新闻详情

新闻详情

首页 / 资讯中心 / 详情

TestSprite Plan文件入门教程:用自然语言描述测试步骤,告别浏览器自动化代码

发布时间:2026/11/18 12:22:09来源:尧图网络
TestSprite Plan文件入门教程:用自然语言描述测试步骤,告别浏览器自动化代码
TestSprite Plan文件入门教程用自然语言描述测试步骤告别浏览器自动化代码【免费下载链接】testsprite-cliOfficial TestSprite CLI — AI-powered automated testing from your terminal项目地址: https://gitcode.com/gh_mirrors/te/testsprite-cliTestSprite CLI 是一款 AI 驱动的自动化测试命令行工具它的Plan 文件让你用自然语言描述测试步骤就能创建可执行的浏览器自动化测试无需手写选择器和自动化代码。本文带你从零上手3 步创建你的第一个自然语言测试掌握离线校验、批量创建与 AI 自动生成方案。✅什么是 TestSprite Plan 文件传统 UI 自动化要写大量代码找选择器、点按钮、断言文本……而 TestSprite 的 Plan 文件只记录用户意图一个 Plan 文件 一个前端测试单个 JSON 对象不支持顶层数组核心是planSteps数组每一步只有两种类型action一个动作如提交空密码的登录表单assertion一条断言如验证页面提示密码必填每一步用一句话描述意图而不是 CSS 选择器。执行时TestSprite 的 AI 代理会读取这些步骤、实际驱动浏览器操作并自动生成底层测试代码 一个合法 Plan 文件的字段速查最小可用示例模板会自动附带$schema字段供编辑器做实时校验{ projectId: prj_abc123, type: frontend, name: Login rejects an empty password, planSteps: [ { type: action, description: Navigate to /login and submit the form with an empty password }, { type: assertion, description: Verify an inline error says the password is required } ] }字段必填说明projectId✅项目 ID通过testsprite project list获取type✅固定为frontend后端测试请走代码文件路线name✅写成主语 动词 结果的可断言行为描述description❌对name的一句话补充priority❌p0必过 /p1关键路径 /p2边界 /p3外观planSteps✅1–200 步每步一个动词 完整字段契约以机器可读的 schemas/plan.schema.json 为准字段说明详见 DOCUMENTATION.md 的 Plan file format 章节。整份文件不得超过256 KB。3 步上手用自然语言创建第一个测试第 1 步生成模板纯本地无需登录、无需网络testsprite test scaffold first-test.plan.json第 2 步编辑文件把name和planSteps换成你要测的场景。第 3 步先离线校验再正式创建# 离线校验不联网、不扣额度 testsprite test create --plan-from first-test.plan.json --dry-run # 校验通过后创建 立即执行 等待结果 testsprite test create --plan-from first-test.plan.json --run --wait注意--plan-from模式下测试定义完全在文件里同时传的--project、--name等参数会被忽略CLI 会给出提醒。零成本试错--dry-run 离线校验--plan-from … --dry-run执行的是与真实创建完全相同的本地校验不发起网络请求、不需要凭据、不消耗任何额度。你可以反复修改 Plan 文件直到校验通过再去真正创建测试——这对脚本和 AI 代理尤其友好 。一次创建多个测试批量方案写多个 Plan 文件时不必逐个提交# 每行一个 plan 对象的 JSONL 文件≤ 50 条 / 5 MB testsprite test create-batch --plans plans.jsonl # 或一个目录内含多个 *.json Plan 文件 testsprite test create-batch --plan-from-dir ./plans配套可用test lint对整个批次跑同一套校验器一次性收集所有问题。不想手写让 AI 自动生成测试方案如果不想逐条手写可以反过来让 AI 写 Plan# 为项目生成测试方案提案可先 --dry-run 看效果 testsprite test plan generate --project proj_xxxxxxxx # 审阅提案列表后接受全部或只接受部分 testsprite test plan accept --project proj_xxxxxxxx --only prop_2 prop_5generate产出的是待审阅的提案带稳定 IDaccept才真正变成测试用例--only可只挑选你想要的提案。相关数据结构定义在 src/lib/plans.types.ts。新手常见坑与解决方案{{USER}}占位符不会被替换CLI 不做变量替换浏览器代理会把花括号原样输入。正确做法是把登录凭据存在项目上testsprite project update project-id --username user --password pw。type写成backend会被拒绝Plan 文件只支持前端测试后端测试请用test create --type backend --code-file pathCLI 会在报错里直接给出这条指引。顶层写成数组一个文件只放一个测试对象批量请用create-batch。name写成名词短语请写成主语 动词 结果的行为描述例如登录表单拒绝空密码而不是登录测试。编辑体验保留模板里的$schema字段VS Code 等编辑器即可在输入时对 plan.schema.json 做实时校验和补全。参考文件Plan 文件校验器src/lib/plan-schema.spec.tsPlan 模板与--plan-from命令实现src/commands/test.tstest plan generate/accept端到端示例test/e2e/plan-dry-run.e2e.test.ts命令全量参考DOCUMENTATION.md掌握 Plan 文件后你就可以像写需求文档一样写测试了——描述意图交给 TestSprite 执行 【免费下载链接】testsprite-cliOfficial TestSprite CLI — AI-powered automated testing from your terminal项目地址: https://gitcode.com/gh_mirrors/te/testsprite-cli创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/17 7:04:08

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/17 5:42:44

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/17 19:43:34

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/18 11:04:06

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/17 5:57:47

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/17 19:43:32

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