1. 项目概述当AI助手遇见UI自动化测试最近在团队里搞UI自动化测试发现一个挺头疼的事儿写和维护那些基于Selenium或者Playwright的测试脚本太耗时间了。尤其是业务一有变动页面元素一改脚本就得跟着大改测试同学和开发同学都挺痛苦的。直到我发现了OpenClaw这个项目再把它和我们团队日常高频使用的飞书打通一下子打开新世界的大门。简单来说这就是一个用自然语言驱动UI自动化测试的AI智能体Agent。你不再需要去记那些复杂的定位器XPath、CSS Selector或者写一堆driver.find_element的代码你只需要像跟同事聊天一样告诉AI你想在页面上做什么它就能理解你的意图并自动生成和执行对应的操作步骤。这个组合的核心价值在于它极大地降低了UI自动化测试的准入门槛和维护成本。测试人员、产品经理甚至是不太懂代码的业务同学都可以通过飞书机器人用最直白的语言发起一个测试任务比如“帮我在生产环境登录页用测试账号登录然后检查一下首页的‘欢迎回来’横幅有没有正确显示”。OpenClaw背后的AI大模型会理解这个指令规划操作步骤控制浏览器执行最后把结果成功或失败的截图、日志反馈回飞书群聊。整个过程几乎不需要人工编写一行测试代码。这不仅仅是“自动化测试”更是“智能对话式测试”。它特别适合那些页面变动频繁、需要快速验证核心业务流程的场景或者是为没有专职自动化测试人员的小团队提供一种高效的测试能力补充。接下来我就把从环境搭建、核心配置到实战踩坑的完整流程毫无保留地拆解给你看。2. 核心架构与工具选型解析2.1 为什么是OpenClaw 飞书在决定采用这个方案前我评估过几种主流路径。传统的SeleniumTestNG/Pytest框架成熟但脚本编写和维护成本高。基于图像识别的测试工具如SikuliX对代码要求低但稳定性受屏幕分辨率、字体渲染影响大且不易集成到CI/CD。而一些新兴的“无代码”测试平台则往往有供应商锁定的风险。OpenClaw吸引我的点在于它是一个开源项目核心思路是利用大语言模型LLM的推理和规划能力将自然语言指令转化为具体的浏览器操作指令序列。它本身是一个“智能体”你可以告诉它“去那个网站点这里输入那个然后检查结果”。它不绑定任何特定的测试框架而是作为“大脑”去驱动Selenium或Playwright这样的“手脚”。选择飞书作为交互界面则是基于团队协作的现实考量。飞书机器人提供了非常便捷的API可以轻松地将OpenClaw的能力封装成一个群聊机器人。测试指令的发起、执行状态的同步、测试报告的返回全部在飞书群聊中完成天然形成了测试活动的协作空间和记录存档。相比起需要额外登录的Web平台或命令行工具飞书机器人的使用路径更短参与感更强。2.2 技术栈全景图与职责分工要跑通整个流程我们需要一个清晰的技术栈视图。下图展示了从用户指令到测试执行完毕的完整数据流与组件关系graph TD subgraph A [用户交互层] A1[飞书用户] -- 发送自然语言测试指令 -- A2[飞书群聊] A2 -- 指令文本 -- A3[飞书机器人] end subgraph B [AI智能体层] A3 -- 通过Webhook转发指令 -- B1[OpenClaw Server] B1 -- 调用LLM进行指令理解与规划 -- B2[大语言模型 LLM] B2 -- 返回结构化操作序列 -- B1 end subgraph C [执行与控制层] B1 -- 发送操作命令 -- C1[Playwright/Selenium] C1 -- 控制 -- C2[浏览器] C2 -- 返回页面状态/截图 -- C1 C1 -- 返回执行结果 -- B1 end subgraph D [反馈与存储层] B1 -- 生成测试报告 -- D1[OpenClaw Server] D1 -- 推送结果 -- A3 A3 -- 在飞书群聊中展示报告 -- A2 D1 -- 可选存储 -- D2[(数据库/日志文件)] end A1 -- 查看结果 -- A2各组件核心职责飞书机器人作为交互入口。接收用户指令通过加密验证后以HTTP POST请求的形式将消息内容发送给我们部署的OpenClaw服务端。同时它也负责将OpenClaw返回的富文本消息可能包含图片、链接渲染到群聊中。OpenClaw Server整个系统的“中枢神经”。它用Python的FastAPI或Flask框架搭建主要做三件事指令路由接收飞书的Webhook请求解析出有效的指令文本。AI调度将指令文本、当前会话上下文如有以及系统预定义的“技能”Skills描述组合成Prompt调用配置好的大语言模型如GPT-4、Claude或本地部署的OllamaLlama 3模型。