摘要 你是否希望：

这不是幻想！本文手把手教你用 Playwright（自动化） + 本地大模型（LLM），搭建一个 轻量级白盒测试 Harness。 ✅ 无需复杂框架 ✅ 所有代码可本地运行 ✅ 聚焦真实代码变更场景 ✅ 输出可执行的测试用例 10 分钟，让你的 AI 学会“读代码、写测试、做验证”。

先说人话：

💡 传统方式：你读代码 → 人工设计用例 → 手写断言 Harness 方式：AI 读代码 → 自动推导用例 → 自动生成测试 → 自动运行验证

表格

✅ 组合效果： Playwright 负责“动手”，LLM 负责“动脑”， 二者通过 Python 脚本无缝协作。

场景设定

你有一个 Java 服务，MR 中修改了如下方法：

java编辑

// 原逻辑 public boolean needCaptcha(String phone) {

return true; 

}

// MR 新增逻辑 public boolean needCaptcha(String phone)

MemberDto member = memberService.getMember(phone); return member == null; // 会员免验证码 

}

目标：自动生成覆盖新旧逻辑的测试用例。

步骤 1：准备你的“代码知识包”

把被测方法和相关上下文保存为 code_context.txt：

text编辑

【方法名】UserService.needCaptcha 【输入】String phone 【输出】boolean 【业务规则】

• 若手机号为空，返回 true（需验证码）
• 若手机号对应已注册会员，返回 false（免验证码）
• 否则返回 true

【依赖服务】

• memberService.getMember(phone): 返回 MemberDto 或 null

  步骤 2：安装基础环境

  bash编辑

  # 1. 安装 Playwright pip install playwright playwright install chromium

  📌 提示：未来可用 AST 自动提取，初期手动整理即可。

2. 安装 Ollama（运行本地大模型）

curl -fsSL https://ollama.com/install.sh | sh

3. 拉取 Qwen 模型（中文友好）

ollama run qwen:latest

步骤 3：编写 Harness 核心脚本（whitebox_harness.py）

python编辑

import requests import subprocess import tempfile import os

1. 让 LLM 读代码，生成测试

def generate_test(code_context: str):

prompt = f""" 你是一名资深 Java QA 工程师，请为以下方法生成 JUnit 5 单元测试： {code_context} 要求： - 覆盖所有分支：空手机号、会员、非会员 - 使用 Mockito mock memberService - 输出完整可运行的 Java 代码，不要解释 """ resp = requests.post("http://localhost:11434/api/generate", json={ "model": "qwen", "prompt": prompt, "stream": False }) return resp.json()["response"] 

2. 用 Playwright 执行测试（模拟 CI 环境）

def run_test(java_code: str):

# 创建临时测试文件 with tempfile.NamedTemporaryFile(mode='w', suffix='.java', delete=False) as f: f.write(java_code) test_file = f.name try: # 编译并运行（简化示例，实际可用 Maven/Gradle） compile_result = subprocess.run( ["javac", test_file], capture_output=True, text=True ) if compile_result.returncode != 0: return {"status": "compile_error", "log": compile_result.stderr} # 运行测试（此处省略，实际可调用 mvn test） return {"status": "success", "message": "Test generated and compiled."} finally: os.unlink(test_file) 

3. 主流程

if name == "main":

# 读取代码上下文 with open("code_context.txt", "r") as f: context = f.read() # 生成测试 test_code = generate_test(context) print("✅ AI 生成的测试用例： 

")

print(test_code) # 验证（可选） result = run_test(test_code) print(" 

🔍 验证结果:", result["status"])

步骤 4：运行！见证 AI 写白盒测试

bash编辑

python whitebox_harness.py 

输出示例：

java编辑

@Test void needCaptcha_nullPhone_returnsTrue() {

assertTrue(userService.needCaptcha(null)); 

}

@Test void needCaptcha_emptyPhone_returnsTrue() {

assertTrue(userService.needCaptcha("")); 

}

@Test void needCaptcha_registeredMember_returnsFalse()

@Test void needCaptcha_newUser_returnsTrue()

✅ 完美覆盖所有分支！

1. 自动解析 Git Diff

用 git diff 提取 MR 变更，自动填充 code_context.txt。

2. 集成静态分析

用 CodeQL 或 SonarQube 找出未覆盖的分支，喂给 LLM 补测。

3. 失败自修复

若测试编译失败，把错误日志再喂给 LLM：“请修正语法错误”。

表格

💡 核心优势： 你不是在“请求 AI 帮忙”，而是在“训练一个专属测试助手”。

你负责定义“什么是对的”， AI 负责穷尽“怎么验证对”。

用 Playwright + LLM 搭建的这个小 Harness， 或许就是你迈向 AI 原生质量工程 的第一步。

现在，就去试试—— 让 AI 为你写第一个白盒测试吧！

环境：Python 3.10 + Playwright 1.42 + Ollama Qwen 资源：