪律走（先查证、根因修复、完成必验证），所以提交粒度小、带测试。不要按"开源项目的更新频率"来评估它。
- 不要交叉复制代码。 两代项目的对象存储客户端、模型适配层、路由前缀都不一样（MinIO vs RustFS、自研
llm/providersvsapplication/model_adapters、/api/*vs/api/v1/*）。Web 版里有价值的部分是测试领域策略本身（止损、模糊匹配、瞬态 UI 感知、JSON 修复管线、平台适配器），这些思路在 Enterprise 版里以 Harness/Skill 的形式重做。
2.7 后端能力清单
- 会话创建/读取、消息发送、SSE 事件流、事件历史与 replay 回放、快照、interrupt / resume 审批、无头执行（headless execute）
- Coordinator / Worker 子代理调度、工具作业（tool jobs）与产物（artifacts）管理
- MCP 连接管理与工具桥接（
MCP_STDIO_COMMAND_ALLOWLISTstdio 命令白名单） - 向量记忆（pgvector，默认维度 1536，
hnsw/ivfflat索引；补数 CLIsrc/cli/backfill_memory_embeddings.py） - Memgraph 知识图谱与项目级 UI 图谱
- 模型多 Provider 适配（OpenAI / Anthropic / Gemini 等）+ OAuth 授权（Azure AD / Google / GitHub / CodeBuddy / TRAE / Codex）
- 邮件能力（agently-mail，含腾讯邮箱认证监控，Redis 分布式锁）
- 渠道配对网关（
qq/feishu（lark归一为feishu）/weixin扫码配对，凭据加密CHANNEL_CREDENTIAL_ENCRYPTION_KEY） - 上传安全扫描：RustFS 三桶流转
temp → safe / quarantine，UPLOAD_SCAN_MAX_BYTES=10MB，风险阈值 30/70 - Docker 管理面板：一键拉起并管理 Redis / RustFS / MySQL / Postgres / Memgraph / 安全与性能测试引擎容器
- 上下文治理：
CONTEXT_COMPACTION_WATERMARK、TOOL_MESSAGE_MAX_CHARS防上下文膨胀 - 数据导出 / 导入 / 清理接口（
/settings/data/*）
四、Web 版（已停止迭代）能力全览
以下是上一代平台的完整能力记录，保留作为功能参考与二次开发底稿。 启动方式见本文第六章。更细的设计说明见PROJECT_DESIGN.md（793 行，13 章，明确只覆盖Agent_Server/+agent_web_server/；本地文件，被.gitignore显式排除，未入库）。
平台基于 LLM + 浏览器自动化，实现测试用例智能生成、自动执行、Bug 分析和报告生成。底层模型架构用适配器模式重构，内置智能止损、模糊匹配、Agent 判定优先、瞬态 UI 感知、用例间状态隔离等策略。
差异化不在"AI 能不能测"，而在"AI 测试能不能更低成本、更稳定、可复用、可持续地运行"：
- 知识复用：页面探索结果进知识库，同页面优先命中缓存，减少重复探索与上下文膨胀
- 版本感知：页面结构变化时自动 Hash 比对 + Diff 分析，辅助回归测试
- 受控生成：模板 + LLM 混合生成用例，降低 Token 消耗并提升结构稳定性
- 稳定执行：止损、循环检测、429 熔断、模型自动切换、状态隔离等运行保护
- 测试治理：报告、Bug、邮件通知、Token 统计、多模型管理
- 多平台集成：统一适配器工厂接入 11 大项目管理平台，Bug 推送 + 用例双向同步
1. 后端依赖
cd Agent_Server pip install -r requirements.txt playwright install chromium
3. Qdrant（页面知识库可选依赖）
docker run -d --name Qdrant_Ai_Test_Agent -p 6333:6333 -p 6334:6334 \ -v qdrant_storage:/qdrant/storage qdrant/qdrant
0. 基础设施：可手起容器，或用设置页的 Docker 管理面板一键拉起
按实际填 MYSQL_* / POSTGRES_* / MEMGRAPH_* / RUSTFS_* / REDIS_URL / DOCKER_*_IMAGE
六、Web 版部署与运行（已冻结）
环境要求：Python 3.11+、Node.js 18+、MySQL 8.0+、MinIO、Qdrant（Docker）、Chrome/Edge。 仓库内没有 docker-compose 文件（Enterprise_AI_QA_Agent/项目借鉴/ 下的 compose 属于第三方参考项目），基础设施需自备。
