Janus-Pro-7B自动化测试脚本生成：基于自然语言描述的UI/接口测试

作为一名在测试领域摸爬滚打多年的工程师，我深知编写自动化测试脚本的痛。每次面对一个新功能，从理解需求、设计用例，再到一行行敲出Selenium或Requests的代码，整个过程耗时耗力，还容易出错。尤其是当需求频繁变更时，维护脚本更是让人头疼。

最近，我尝试用Janus-Pro-7B大模型来解决这个痛点，效果出乎意料。简单来说，你只需要用大白话描述测试场景，比如“用户输入正确的账号密码，点击登录按钮后，页面应该跳转到首页”，它就能帮你生成一个可运行的自动化测试脚本框架。这就像有了一个懂测试、会编码的AI助手，让测试脚本的编写效率提升了好几倍。

这篇文章，我就来分享如何将Janus-Pro-7B应用到实际的UI和接口自动化测试中，让你也能快速上手，把重复的编码工作交给AI，自己专注于更重要的测试设计和结果分析。

1. 为什么需要AI来生成测试脚本？

在深入具体操作之前，我们先聊聊为什么这件事值得做。传统的自动化测试脚本编写，对测试工程师的要求其实不低。你不仅要懂业务、懂测试，还要熟练掌握至少一门编程语言（比如Python）以及相关的测试框架和库（比如Selenium, Requests, Pytest）。

这个过程有几个明显的瓶颈：

  • 学习成本高：新手需要花大量时间学习编程和框架。
  • 编写效率低：即使是老手，编写一个完整的测试用例脚本也需要不少时间。
  • 维护成本高：页面元素一变，接口字段一改，对应的脚本就得跟着改，牵一发而动全身。
  • 容易出错：手动编写代码，难免会有拼写错误、逻辑遗漏，调试又得花时间。

而Janus-Pro-7B这类大模型带来的改变是根本性的。它把“用自然语言描述测试意图”和“生成结构化代码”这两件事连接了起来。测试工程师的核心价值在于设计测试用例、分析测试结果和保障产品质量，而不是机械地翻译需求为代码。让AI承担代码生成的重复劳动，工程师则回归到更具创造性和判断力的工作中，这才是技术提效的正确方向。

2. 环境准备与模型调用

开始之前，我们需要准备好Python环境和调用Janus-Pro-7B模型的基础设置。整个过程并不复杂，跟着步骤走很快就能搞定。

2.1 基础环境搭建

首先，确保你的电脑上安装了Python（建议3.8及以上版本）。然后，我们通过pip安装一些必要的库。打开你的终端或命令行工具，执行以下命令：

pip install requests

这里我们主要安装requests库，用于后续通过API方式调用模型。如果你打算在本地部署模型，可能还需要安装transformers、torch等深度学习框架，但为了最简单快速地体验，我们推荐使用云服务提供的API，省去配置环境的麻烦。

2.2 获取模型API访问权限

目前，许多平台提供了Janus-Pro-7B等大模型的API服务。你需要注册一个相关平台的账号（例如一些国内的AI开放平台或云服务商），并获取你的API Key。这个过程通常很简单，就像申请一个普通的网络服务一样。

拿到API Key后，请妥善保管，它相当于调用模型的密码。我们通常会把它保存在环境变量中，而不是直接写在代码里，这样更安全。

# 在Linux/Mac的终端里设置环境变量
export JANUS_API_KEY='你的实际API密钥'

# 在Windows的PowerShell里设置环境变量
$env:JANUS_API_KEY='你的实际API密钥'

2.3 编写一个简单的模型调用函数

有了API Key，我们就可以写一个Python函数来和Janus-Pro-7B对话了。下面是一个最基础的示例：

import os
import requests
import json

def ask_janus(prompt):
    """
    向Janus-Pro-7B模型发送提问并获取回答。
    :param prompt: 你的问题或指令（字符串）
    :return: 模型返回的文本内容
    """
    api_key = os.getenv('JANUS_API_KEY')  # 从环境变量读取密钥
    if not api_key:
        return "错误：请设置JANUS_API_KEY环境变量。"

    # 这里需要替换成你使用的真实API端点URL
    api_url = "https://api.example.com/v1/chat/completions"

    headers = {
        "Authorization": f"Bearer {api_key}",
        "Content-Type": "application/json"
    }

