WHartTest - AI驱动的智能测试用例生成平台

中文 | English

项目简介

WHartTest 是基于 Django 5.2 + DRF 与现代大模型技术打造的 AI 驱动智能测试平台。平台采用前后端分离的 Monorepo 架构，由 6 个子项目组成（Django 后端、Vue 前端、UI 自动化执行器、MCP 工具服务、Agent 技能库、在线文档编辑器），聚合自然语言理解、知识库检索与嵌入搜索能力，结合 LangChain/LangGraph 与 MCP（Model Context Protocol） 工具调用，实现从需求到可执行测试用例的自动化生成、管理与执行，为测试团队提供完整的智能测试管理解决方案。

平台功能

AI 智能测试用例生成

基于大语言模型（LLM）技术，实现从需求到测试用例的智能转化：

• 多源输入：支持需求文档、AI 对话、知识库检索等多种输入方式
• 结构化输出：自动生成包含测试步骤、前置条件、输入数据、期望结果、优先级（P0-P3）的完整用例
• 流式对话：LangGraph 驱动的流式 AI 对话，支持上下文摘要压缩与 Token 用量统计
• 多模型支持：OpenAI、Azure OpenAI、Ollama、Xinference 等 OpenAI 兼容格式 LLM

智能编排（Orchestrator）

AI 驱动的端到端测试生成流水线：

• 自动化编排：需求→知识库检索→AI 分析→测试用例生成
• 交互式执行：执行计划确认，支持 Agent Loop 分步执行
• HITL 审批：人工审批中间件，关键节点可人工介入

知识库管理与文档理解

构建项目级知识库，为 AI 生成提供精准上下文：

• 多格式支持：PDF、Word、Excel、PPT、Markdown、网页链接
• 智能分块：自动文档解析、分块与向量化存储，支持图片提取与多模态嵌入
• 混合检索：Dense + BM25 Sparse 稀疏-稠密混合检索 + RRF 融合排序
• Reranker 精排：可配置重排序模型提升检索精度

MCP 工具集成

通过 Model Context Protocol 实现 AI 与测试工具的无缝对接：

• 远程服务管理：streamable-http、SSE 等传输协议，支持多服务器配置
• 工具发现与同步：自动从 MCP 服务器发现并同步可用工具
• HITL 人工审批：工具级别的敏感操作人工确认机制
• 内置工具集：WHartTest 自身 MCP 工具（项目/模块/用例 CRUD）及第三方平台集成

需求评审与风险分析

AI 驱动的需求质量评估，提前识别潜在风险：

• 六维评分体系：完整度、清晰度、一致性、可测性、可行性、逻辑性
• 状态流转：上传→处理→模块拆分→用户调整→待评审→评审中→完成
• 专项分析报告：8 种分析维度的独立报告
• 在线文档编辑：集成 ONLYOFFICE 文档编辑器，支持 AI 补全与 AI 分析插件

测试用例管理

全生命周期的测试用例管理能力：

• 5 级模块树：灵活的用例组织结构
• 7 种测试类型：覆盖功能、接口、性能、安全等测试场景
• 用例审核：待审核、通过、优化、不可用等状态流转
• 测试套件：灵活组合用例，支持并发执行配置
• Excel 导入/导出：可配置字段映射的模板系统
• 批量操作：用例的批量创建、编辑、移动、删除

UI 自动化测试

低代码 UI 自动化，降低自动化测试门槛：

• 可视化编排：5 级模块 → 页面管理 → 元素定位 → 步骤编排 → 用例组装
• 9 种定位策略：CSS、XPath、Text、Role、Label、Placeholder、AltText、Title、TestId
• 6 种步骤类型：元素操作、断言、SQL 查询、自定义变量、条件判断、Python 代码
• 多浏览器支持：Chromium / Firefox / WebKit，支持持久化浏览器上下文
• Trace 追踪：完整的截图、Trace 录制与回放

APP 自动化测试

集成 mobile-mcp，支持移动端应用自动化测试：

• 多平台支持：Android、iOS 设备自动化
• 元素交互：点击、滑动、输入、手势操作
• 屏幕操作：截图、录屏、亮度/音量调节

Skill 智能技能系统

可扩展的 Agent 技能管理框架：

• 多来源导入：ZIP 文件上传、Git 仓库导入
• SKILL.md 规范：标准化的技能描述文件
• 内置技能：浏览器自动化（Playwright/agent-browser）、图表生成（Draw.io）、知识库查询、平台 CLI 工具
• 安全隔离：技能文件独立存储，防止路径穿越攻击
• 专属资源：加入技术交流群获取经过微调优化的 Skills 和 MCP 工具包

