基于LangChain手工测试用例转App自动化测试生成工具-优快云博客

在传统编写 App 自动化测试用例的过程中，基本都是需要测试工程师，根据功能测试用例转换为自动化测试的用例。市面上自动生成 Web 或 App 自动化测试用例的产品无非也都是通过录制的方式，获取操作人的行为操作，从而记录测试用例。整个过程类似于

但是通常录制出来的用例可用性、可维护性都不强，而且依然需要人手工介入录制的过程。

在 LLM 问世之后，我们便在探索，是否有第二种可能性，由大模型执行功能测试用例，生成自动化测试用例？

在前面的章节基于 LangChain 手工测试用例转 Web 自动化测试生成工具中，给大家讲解了手工用例转 Web 自动化测试用例的过程，而 App 自动化测试用例生成的原理也基本类似。

应用价值

测试工程师在编写用例的过程中，将操作步骤明确的表达出来。即可通过大模型将功能测试用例可以直接转为 App 自动化测试用例。极大的节省了人力与资源。

实践演练

实现原理

整个实现原理如下图所示：

实现思路

测试用例规范与要求

如果想要将功能用例转换为自动化测试用例，那么对功能测试用例则需要清晰，明确的表达出来每个操作步骤。如果测试用例本身就表达的含糊不清，那么自然大模型是无法识别它需要进行的具体的操作步骤的。

如下所示，为一个测试步骤。在这些测试步骤中，具体打开哪些页面，输入哪些信息，点击哪些按钮都清晰的表达了出来。


1. 打开 app activity ".Settings" , app package com.android.settings

2. 点击 Battery

3. 获取 Battery 的电量

4. 返回上一级页面

通过 AGENT 执行功能测试用例。

大模型本身是不具备任何执行能力或生成能力的，它只会”思考“，但是通过 LangChain 的 Agent，可以将一些”工具”外挂到大模型身上。

那么如果要执行这些功能测试用例，大模型就需要具备执行用例的能力。而我们要做的事情，就是将 tools（工具包），外挂到大模型上面。

相关知识点：Agent、 tools

封装好 App 的底层工具


from time import sleep

from appium import webdriver

from appium.options.android import UiAutomator2Options

from appium.webdriver.common.appiumby import AppiumBy


class AppAutoFramework:

def __init__(self):

self.driver = None

self.element = None


def init(self, app_activity, app_package):

if not self.driver:

# 设置 capability

caps = {

# 设置 app 安装的平台（Android、iOS）

"platformName": "android",

# 设置 appium 驱动

"appium:automationName": "uiautomator2",

# 设置设备名称

"appium:deviceName": "emulator-5554",

"appium:noReset": True,

# 设置以下两个参数来控制启动app和关闭掉app

"appium:forceAppLaunch" : True,

"appium:shouldTerminateApp" : True,

# 设置 app 的包名

"appium:appPackage": app_package,

# 设置 app 启动页

"appium:appActivity": app_activity

}

# 初始化 driver

self.driver = webdriver.Remote(

"http://localhost:4723",

options=UiAutomator2Options().load_capabilities(caps)

)

self.driver.implicitly_wait(5)

return self.source()


def source(self):

return self.driver.page_source


def find(self, locator):

print(f"find xpath = {locator}")

element = self.driver.find_element(by=AppiumBy.XPATH, value=locator)

self.element = element

return self.source()


def click(self):

self.element.click()

sleep(1)

return self.source()


def send_keys(self, text):

self.element.clear()

self.element.send_keys(text)

return self.source()


def back(self):

self.driver.back()

return self.source()

创建工具以及其说明，并且将工具绑定到工具包中


import time


from langchain_core.tools import tool


app = AppAutoFramework()



@tool

def init(app_activity, app_package):

"""

打开app的安装包，并返回app的resource

"""

return app.init(app_activity, app_package)



@tool

def find(xpath: str):

"""通过xpath定位元素"""

return app.find(xpath)



@tool

def click(xpath: str = None):

"""以xpath的方式定位网页元素后点击"""

app.find(xpath)

return app.click()



@tool

def send_keys(xpath, text):

"""定位到xpath指定的元素，并输入text"""

app.find(xpath)

return app.send_keys(text)



@tool

def sleep(seconds: int):

"""等待指定的秒数"""

time.sleep(seconds)



@tool

def back():

"""

返回上一级界面

:return:

"""

app.back()



tools = [init, find, click, send_keys, sleep, back]

记录执行步骤

在 Agent 的配置中，可以要求 agent 将所有的执行步骤记录下来。而执行记录会记录在返回结果中的intermediate_steps中。

而我们则需要将这些步骤取出来，按照我们的需求记录下来。


# 获取执行结果

import json

from langchain import hub

from langchain.agents import create_structured_chat_agent, AgentExecutor

from langchain_core.agents import AgentAction

from langchain_openai import ChatOpenAI


from app.appium_tools import tools


prompt = hub.pull("hwchase17/structured-chat-agent")

llm = ChatOpenAI()

app_agent = create_structured_chat_agent(llm, tools, prompt)

# Create an agent executor by passing in the agent and tools

app_agent_executor = AgentExecutor(

agent=app_agent, tools=tools,

verbose=True,

return_intermediate_steps=True,

handle_parsing_errors=True)


query = """

你是一个自动化测试工程师，接下来需要根据测试步骤，

每一步如果定位都是根据上一步的返回的html操作完成

执行对应的测试用例，测试步骤如下

1. 打开 app activity ".Settings" , app package com.android.settings

2. 点击 Battery

3. 获取 Battery 的电量

4. 返回上一级页面

"""


def execute_result(_):

# 获取执行结果

r = app_agent_executor.invoke({"input": query})

# 获取执行记录

steps = r["intermediate_steps"]

steps_info = []

# 遍历执行步骤，获取每一步的执行步骤以及输入的信息。

for step in steps:

action = step[0]

if isinstance(action, AgentAction):

steps_info.append({'tool': action.tool, 'input': action.tool_input})

return json.dumps(steps_info)



if __name__ == '__main__':

print(execute_result(""))

生成自动化测试用例。

拥有执行步骤之后，可以将执行步骤传递给大模型，然后让大模型根据执行步骤直接生成 web 自动化测试用例。


prompt_testcase = PromptTemplate.from_template("""

你是一个app自动化测试工程师，主要应用的技术栈为pytest + appium。

以下为app自动化测试的测试步骤，测试步骤由json结构体描述


{step}


{input}


""")


chain = (

RunnablePassthrough.

assign(step=execute_result)

| prompt_testcase

| llm

| StrOutputParser()

)


print(chain.invoke({"input": "请根据以上的信息，给出对应的app自动化测试的代码"}))