    # 构建请求数据，这里的消息格式遵循常见Chat API格式
    data = {
        "model": "janus-pro-7b",  # 指定模型名称
        "messages": [
            {"role": "user", "content": prompt}
        ],
        "temperature": 0.1,  # 温度参数设低一点，让生成结果更确定、更专业
        "max_tokens": 1500    # 设置最大生成长度，脚本可能较长
    }

    try:
        response = requests.post(api_url, headers=headers, data=json.dumps(data))
        response.raise_for_status()  # 检查请求是否成功
        result = response.json()
        # 从返回的JSON结构中提取模型回复的内容
        return result['choices'][0]['message']['content']
    except requests.exceptions.RequestException as e:
        return f"请求出错：{e}"
    except (KeyError, IndexError) as e:
        return f"解析响应出错：{e}"

# 测试一下连接
if __name__ == "__main__":
    test_prompt = "你好，请用Python写一个打印‘Hello, World!’的程序。"
    answer = ask_janus(test_prompt)
    print("模型回复：")
    print(answer)

运行这段代码，如果一切顺利，你会看到模型返回了一个简单的Python程序。这说明你的环境已经打通，可以开始让AI帮你写测试脚本了。

3. 用自然语言生成UI自动化测试脚本

UI自动化测试，我们通常用Selenium。现在，我们试试只告诉Janus-Pro-7B我们要测试什么，让它来出代码。

3.1 一个登录功能的测试案例

假设我们要测试一个网页的登录功能。经典的测试用例是：“验证用户使用正确的用户名和密码可以成功登录，并跳转到首页。”

以前，我们需要自己查页面元素ID，写查找、输入、点击、断言等一系列代码。现在，我们可以把这段描述直接丢给AI。

# 构建一个更具体的提示词（Prompt）
ui_test_prompt = """
你是一个资深的测试开发工程师。请根据以下测试场景描述，生成对应的Python自动化测试脚本。
要求使用Selenium库和Pytest框架。

测试场景描述：
测试用户登录功能：打开登录页面，在用户名输入框输入“test_user”，在密码输入框输入“secure_password”，点击登录按钮。验证登录成功后，页面会跳转到首页（https://www.example.com/home），并且页面标题包含“首页”字样。

请生成完整的、可运行的测试代码。假设登录页面的URL是 https://www.example.com/login。
请使用Chrome浏览器，并合理处理元素定位（假设元素ID分别为‘username’, ‘password’, ‘login-btn’）。
在代码中添加必要的注释。
"""

ui_test_script = ask_janus(ui_test_prompt)
print("生成的UI测试脚本：")
print(ui_test_script)

运行后，Janus-Pro-7B很可能会生成类似下面这样的代码框架：

import pytest
from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC

class TestLogin:
    """登录功能测试类"""

    @pytest.fixture(scope="function")
    def driver(self):
        """初始化Chrome驱动，测试结束后关闭"""
        driver = webdriver.Chrome()
        driver.maximize_window()
        yield driver
        driver.quit()

    def test_successful_login(self, driver):
        """测试使用正确的用户名和密码可以成功登录"""
        # 1. 打开登录页面
        driver.get("https://www.example.com/login")

        # 2. 定位并输入用户名
        username_input = driver.find_element(By.ID, "username")
        username_input.clear()
        username_input.send_keys("test_user")

        # 3. 定位并输入密码
        password_input = driver.find_element(By.ID, "password")
        password_input.clear()
        password_input.send_keys("secure_password")

        # 4. 定位并点击登录按钮
        login_button = driver.find_element(By.ID, "login-btn")
        login_button.click()

        # 5. 等待跳转并验证新页面
        # 等待直到URL变成首页，最多等10秒
        WebDriverWait(driver, 10).until(
            EC.url_to_be("https://www.example.com/home")
        )

        # 6. 断言当前URL是首页
        assert driver.current_url == "https://www.example.com/home"

        # 7. 断言页面标题包含“首页”
        assert "首页" in driver.title

        print("登录成功，并正确跳转至首页。")

if __name__ == "__main__":
    pytest.main(["-v", __file__])

看，一个结构清晰、注释完整、甚至包含了等待和断言的测试脚本框架就生成了。你拿到这个脚本后，只需要做几件事：

  1. 检查元素定位：确认生成的ID（username, password, login-btn）是否和实际网页一致。如果不一致，修改成正确的定位方式（如By.NAME, By.XPATH等）。
  2. 填充测试数据：将test_user和secure_password替换成你测试环境中有效的账号密码。
  3. 配置WebDriver：确保你的电脑上有Chrome浏览器和对应版本的ChromeDriver，或者将webdriver.Chrome()改为你使用的浏览器驱动。

