Gherkin是一种领域特定语言(DSL)，它允许使用自然语言描述软件行为。这种语言使用一组结构化的关键字，如Feature、Scenario、Given、When、Then等，来编写测试用例。这种语法让非技术人员也能轻松理解测试逻辑，同时可直接映射到自动化测试代码。

LaVagueQA架构解析

LaVagueQA采用自主机器智能架构，包含三个组件：

WorldModel：分析网页状态与目标差异，生成操作指令，采用GPT-4o视觉模型与语义检索技术

ActionEngine：将自然语言指令转换为浏览器操作代码，基于多模态提示工程与代码模板

Driver：执行操作并提供环境感知数据，基于Selenium/Playwright与HTML解析

该工具的创新在于通过世界模型对网页DOM结构和视觉信息进行联合理解，解决传统基于XPath定位的脆弱性问题。当网页结构变化时，系统能自动适配新的元素定位方式，有望将维护成本大幅降低。

环境配置与安装

基础环境部署

LaVagueQA支持Python3.10及以上版本。推荐使用虚拟环境进行安装：

bash

#创建并激活虚拟环境

python-mvenvlavague-env

sourcelavague-env/bin/activate#Linux/Mac

#Windows:lavague-env\Scripts\activate

#安装核心包

pipinstalllavague#默认包含QA模块和Selenium驱动

#可选：安装特定上下文（如使用Gemini模型）

pipinstalllavague.contexts.gemini

国内用户可配置PyPI镜像以加速下载。

配置与验证

在项目根目录创建lavague_config.yml配置文件：

yaml

world_model:

mm_llm:"gpt-4o"#支持gemini-pro-vision/idefics2等模型

embedding_model:"bge-large-zh"#国内推荐使用百度ERNIE

action_engine:

timeout:30#操作执行超时时间

retry_count:2#失败重试次数

retriever:

xpathed_only:false#是否仅检索可交互元素

创建验证脚本以确保环境正确配置：

python

fromlavague.qa.generatorimportTestGenerator

fromlavague.contexts.openaiimportOpenAIContext

#使用OpenAI上下文（需设置环境变量OPENAI_API_KEY）

context=OpenAIContext()

generator=TestGenerator(

context=context,

url="https://www.zmtests.com",

feature_file_path="demo.feature",

full_llm=True,

headless=True

)

print("环境配置验证成功")

实战案例：电商购物车测试

定义Gherkin场景

创建features/amazon_cart.feature文件描述测试场景：

gherkin

Feature:CartManagement

Scenario:Addandremoveproductfromcart

Giventheuserisonthehomepage

Whentheuserclickson"Accepter"toacceptcookies

Andtheuserenters"ZerotoOne"intothesearchbarandpressEnter

Andtheuserclicksonthefirstproductinresults

Andtheuserclicks"Ajouteraupanier"button

Andtheusernavigatestocartpage

Andtheuserclicks"Supprimer"fortheproduct

Thenthecartshouldbeempty

场景设计时需注意：

每个步骤应保持单一操作原则，避免复合动作

使用业务语言而非技术术语（如"点击"而非"触发onClick事件"）

结果验证需包含明确的成功指标（如购物车为空）

生成与执行测试

通过CLI命令启动测试生成流程：

bash

lavague-qagenerate\

--url"https://www.zmtests.com"\

--featurefeatures/amazon_cart.feature\

--contextcontexts/openai_context.py\

--full-llm\

--headless

常用参数说明：

--full-llm：启用全LLM模式，生成完整测试逻辑

--headless：无头浏览器模式，适合CI环境

--context：指定自定义模型上下文（如AnthropicClaude）

生成代码分析

工具会自动生成可执行的测试代码，以下为片段示例：

python

importpytest

frompytest_bddimportscenarios,given,when,then

fromseleniumimportwebdriver

fromselenium.webdriver.common.byimportBy

fromselenium.webdriver.support.uiimportWebDriverWait

fromselenium.webdriver.supportimportexpected_conditionsasEC

#常量定义

BASE_URL='https://www.zmtests.com'

scenarios('amazon_cart.feature')

@pytest.fixture

defbrowser():

driver=webdriver.Chrome()

driver.implicitly_wait(10)

yielddriver

driver.quit()

@given('theuserisonthehomepage')

defgo_to_homepage(browser):

browser.get(BASE_URL)

#处理地区弹窗

try:

WebDriverWait(browser,5).until(

EC.element_to_be_clickable((By.ID,'sp-cc-accept'))

).click()

except:

pass#忽略未出现的弹窗

生成代码的特点包括：

自动添加异常处理（如地区弹窗）

使用显式等待替代固定sleep，提升稳定性

兼容pytest-bdd框架，支持scenarios参数化执行

高级应用与优化

自定义断言模板

在prompts.py中修改断言生成模板，可适应特定项目需求：

python

ASSERT_ONLY_PROMPT_TEMPLATE=PromptTemplate("""

生成断言代码时需满足：

1.使用显式等待（WebDriverWait）而非隐式等待

2.优先通过数据属性定位元素（如[data-testid]）

3.断言失败时输出当前页面HTML快照

""")

CI/CD集成

在GitHubActions中添加测试生成步骤，实现持续测试：

yaml

jobs:

generate-tests:

runs-on:ubuntu-latest

steps:

-uses:actions/checkout@v4

-name:SetupPython

uses:actions/setup-python@v5

with:

python-version:"3.11"

-name:Installdependencies

run:pipinstalllavague

-name:Generatetests

run:|

lavague-qagenerate\

--url"https://staging.zmtests.com"\

--featurefeatures/checkout.feature\

--headless

-name:Rungeneratedtests

run:pytestgenerated_tests/

LaVagueQA工具通过自然语言驱动的测试生成，为Web测试提供了新的解决方案。它降低了测试脚本编写的技术门槛，使业务人员也能通过Gherkin参与测试设计。同时，它的自适应能力显著减少了UI变化导致的维护工作。随着技术的不断发展，这种基于AI的测试生成方法有望进一步扩展其应用范围，支持更复杂的测试场景。