```bash
2.10 快速启动
```bash
QDRANT_HOST / QDRANT_PORT / EMBEDDING_API_URL / EMBEDDING_API_KEY（代码有默认值，未写进 .env.example）
PENTEST_* / PRESSTEST_* 见 Agent_Server/.env.example（305 行）
运行时才创建且已 gitignore，所以 clone 下来看不到这两个目录是正常的
4. 建库 + 启动
python -c "from database.connection import init_db; init_db()" python app.py # ★ 是 app.py；旧 README 写的 python src.py 不存在
1. 配置
cp Enterprise_AI_QA_Agent/Agent_Server/.env.example Enterprise_AI_QA_Agent/Agent_Server/.env
2. 配置 .env（关键项；HOST 与 PORT 缺失会直接抛 ValueError）
邮件配置不走 env，存数据库 email_config 表，在「邮件配置」页面维护
E-API 赞助支持
本项目获得 E-API 赞助支持。E-API 提供聚合模型 API 服务（中转站），可用于开发者工具和 AI 应用的模型接入。
新用户通过下方专属链接注册，可获得 5 元产品额度：
邀请码：KZQTHE
推广说明：以上链接为赞助推广链接。你通过该链接注册或消费后，我可能获得 E-API 提供的推广返佣。E-API 及本推广活动与 GitHub 官方无关。产品额度、可用范围及返佣结算以 E-API 活动页面的现行规则为准。
赞助商信息在系统内也是可见的，不只是写在 README 里：
- 前端入口：桌面端 / Web 顶栏右侧的赞助商轮播 logo + 列表弹窗（
agent_web/src/components/layout/SponsorEntry.vue，15 种语言均有文案） - 读取接口：
GET /api/v1/sponsors（只返回enabled=true的记录，无需鉴权） - 数据来源：MySQL 表
system_sponsor_config，首次启动自动写入默认记录（E-API →https://api.ewo.so/，类型「中转站」） - Logo 资源：
Enterprise_AI_QA_Agent/agent_web/public/sponsors/e-api.png - 当前未提供后台 CRUD 界面，新增/修改赞助商直接维护该表
---
4.4 接口测试（API Testing）
- 接口文件管理：Markdown 接口文档上传 MinIO，自动解析 endpoints（method/path/summary/params/examples）；多策略解析器支持标题内联、中文 KV（
- **路径**: /v1/xxx）、Markdown 表格、全文正则扫描兜底；卡片式管理界面支持详情/原文预览/删除 - 智能接口匹配：两段式（关键词粗筛 + LLM 精排）按用例文本推荐接口文件
- 三步式执行：选用例 → AI 匹配接口（展示推荐/候选/预览，可手动切换）→ 配环境（Base URL、Headers）执行：LLM 生成可执行 DSL → HTTP Runner 发请求 → 断言验证
- 全链路闭环：结果写
test_records→ 生成test_reports→ 失败用例建bug_reports→ 自动邮件通知auto_receive_bug=1联系人
MINIO_ENDPOINT / MINIO_ACCESS_KEY / MINIO_SECRET_KEY / MINIO_BUCKET / MINIO_REGION / MINIO_SECURE
4.7 多模型适配与管理
llm/providers/ 下 11 个 Provider：OpenAI、Anthropic、Google、DeepSeek（含 <think> 处理与 R1 专用 DeepSeekR1ChatOpenAI）、Azure、Alibaba/ModelScope（Qwen 系列，含结构化输出适配）、MiniMax、Ollama（含 DeepSeekR1ChatOllama）、Mistral、Moonshot、generic（通用 OpenAI 兼容，覆盖硅基流动 / 智谱 / Grok / OpenRouter 等）。
供应商管理页可视化 CRUD（API Key / Base URL / 默认参数）；Qwen3.5 等大参数模型自动启用 dont_force_structured_output + add_schema_to_system_prompt；LLMWrapper 统一拦截 ainvoke 做消息转换、JSON 清洗、action 格式修正、别名映射；ModelAutoSwitcher 按数据库优先级与激活状态调度，429/超时/连续失败自动切换；Token 与成本统计按模型、按来源可查。