动作执行与反馈将LLM返回的JSON格式的操作序列如[{action: navigate, url: https://example.com}, {action: click, selector: #loginBtn}]通过Playwright或Selenium的Python库执行。收集执行过程中的日志、截图最终组织成一份可读的报告回传给飞书机器人。大语言模型系统的“大脑”。负责理解模糊的自然语言指令并将其分解为明确、可执行的浏览器操作步骤。模型的选择直接影响指令理解的准确性和操作规划的可靠性。初期建议使用能力较强的云端API如OpenAI GPT-4稳定后再考虑成本更低的模型或本地模型。浏览器自动化工具系统的“手脚”。OpenClaw通常适配Playwright因为它对现代Web应用单页应用SPA的支持更好自动等待机制更智能且自带浏览器内核环境部署简单。Selenium也是一个可选项生态更庞大但需要自行管理浏览器驱动。这个架构的优势在于解耦清晰。飞书负责交互OpenClaw负责智能调度LLM负责理解Playwright负责执行。任何一环都可以单独升级或替换。3. 环境搭建与核心配置详解3.1 OpenClaw服务端部署实战OpenClaw的部署有多种方式考虑到依赖管理和环境隔离我强烈推荐使用Docker。以下是在一台Ubuntu 22.04服务器上的全流程操作。第一步准备基础环境确保服务器上已安装Docker和Docker Compose。如果没有可以通过以下命令安装# 更新包索引 sudo apt-get update # 安装依赖 sudo apt-get install -y apt-transport-https ca-certificates curl software-properties-common # 添加Docker官方GPG密钥 curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo gpg --dearmor -o /usr/share/keyrings/docker-archive-keyring.gpg # 设置稳定版仓库 echo deb [arch$(dpkg --print-architecture) signed-by/usr/share/keyrings/docker-archive-keyring.gpg] https://download.docker.com/linux/ubuntu $(lsb_release -cs) stable | sudo tee /etc/apt/sources.list.d/docker.list /dev/null # 安装Docker引擎 sudo apt-get update sudo apt-get install -y docker-ce docker-ce-cli containerd.io docker-compose-plugin # 验证安装 sudo docker run hello-world第二步获取与配置OpenClawOpenClaw的官方仓库提供了Docker部署的示例。我们首先拉取代码并进行关键配置。# 克隆仓库假设仓库地址为 gitgithub.com:example/openclaw.git请替换为实际地址 git clone openclaw-repo-url cd openclaw # 复制环境变量示例文件 cp .env.example .env现在编辑.env文件这是整个配置的核心。你需要重点关注以下几个变量# 大模型配置以OpenAI为例 LLM_PROVIDERopenai OPENAI_API_KEYsk-your-actual-api-key-here OPENAI_MODELgpt-4-turbo-preview # 或 gpt-3.5-turbo 用于成本控制 # 如果你使用本地Ollama配置如下 # LLM_PROVIDERollama # OLLAMA_BASE_URLhttp://host.docker.internal:11434 # Docker容器内访问宿主机Ollama # OLLAMA_MODELllama3:latest # 服务器配置 OPENCLAW_HOST0.0.0.0 # 监听所有地址 OPENCLAW_PORT8000 OPENCLAW_API_PREFIX/api/v1 # 飞书机器人配置下一节会获取这些值 FEISHU_APP_IDcli_xxxxxx FEISHU_APP_SECRETxxxxxxxx FEISHU_ENCRYPT_KEY # 如果启用了加密则填写 FEISHU_VERIFICATION_TOKENxxxxxx注意OPENAI_API_KEY等敏感信息务必妥善保管不要提交到代码仓库。