任务中心

定时/周期任务调度：

• 4 种调度策略：一次性 / 每小时 / 每天 / 每周
• 关联 UI 自动化或测试套件执行
• 失败重试策略，基于 Celery Beat 数据库调度器

执行报告与分析

全面的测试执行结果分析：

• 实时监控：执行进度、状态实时更新
• 多维度统计：通过率、执行时长、失败原因分析
• 历史对比：支持执行结果的历史趋势分析

文档

详细文档请访问：https://docs.wharttest.mgdaas.cn:4430/

快速开始

Docker 部署（推荐 - 开箱即用）

# 1. 克隆仓库
git clone https://github.com/MGdaasLab/WHartTest.git
cd WHartTest

# 2. 准备配置（使用默认配置，包含自动生成的API Key）
cp .env.example .env

# 3. 一键启动（以下两种方式二选一）
# 方式一：使用部署脚本（推荐，支持镜像源择优）
./run_compose.sh

# 方式二：直接使用 docker-compose
docker-compose up -d

# 4. 访问系统
# http://localhost:8913 (admin/admin123456)

就这么简单！ 系统会自动创建默认API Key，MCP服务开箱即用。

统一部署脚本

如果你使用仓库自带脚本部署，现在启动后会先让你在“远程拉镜像”和“本地构建镜像”之间二选一：

./run_compose.sh

这个脚本现在会：

• 先选择部署方式：remote 远程镜像下载，或 local 本地构建镜像
• remote 模式会自动在内置远程镜像仓库候选里测速择优，用户只需选择 1 即可
• remote 会按仓库类型分别选择：Docker Hub 使用官方 / docker.1panel.live / docker.1ms.run / docker.xuanyuan.me / docker.m.daocloud.io，GHCR 使用官方 / ghcr.1ms.run / ghcr.nju.edu.cn / ghcr.m.daocloud.io，MCR 使用官方 / mcr.azure.cn / mcr.m.daocloud.io
• local 模式会自动探测当前网络下更快的 APT / PyPI / npm / Hugging Face 下载地址
• Python 依赖安装现在支持自动回退：首选测速最快的 PyPI 源，某个包下载超时会顺序切到其余候选继续安装
• local 内置候选包含官方源、清华、中科大、阿里云、腾讯云、华为云、北外、上海交大、npmmirror、hf-mirror 等
• 支持通过环境变量继续追加你自己的候选镜像源
• 本地构建默认使用 Docker 缓存，不再每次都 --no-cache

常用示例：

# 交互选择部署方式
./run_compose.sh

# 直接使用远程预构建镜像
./run_compose.sh remote

# 直接使用本地构建，并自动选择更快下载源
./run_compose.sh local

# 本地构建时强制使用原生官方源
DOCKER_SOURCE_PROFILE=native ./run_compose.sh local

# 本地构建时强制只在镜像源里择优
DOCKER_SOURCE_PROFILE=mirror ./run_compose.sh local

# 给 PyPI 追加自定义候选源（注意用引号包起来）
DOCKER_PIP_CANDIDATES_EXTRA="corp|https://pypi.example.com/simple|https://pypi.example.com/simple/pip/" ./run_compose.sh local

# 只有在本地全量重建时才禁用缓存
DOCKER_BUILD_NO_CACHE=1 ./run_compose.sh local

⚠️ 生产环境提示：请登录后台删除默认API Key并创建新的安全密钥。

页面展示

贡献指南

1. Fork 项目
2. 创建功能分支
3. 提交更改
4. 创建 Pull Request

联系方式

如有问题或建议，请通过以下方式联系：

• 提交 Issue
• 项目讨论区
• 添加微信时请备注 github ，拉你进微信群聊。
• 加群获取最新更新信息及SKill。

qq群：

1. 8xxxxxxxx0（已满）
2. 1017708746

---

【重要安全警示】关于 v1.4.0 以及后续版本 Skills 权限及部署安全的声明

鉴于 Skills 模块具备较高的系统执行权限，为了保障您的数据与环境安全，我们做出以下严正提示：

部署建议：强烈建议仅在内网环境或受信任的私有网络中部署使用。 访问控制：切勿将服务直接暴露于公网（Public Internet），或授予任何未经身份验证及不可信人员访问权限。 免责声明：本项目（WHartTest）仅供学习与研究使用。用户需自行承担因违规部署（如开放公网、未做鉴权等）所导致的一切安全风险与后果。对于因不当配置引发的数据泄露、服务器被入侵等安全事故，WHartTest 团队不承担任何法律及连带责任。 WHartTest - AI驱动测试用例生成，让测试更智能，让开发更高效！