原本可能需要半小时查阅文档和编写调试的工作，现在几分钟就得到了一个高质量的基础版本。

3.2 处理更复杂的场景

AI不仅能处理简单的线性操作，对于稍复杂的场景也能给出不错的框架。例如，描述一个“在商品搜索框输入关键词，筛选价格区间，验证结果列表正确”的测试。

complex_ui_prompt = """
生成一个Selenium测试脚本：测试电商网站搜索筛选功能。
步骤：
1. 访问网站首页。
2. 在顶部搜索框输入关键词“无线耳机”。
3. 点击搜索按钮。
4. 在结果页左侧，找到价格筛选，选择“100-500元”区间。
5. 点击“确定”或“筛选”按钮。
6. 验证：页面显示的所有商品标题都包含“无线耳机”，且商品价格都在100元到500元之间（假设价格元素class为‘price’）。
请合理假设元素定位方式，并添加必要的等待和异常处理。
"""

将这样的提示词发送给模型，它同样能生成一个包含循环判断、价格解析等逻辑的脚本雏形。你的工作就从“从零开始写代码”变成了“审查和优化AI生成的代码”，思维负担大大减轻。

4. 用自然语言生成接口自动化测试脚本

对于接口测试，我们常用requests库。用自然语言描述接口测试用例，对Janus-Pro-7B来说更是得心应手。

4.1 一个用户查询接口的测试案例

假设我们要测试一个用户信息查询的GET接口。

api_test_prompt = """
你是一个资深的测试开发工程师。请根据以下接口测试场景，生成对应的Python自动化测试脚本。
要求使用requests库和Pytest框架。

接口信息：
- 方法：GET
- URL：https://api.example.com/v1/user/{user_id}
- 请求头：需要包含 ‘Authorization: Bearer {access_token}’
- 路径参数：{user_id} 为用户ID

测试场景描述：
测试用例1：使用有效的access_token和存在的user_id（例如123）调用接口，预期返回HTTP状态码200，并且响应体JSON中包含正确的用户信息（例如包含‘id’、‘name’、‘email’字段）。
测试用例2：使用无效的access_token调用接口，预期返回HTTP状态码401（未授权）。
测试用例3：使用有效的token但不存在user_id（例如99999）调用接口，预期返回HTTP状态码404（未找到）。

请生成完整的测试代码，包含必要的断言和清晰的注释。
"""

api_test_script = ask_janus(api_test_prompt)
print("生成的接口测试脚本：")
print(api_test_script)

模型生成的代码可能会是这样：

import pytest
import requests

BASE_URL = "https://api.example.com/v1/user"
VALID_TOKEN = "your_valid_access_token_here"  # 请替换为有效的token
INVALID_TOKEN = "invalid_token"
EXISTING_USER_ID = 123
NON_EXISTENT_USER_ID = 99999

class TestUserAPI:
    """用户信息查询接口测试类"""

    def test_get_user_with_valid_token_and_id(self):
        """测试用例1：有效token和用户ID，应成功返回用户信息"""
        url = f"{BASE_URL}/{EXISTING_USER_ID}"
        headers = {"Authorization": f"Bearer {VALID_TOKEN}"}

        response = requests.get(url, headers=headers)

        # 断言状态码为200
        assert response.status_code == 200, f"预期状态码200，实际为{response.status_code}"

        # 断言响应体为JSON格式并包含所需字段
        user_data = response.json()
        assert isinstance(user_data, dict)
        assert "id" in user_data
        assert "name" in user_data
        assert "email" in user_data
        # 可选：进一步断言id与请求的一致
        assert user_data["id"] == EXISTING_USER_ID

        print(f"测试通过。获取到用户：{user_data.get('name')}")

    def test_get_user_with_invalid_token(self):
        """测试用例2：无效token，应返回401未授权"""
        url = f"{BASE_URL}/{EXISTING_USER_ID}"
        headers = {"Authorization": f"Bearer {INVALID_TOKEN}"}

        response = requests.get(url, headers=headers)

        # 断言状态码为401
        assert response.status_code == 401, f"预期状态码401，实际为{response.status_code}"

        print("测试通过。无效token正确返回401。")

    def test_get_user_with_nonexistent_id(self):
        """测试用例3：有效token但用户不存在，应返回404"""
        url = f"{BASE_URL}/{NON_EXISTENT_USER_ID}"
        headers = {"Authorization": f"Bearer {VALID_TOKEN}"}

        response = requests.get(url, headers=headers)