4.13 多平台项目管理集成（11 个平台）
Factory Pattern 统一接入，Project_manage/platforms/ 下 11 个适配器目录（另含 shared/），每个平台提供 Config / Cases / Bugs 三视图：
禅道（v1/v2 API 自适应，兼容 15.x~21.x）、Jira（Cloud & Server，REST v2/v3）、PingCode、Worktile、ONES、云效、TAPD、8Manage PM、Microsoft Project、Asana、ClickUp。
- 平台总控制台
PlatformControl.vue：统一视角激活/停用/测试连接 - Bug 自动推送：映射标题、复现步骤、严重程度、影响模块；失败时展示平台返回的具体原因
- 用例双向导入：按产品全量 / 按套件 / 按用例 ID 三种模式；
asyncio.Semaphore并发拉取（默认 5，上限 20）；导入前查同名去重、同批次内也防重复；逐条调详情接口保证steps/precondition/expected/keywords完整 - 用例模板同步：拉取平台字段结构，统一映射为
module/title/precondition/steps/expected/keywords/priority/case_type/stage - 远程项目同步：从已连接平台拉取项目列表同步到本地
二、Enterprise_AI_QA_Agent（当前项目）
参考 claude_code_ui_Agent 的运行骨架构建，目标是"能规划、能调工具、能审批、能中断恢复、能出报告"的 AI 测试运行骨架，而不是一个聊天页面。后端应用版本 0.2.0。
Ai_Test_Agent（御策天检）是一款基于大语言模型（LLM）驱动的智能自动化测试平台。通过结合浏览器自动化技术，平台能够实现测试用例的智能生成、自动执行、Bug 分析及报告生成。项目采用适配器模式（Adapter Pattern）重构底层架构，支持超过 15 种主流大模型供应商。此外，平台内置基于 Qdrant 向量数据库的页面知识库（RAG 记忆层），能够通过 Diff Engine 自动检测页面变更并推荐回归测试范围，显著提升测试的稳定性与效率。
平台提供强大的功能测试与接口测试能力。在功能测试方面，支持通过 Browser-Use 技术进行单量执行或批量执行，Agent 可自动处理验证失败并进行模糊匹配，实现无人值守测试。在接口测试方面，系统支持上传 Markdown 格式的接口文档至 MinIO，利用 AI 智能匹配技术实现测试用例与接口文件的精准关联，并提供 LLM 增强模式，确保测试过程的智能化与自动化。
运行本项目需要满足以下环境要求：Python 版本需为 3.11 及以上；Node.js 版本需为 18 及以上；数据库需安装 MySQL 8.0+ 以及用于文件存储的 MinIO；向量数据库 Qdrant 建议通过 Docker 进行部署；此外，系统需配备 Chrome 或 Edge 浏览器以支持自动化操作。
安装过程分为后端部署与基础设施准备两个阶段。首先，确保 Docker 服务已启动，并进入 Agent_Server 目录通过 pip 安装依赖及 Playwright 浏览器组件。随后，需根据项目需求启动 Qdrant 服务（通过 Docker 运行），并执行数据库初始化脚本完成环境搭建。请务必在部署前检查相关依赖版本是否符合要求。
用户可以通过前端界面进行直观操作。在功能测试模块，用户可选择单条或多条用例进行执行，系统会实时生成汇总报告并支持暂停或恢复。在接口测试模块，用户只需上传 Markdown 接口文档，系统会自动解析并存储。执行测试时，AI 会自动匹配最合适的接口文件，用户仅需配置目标环境（Base URL、Headers）并选择执行模式即可完成闭环测试。
项目通过 `.env` 文件进行环境配置。开发者需要配置渗透测试相关的 Docker 参数（如 PENTEST_USE_DOCKER）、浏览器运行模式（HEADLESS）以及 Embedding 服务的 API 信息（如 EMBEDDING_API_URL 和 EMBEDDING_API_KEY）。若使用页面知识库功能，需确保 Qdrant 的配置与 Embedding 模型参数正确无误。
平台提供了丰富的 API 接口用于自动化集成。例如，可以通过 POST 请求调用 `/api/pentest/flows` 接口，结合用户 ID、项目 ID 及输入指令，驱动 AI Agent 执行渗透测试任务。同时，系统支持通过 API 进行接口文档的解析与管理，确保测试流程可以无缝嵌入到现有的 CI/CD 流水线中。