在生产环境中应使用密钥管理服务。第三步使用Docker Compose启动OpenClaw的docker-compose.yml文件通常已经定义好了服务。直接启动即可# 构建并启动服务 sudo docker-compose up -d # 查看日志确认服务启动无误 sudo docker-compose logs -f openclaw看到服务在8000端口成功启动的日志后你可以用curl http://localhost:8000/api/health测试一下应该会返回一个健康的JSON状态。3.2 飞书机器人创建与关键配置避坑这是连接环节最容易出错的地方。请严格按照步骤操作。第一步创建飞书企业自建应用登录 飞书开放平台 。点击“创建企业自建应用”输入应用名称如“UI测试助手”上传应用图标。创建完成后进入应用详情页。在“凭证与基础信息”页面立即保存好App ID和App Secret。这个App Secret只显示一次务必复制保存到.env文件的FEISHU_APP_ID和FEISHU_APP_SECRET中。第二步配置权限与事件订阅在“权限管理”页面为机器人添加以下权限im:message接收与发送单聊、群聊消息im:message.group_at_msg接收群聊中机器人的消息im:message.p2p_msg接收单聊消息 添加后记得点击“申请线上发布”或“版本管理与发布”来创建版本并申请授权。关键步骤事件订阅。在“事件订阅”页面请求地址填写你部署的OpenClaw服务的公网URL并加上飞书消息路由。例如https://your-server.com/api/v1/feishu/webhook。确保此URL是HTTPS且可公开访问本地开发可用ngrok等工具穿透。验证令牌自己生成一个随机字符串填入Verification Token字段并同步到.env文件的FEISHU_VERIFICATION_TOKEN。加密密钥如果需要更高安全性可以启用并同样将生成的Encrypt Key填入.env的FEISHU_ENCRYPT_KEY。订阅事件点击“添加事件”在“消息与群组”分类下找到“接收消息im.message.receive_v1”勾选并保存。第三步发布应用与添加到群聊在“版本管理与发布”页面创建新版本填写版本号然后申请发布。通常需要企业管理员审核通过。审核通过后在“应用发布”页面确保应用已上线。打开飞书进入你想要添加机器人的群组。点击群设置 - 添加机器人 - 找到你刚创建的“UI测试助手”添加即可。实操心得配置事件订阅时飞书会向你的“请求地址”发送一个带challenge参数的GET请求进行验证。你的OpenClaw服务端必须能正确处理这个请求并原样返回challenge值。很多连接失败都是因为后端没有实现这个验证接口。OpenClaw项目通常已内置此逻辑但部署后一定要在飞书平台点击“重试”或“保存”看到“成功”提示才行。3.3 大模型接入与技能配置OpenClaw的强大之处在于其“技能”系统。技能Skill是一段描述告诉大模型机器人具备什么样的底层能力。OpenClaw内置了一些基础技能如控制浏览器、读写文件、执行Shell命令等。我们需要确保大模型能正确调用这些技能。配置LLM连接如前所述在.env中配置。如果使用OpenAI网络需通畅。如果使用本地Ollama确保宿主机上Ollama服务已启动并拉取了模型如ollama pull llama3同时Docker容器能通过host.docker.internal访问到宿主机的11434端口。可能需要修改Docker的network模式或添加额外参数。验证LLM连接可以通过OpenClaw可能提供的管理接口或直接查看启动日志确认LLM初始化成功没有报错。理解技能描述OpenClaw会将所有可用技能的描述自动拼接到给LLM的Prompt中。你可以在OpenClaw的代码目录里找到这些技能的定义文件通常是.py文件或.yaml文件。例如浏览器控制技能会描述“我可以使用Playwright控制一个Chromium浏览器访问网页点击元素填写表单获取文本内容等”。LLM正是基于这些描述来决定如何将你的指令“翻译”成技能调用序列。自定义技能这是进阶玩法。如果你有特定需求比如连接内部数据库验证数据或者调用某个内部API你可以编写自己的技能。通常需要继承一个基础技能类实现execute方法并在技能描述中清晰说明其功能、输入和输出。编写完成后将其注册到OpenClaw的技能列表中即可。