        # 断言状态码为404
        assert response.status_code == 404, f"预期状态码404，实际为{response.status_code}"

        print("测试通过。不存在的用户ID正确返回404。")

if __name__ == "__main__":
    pytest.main(["-v", __file__])

生成的脚本结构非常标准，包含了正向和反向用例，断言清晰。你只需要做两件事：一是把VALID_TOKEN换成你们项目真实的测试令牌，二是根据实际接口响应规范，微调一下断言的细节（比如字段名、嵌套结构等）。

4.2 生成更复杂的POST接口测试

对于带请求体的POST接口（比如创建订单），描述清楚请求体结构即可。

post_api_prompt = """
生成一个测试‘创建订单’接口的脚本。
接口：POST https://api.example.com/v1/orders
请求头：Content-Type: application/json, Authorization: Bearer {token}
请求体JSON示例：{"product_id": 456, "quantity": 2, "address": "测试地址"}
成功响应：状态码201，返回的JSON包含订单号(‘order_id’)和总价(‘total_price’)。
测试场景：使用有效token和正确请求体调用，验证响应码和返回字段。
请生成代码，并处理可能出现的网络异常。

同样，Janus-Pro-7B能够理解这些需求，生成包含requests.post、json.dumps、以及针对响应体特定字段断言的完整测试函数。

5. 实践技巧与注意事项

在实际使用中，为了让AI生成更精准、更实用的脚本，有几个小技巧值得分享。

第一，描述要具体、结构化。 不要只说“测试登录功能”。最好拆解成步骤：“1. 打开某URL。2. 找到某元素并输入A。3. 找到某元素并输入B。4. 点击某按钮。5. 验证页面是否跳转到某URL或出现某元素。” 结构越清晰，AI生成的代码逻辑也越清晰。

第二，在Prompt中指定技术栈和框架。 明确告诉AI你要用Selenium with Python还是Cypress with JavaScript，要用Pytest还是unittest。这能确保生成的代码是你想要的风格。

第三，生成的代码是“框架”和“初稿”。 AI目前还无法百分之百理解你公司内部项目的所有细节，比如确切的元素选择器、独有的项目配置、复杂的测试数据准备逻辑。因此，它生成的是高质量的、符合通用规范的“半成品”。你需要扮演“代码审查者”和“最终集成者”的角色，将其融入你的项目结构，补全环境变量、数据驱动等部分。

第四，注意测试数据的安全性。 切勿在Prompt或最终提交的代码中写入真实的用户名、密码、API密钥、令牌等敏感信息。AI生成代码时可以使用占位符（如YOUR_USERNAME），你本地运行时再替换为从安全位置（如环境变量、配置文件）读取的真实数据。

第五，组合使用，提升效率。 你可以让AI先生成一个基础脚本，然后基于这个脚本，继续用自然语言让它添加新功能，比如“在上面的登录测试里，增加一个‘记住我’复选框的测试”，或者“给这个接口测试加上参数化的数据，用三组不同的产品ID和数量来测试”。通过多轮对话，逐步完善你的测试套件。

6. 总结

尝试用Janus-Pro-7B来辅助生成自动化测试脚本后，我最大的感受是，它确实把测试工程师从大量重复、机械的编码劳动中解放了出来。以前写一个脚本，一半时间在查文档和调试语法错误，现在这部分工作被极大地压缩了。你可以把更多精力放在设计更全面的测试场景、分析更复杂的测试结果、以及思考如何提升整体的测试覆盖率上。

当然，它不是一个“一键生成、无需过脑”的魔法。它对测试工程师的要求从“熟练编码”转变为了“精准描述需求”和“高效审查代码”。你需要清楚地知道要测什么、怎么测，然后才能指挥AI写出正确的脚本。这更像是一种人机协作的新模式。

如果你也在做UI或接口自动化测试，不妨试试这个方法。从一个简单的登录测试或查询接口开始，用自然语言把你的测试用例描述给Janus-Pro-7B，看看它生成的脚本框架。我相信，经过你稍加调整和填充，一个可运行的测试脚本很快就能投入使用。这个过程，本身就是一次有趣的、高效的提效实践。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。

Logo
乐奇 Rokid 开放社区

更多推荐

cover

一句话打造「丢哪里」垃圾分类AIUI智能体

avatar 乐奇 Rokid 开放社区
cover

善弈者通盘无妙招：乐奇Rokid没有“灵光一闪”

avatar 乐奇 Rokid 开放社区
cover

Rokid Glasses 2 的三层补能系统：263mAh 眼镜电池、胶囊电池与充电盒，如何转化为可量产方案？

avatar 乐奇 Rokid 开放社区