项目拥有高度模块化的工作流设计。在模型管理方面，通过统一的适配器工厂支持 OpenAI、DeepSeek、Anthropic (Claude)、Google (Gemini) 等多平台模型，并能智能处理推理标签。在项目集成方面，平台通��适配器模式深度集成了禅道 (Zentao)、Jira、PingCode、Worktile、ONES、云效 (Yunxiao) 及 TAPD 等 11 个主流研发管理平台，实现了测试结果与项目管理系统的自动化同步。
AI Test Agent 是一个有潜力的开源项目，利用大语言模型和浏览器自动化技术，实现了自动化测试和智能测试用例生成。然而，项目的文档和安装过程需要进一步完善。
- 构建多智能体协作系统的 Agent 开发者
- 构建企业知识库 / RAG 检索应用的团队
- 生产部署优先使用 Docker Compose 隔离依赖，并挂载 volume 持久化数据
- 本地部署优先选 GGUF 量化模型，节省显存并保持响应速度
- 分块大小建议 256-512 tokens，向量库优选 pgvector 或 Qdrant
- Agent 任务先做 dry-run 验证工具调用链，再开启自主执行
- API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
- 容器内无法访问宿主机 localhost — 使用 host.docker.internal
- embedding 模型与查询模型不一致导致检索失效
- 显存不足直接 OOM — 优先降低 context 或换更小的量化模型
- Python 依赖冲突：建议用 venv / uv 隔离环境
- Docker：Ai_Test_Agent 提供官方镜像，docker compose up 一键启动
- CLI：直接 npm install -g / pip install，命令行调用
- 本地部署：CPU 8GB 起，GPU 推荐 16GB+ 显存
- 云端托管：可放在 Vercel / Railway / Fly.io 等 PaaS 平台
⚡ 核心功能
- 可视化 Agent 工作流编排，无需编写复杂代码
- 支持多步骤自动化任务链，实现全流程无人值守
- 与外部 API、数据库和第三方服务无缝集成
- 内置错误处理与自动重试机制，保障稳定运行
- 提供可复用的自动化模板，快速在同类场景部署
- 构建多智能体协作系统的 Agent 开发者
- 构建企业知识库 / RAG 检索应用的团队
- 生产部署优先使用 Docker Compose 隔离依赖，并挂载 volume 持久化数据
- 本地部署优先选 GGUF 量化模型，节省显存并保持响应速度
- 分块大小建议 256-512 tokens，向量库优选 pgvector 或 Qdrant
- Agent 任务先做 dry-run 验证工具调用链，再开启自主执行
- API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
- 容器内无法访问宿主机 localhost — 使用 host.docker.internal
- embedding 模型与查询模型不一致导致检索失效
- 显存不足直接 OOM — 优先降低 context 或换更小的量化模型
👥 适合人群
🎯 使用场景
- 自动化日常重复性工作，将精力集中于创造性任务
- 构建数据采集 → 处理 → 输出的完整自动化管线
- 实现跨平台、跨系统的数据流转和业务协同
⚖️ 优点与不足
- +大幅减少重复性人工操作
- +可视化流程，清晰直观
- +可扩展性强，支持复杂场景
- −未明确开源协议，商用场景需谨慎评估
- −初始配置和调试需投入一定时间
- −强依赖外部服务的稳定性
- −复杂场景需具备一定技术基础
该工具未明确声明开源协议，商业使用前请联系原作者确认授权范围，避免侵权风险。
AI Skill Hub 为第三方内容聚合平台，本页面信息基于公开数据整理，不对工具功能和质量作任何法律背书。
建议在沙箱或测试环境中充分验证后，再部署至生产环境，并做好必要的安全评估。
🔗 相关工具推荐
❓ 常见问题 FAQ
AI Skill Hub 点评：AI Test Agent 的核心功能完整，质量良好。对于自动化工程师和运维人员来说，这是一个值得纳入个人工具库的选择。建议先在非生产环境试用，再逐步推广。
| 原始名称 | Ai_Test_Agent |
| 原始描述 | 开源AI工作流：AI Test Agent 是一个基于人工智能的自动化测试平台，利用大语言模型（LLM）和浏览器自动化技术，实现测试用例的智能生成、自动执行、Bug 分析和报告。⭐15 · Python |
| Topics | workflowpython |
| GitHub | https://github.com/eighteendreamer/Ai_Test_Agent |
| 语言 | Python |
收录时间：2026-05-20 · 更新时间：2026-05-30 · License：未公布 · AI Skill Hub 不对第三方内容的准确性作法律背书。
🤖 交给 Agent 安装 · AI Test Agent
选择 Agent 类型，复制安装指令后粘贴到对应客户端