4. 全流程实战从自然语言指令到测试报告环境配好了我们来跑一个完整的测试流程。假设我们要测试一个简单的登录功能。4.1 场景一飞书群聊中发起测试在已添加了“UI测试助手”的飞书群聊中你只需要机器人并输入指令UI测试助手 请帮我测试登录功能。打开我们的测试环境登录页 https://test-app.example.com/login 在用户名框里输入 ‘test_user’ 在密码框里输入 ‘secure_password’ 然后点击登录按钮。登录成功后请检查页面顶部是否出现了 ‘欢迎 test_user!’ 的文字并把结果截图发给我。这条指令包含了目标网址、一系列操作输入、点击、验证点检查文本和输出要求截图。4.2 OpenClaw内部处理流程拆解接收与验证飞书服务器将这条群消息事件推送到你配置的/api/v1/feishu/webhook端点。OpenClaw服务端接收到POST请求首先验证Verification Token和签名确保请求来源合法。指令提取验证通过后解析请求体提取出消息内容、发送者、群ID等信息。核心是拿到“请帮我测试登录功能...”这段纯文本指令。LLM推理与规划OpenClaw将用户指令与当前的会话上下文如果是多轮对话、以及所有已加载的技能描述组合成一个精心设计的Prompt发送给配置好的LLM如GPT-4。Prompt示例结构你是一个UI自动化测试助手。你可以通过调用以下技能来操作浏览器 - skill_browser_navigate: 打开一个指定的URL。 - skill_browser_input_text: 向指定的页面元素输入文本。 - skill_browser_click: 点击指定的页面元素。 - skill_browser_get_text: 获取指定页面元素的文本内容。 - skill_browser_screenshot: 对当前页面或元素截图。 ...其他技能描述 用户指令“请帮我测试登录功能...” 请将用户的指令分解为一系列可执行的技能调用。以JSON数组格式输出每个元素包含“skill_name”和“params”。动作序列生成LLM返回一个结构化的JSON数组例如[ {skill_name: browser_navigate, params: {url: https://test-app.example.com/login}}, {skill_name: browser_input_text, params: {selector: input[nameusername], text: test_user}}, {skill_name: browser_input_text, params: {selector: input[namepassword], text: secure_password}}, {skill_name: browser_click, params: {selector: button[typesubmit]}}, {skill_name: browser_wait_for_navigation, params: {timeout: 10000}}, {skill_name: browser_get_text, params: {selector: .welcome-message}}, {skill_name: browser_screenshot, params: {selector: viewport, path: /tmp/login_success.png}} ]注意LLM生成的元素选择器如input[nameusername]是基于它对常见网页结构的“常识”猜测的不一定100%准确。这是AI驱动测试的一个关键挑战后文会讲如何优化。技能执行OpenClaw的执行引擎Executor按顺序解析这个JSON数组。它调用对应的技能实现。例如调用skill_browser_navigate会启动一个Playwright浏览器实例或复用已有实例并跳转到指定URL。每个技能执行后会返回成功状态和可能的输出如获取到的文本、截图路径。结果汇总与反馈所有技能执行完毕后执行引擎将每个步骤的结果成功/失败、耗时、输出信息汇总。如果中间任何一步失败如元素未找到引擎可以配置为停止或尝试恢复。最后OpenClaw将汇总报告和截图文件上传到图床或作为附件通过飞书机器人的API发送回原群聊。4.3 飞书中的测试报告展示片刻之后飞书群聊中会收到机器人的回复可能是一条富文本消息【UI测试任务完成】 指令测试登录功能 状态✅ 全部成功 执行概要 1. 导航至 https://test-app.example.com/login ... 成功 (1.2s) 2. 在用户名框输入 ‘test_user’ ... 成功 (0.8s) 3. 在密码框输入 ‘secure_password’ ... 成功 (0.7s) 4. 点击登录按钮 ... 成功 (1.1s) 5. 等待页面跳转 ... 成功 (2.5s) 6. 获取欢迎文本 ... 成功文本内容为“欢迎 test_user!” 7. 页面截图 ... 成功 验证结果登录功能正常欢迎语正确显示。 [查看截图](https://your-image-cdn.com/login_success.png)这样一个完整的、由自然语言驱动的UI自动化测试流程就闭环了。整个过程作为测试发起者你只需要说一句人话。5. 核心优化与避坑指南在实际大规模使用中肯定会遇到各种问题。下面是我踩过坑后总结出的核心优化点和避坑指南。5.1 提升指令理解与执行准确率问题1LLM生成的元素选择器不稳定这是最大的挑战。同一个按钮LLM今天可能用#submitBtn明天可能用button:has-text(登录)。优化策略1提供页面上下文。在指令中附带更精确的描述。不要只说“点击登录按钮”可以说“点击那个蓝色的、id是‘loginSubmit’的登录按钮”。或者在测试关键流程前先让OpenClaw打开开发者工具获取目标元素更稳定的选择器但这又增加了指令复杂度。优化策略2使用AI辅助元素定位。这是更根本的解决方案。可以让OpenClaw在每一步操作前先调用一个“分析页面”的技能获取当前页面的DOM结构或可访问性树并将其摘要发送给LLM让LLM在更丰富的上下文中选择元素。一些开源项目正在探索这条路。优化策略3定义页面对象Page Object。虽然违背了“完全自然语言”的初衷但对于核心业务流程可以预先定义好“页面对象”。例如告诉OpenClaw“使用‘登录页’配置”。这个配置里预定义了用户名框#username密码框#password等。LLM的指令就变成了“在登录页输入用户名‘xxx’和密码‘yyy’然后点击登录”。这需要扩展OpenClaw的技能让其支持调用预定义的配置。问题2多步骤复杂指令的规划错误LLM可能会遗漏步骤或顺序错乱比如在输入前忘了清空输入框。优化策略分步确认与人类在环。对于非常关键的测试可以配置OpenClaw进入“交互模式”。它每规划一步或几步就暂停并询问用户“我将要点击这个‘购买’按钮确认吗”或者“下一步是输入地址请提供地址信息”。这牺牲了全自动的速度但换来了更高的可靠性适合部署前的最终验证。5.2 飞书集成中的常见错误排查错误1飞书机器人收不到消息/不回复检查点1事件订阅验证。飞书开放平台事件订阅页面请求地址URL旁边必须是绿色的“验证成功”。如果不是检查你的服务日志看是否收到了带challenge的GET请求并正确响应。检查点2权限与发布。确保机器人所需的im:message等权限已添加并已发布新版本。未发布的权限修改不生效。检查点3服务器可访问性。确保你的OpenClaw服务公网IP/域名和端口通常是443或80是开放的并且防火墙/安全组规则允许飞书的服务器IP段访问。可以用curl或在线端口检测工具测试。检查点4日志排查。查看OpenClaw服务日志确认收到了飞书的POST请求。如果没有问题出在网络或飞书配置如果收到了但处理出错日志会打印具体错误。错误2App Secret复制无效或Encrypt Key问题App Secret只在创建时显示一次必须立即保存。如果丢失需要在飞书开放平台重置重置后所有基于旧Secret的访问令牌将失效。如果启用了Encrypt Key那么飞书发送的消息是加密的。OpenClaw服务端必须使用相同的Encrypt Key进行解密。请确保.env文件中的FEISHU_ENCRYPT_KEY与飞书平台配置的完全一致包括头尾可能存在的空格。5.3 测试稳定性与可维护性增强1. 环境隔离与数据准备UI测试容易受环境数据影响。建议使用独立测试环境避免与生产或其他测试数据混淆。技能扩展数据清理与准备编写自定义技能在测试开始前调用内部API清理或创建特定的测试账号、测试数据。例如“在执行登录测试前请先调用‘重置测试账号’技能将用户test_user的密码重置为‘secure_password’”。2. 断言与验证的丰富性除了检查文本还应支持更多验证方式元素存在/不存在验证某个提示框是否弹出或消失。URL跳转验证点击后是否跳转到了正确的页面。页面标题验证页面标题是否符合预期。图像匹配通过OpenClaw的截图技能结合简单的图像比对如像素比对或特征点比对验证页面整体布局或关键区域是否正确。但这通常计算量较大。3. 测试报告与持续集成结构化报告除了在飞书里回复OpenClaw还应将每次测试的详细结果时间戳、步骤、状态、截图链接写入数据库或文件系统如JSON格式。接入CI/CD虽然飞书交互适合手动触发探索性测试但也可以将OpenClaw作为命令行工具集成到Jenkins、GitLab CI等流程中。可以编写一个脚本读取预定义的自然语言测试用例文件调用OpenClaw的API执行并根据结果决定CI流程的成败。6. 进阶应用场景与扩展思路掌握了基础流程后我们可以探索一些更酷的用法。6.1 复杂业务流程的端到端测试你可以描述一个非常长的业务流程让OpenClaw尝试一次性完成。例如电商场景 “以新用户身份访问网站注册一个账号邮箱用test{随机数}example.com搜索‘无线耳机’将搜索结果第一个商品加入购物车进入购物车结算使用刚才注册的账号登录选择默认地址使用测试支付方式完成支付最后验证订单成功页面并截图。” 这考验LLM的长上下文理解能力和复杂规划能力。对于这种场景建议拆分成多个子指令分段执行或者为每个关键页面注册页、搜索页、商品页、购物车、结算页预定义好元素选择器映射以降低单次规划的难度。6.2 探索性测试与Bug复现当开发同学报告一个Bug时常常描述为“我在那个列表页先筛选了状态为‘进行中’然后点击了第二行的‘详情’进去后点‘编辑’随便改了个名字保存然后就报500错误了。” 测试同学或开发同学可以直接把这段话丢给飞书里的OpenClaw机器人。OpenClaw会尝试复现这个操作路径。即使因为选择器问题不能100%精确复现它执行过程中的截图和日志也能极大帮助定位问题发生的具体步骤和页面状态比纯文字描述清晰得多。6.3 与现有测试框架的融合你不需要完全抛弃现有的Selenium/Playwright测试套件。可以将OpenClaw作为补充快速生成测试脚本草稿让OpenClaw执行一遍成功的操作然后将其执行过程中实际使用的、经过验证的元素选择器和操作步骤记录下来转换成Pytest或JUnit格式的脚本。这可以作为编写正式自动化测试脚本的起点。监控与自愈在传统的自动化测试脚本中在元素定位失败等异常处可以调用OpenClaw的“分析当前页面并尝试找到目标元素”的技能作为一种智能化的自愈机制提高脚本的健壮性。6.4 自定义技能拓展连接内部系统这是OpenClaw真正发挥威力的地方。通过编写自定义技能你可以让这个AI助手融入你们的整个研发流程。技能查询测试数据连接你们公司的测试数据库技能描述为“我可以根据用户ID或订单号查询测试环境中的用户信息或订单状态。” 这样在UI测试过程中你可以随时让机器人去后台查一下数据是否正确写入了。技能触发部署连接你们的CI/CD系统API技能描述为“我可以触发指定应用在测试环境的部署流水线。” 测试前一句“请先部署一下用户服务的最新版本到测试环境”就能完成环境准备。技能创建JIRA Issue当测试发现Bug时指令可以直接是“将刚才的失败步骤和截图创建一个严重等级为‘高’的JIRA Bug指派给前端组的张三。” OpenClaw调用创建JIRA的技能自动填写标题、描述、附件和指派。这样一来OpenClaw飞书就从一个简单的UI自动化工具进化成了一个以自然语言为交互界面的、能够调度多种能力的“测试智能体”或“研发助手”。它的边界取决于你为它赋予了多少“技能”。7. 总结与个人实践体会折腾完这一套OpenClaw飞书的集成我最深的体会是它并不是要取代传统的、严谨的自动化测试代码而是提供了一种全新的、低门槛的交互和生产力工具。它的优势在于快速验证、降低沟通成本和激发探索性测试。对于产品经理、运营或新手测试同学他们可以用最自然的方式表达测试需求立即得到可视化的反馈这极大地促进了大家对质量保障的参与感。对于资深测试开发它可以快速生成测试脚本原型或者处理那些变动过于频繁、不值得投入大量代码维护的页面。当然它目前还不够完美。元素定位的准确性依赖LLM的“猜测”和页面结构的规范性复杂逻辑的判断能力也有限。因此我的建议是将其作为传统自动化测试的“探路先锋”和“灵活补充”。用它将核心业务流程跑通生成基础脚本然后由测试同学进行精细化打磨和断言强化并入正式的测试套件。同时用它来处理大量的、临时的、探索性的测试场景。部署过程确实会遇到一些坎尤其是飞书事件订阅的验证和网络配置。但只要按照步骤仔细查看日志都能解决。最关键的是想清楚你们团队最需要它来解决什么痛点是从简单的冒烟测试开始还是直接尝试端到端流程。从小处着手看到价值后再逐步扩大使用范围。最后开源项目的迭代很快关注OpenClaw社区的更新尤其是新的技能和对更多LLM模型的支持。这个领域正在快速发展我们今天搭建的这个框架很可能在未来一两年内就会成为测试工程师工具箱里的标配。
