TBC/docs/AGENT_WORKFLOW.md

6.0 KiB
Raw Permalink Blame History

Agent 工作流文档

一、5 步流水线

┌──────────┐    ┌──────────┐    ┌──────────┐    ┌──────────┐    ┌──────────┐
│ 1.拉取代码│ → │ 2.代码分析│ → │ 3.领域提取│ → │ 4.Prompt  │ → │ 5.LLM生成 │
│ git clone │    │ AST解析  │    │ DDD建模  │    │ SOUL+技能 │    │ 测试用例  │
└──────────┘    └──────────┘    └──────────┘    └──────────┘    └──────────┘

步骤 1:拉取代码

  • 调用 git_ops.clone_or_pull()
  • 克隆到 work/<repo_name>/ 目录
  • 检测语言(Python/TypeScript/Go/Java)
  • 检测框架(FastAPI/Flask/Django/React/Vue 等)
  • 收集源码文件列表(排除 node_modules、pycache 等)

步骤 2:代码分析

  • Python:AST 全量解析,提取类/函数/方法/导入/装饰器/docstring
  • TypeScript/JS:正则提取类/函数/导入
  • 构建调用图

步骤 3:DDD 领域提取

  • 按目录分组识别限界上下文
  • 识别聚合根/实体/值对象/领域服务/仓储
  • 提取 docstring 作为统一语言术语表
  • 识别共享内核(抽象基类/接口/Mixin)

步骤 4:Prompt 组装

  • 系统 Prompt = SOUL.md + 4 个 Skill 知识库 + 领域模型
  • 用户 Prompt = 文件代码上下文 + 测试类型 + 生成要求

步骤 5:LLM 生成

  • 调用 LLM API 生成测试代码
  • 解析代码块,提取测试文件
  • 写入 output/<repo_id>/ 目录

验证结果: 实测 agent/llm_client.py 生成 13408 字符完整测试文件。


二、精确回归模式

git diff --name-only HEAD~3
    → 变更文件列表
    → 映射到限界上下文
    → 只生成受影响上下文的回归测试
    → 自动筛选关联用例

使用方式:

# CLI
python3 main.py diff -r <repo-url> -a HEAD~3

# Web:仓库管理 → 展开仓库 → 点击「精确回归」

三、UI 变更检查 + 自动修复

3.1 仓库管理 - 分支自动检测

输入 Git 仓库 URL
    → 失焦/点击「最新分支」按钮
    → git ls-remote --heads 获取所有远程分支
    → git for-each-ref --sort=-committerdate 找到最新提交分支
    → 自动切换到最新分支
    → 显示分支列表(数量 + commit hash + 最新/默认标签)
    → 点击「扫描」→ clone → AST 分析 → DDD 建模

分支功能:

  • 自动检测:失焦后自动扫描远程分支
  • 手动检测:点击「⚡最新分支」按钮,自动找到最近提交的分支并切换
  • 下拉列表:显示所有分支 + commit hash 前 8 位 + 最新/默认标签
  • 分支对比:POST /api/repos/compare 对比任意两个分支的变更文件

3.2 检测模式(仓库管理 + 已有用例 Robogo 板块均支持)

输入前端仓库 URL
    → 克隆前端代码
    → 提取 Robogo 脚本中所有 UI 选择器
    → 与前端代码全文比对
    → 生成匹配/未匹配报告

3.2 自动修复模式(一键全自动)

输入前端仓库 URL
    ↓
1. 克隆前端代码
2. 提取 Robogo 选择器 + 比对
3. 备份原文件到 framework/business_backup/
4. LLM 逐个文件精准修复(含原始代码,只改失效行)
5. 覆盖原文件
6. 自动运行受影响场景验证
7. 实时 SSE 日志流展示全过程

实测验证:

  • 57 个失效选择器 → 10 个文件 → LLM 精准修复
  • 示例:"button.loginBtn" → "button[type='submit']"(只改 1 行,其他 65 行不变)
  • 修复后导入验证:Import OK

3.3 提取的选择器类型

  • page.locator('...') — CSS 选择器
  • page.get_by_text('...') — 文本内容
  • page.get_by_placeholder('...') — 占位符
  • page.get_by_role('...') — ARIA 角色
  • input[placeholder*='...'] — CSS 属性选择器
  • button.className — CSS 类名

前端搜索策略:

  1. 精确匹配:选择器值直接出现在前端代码中
  2. 模糊匹配:className/id/placeholder/aria-label/text 标签中的值

输出报告:

  • platform_reports/<id>_ui_report.md — 匹配率统计 + 未匹配选择器列表
  • platform_reports/<id>_ui_suggestions.md — LLM 修复建议

四、任务执行流程

4.1 D-Cloud 测试执行

POST /api/tasks { task_type: "run_existing", platform: "dcloud", module: "data_space" }
    → 后台线程启动
    → subprocess: pytest tests/data_space/ -v --tb=short
    → stdout 实时推送到 SSE 日志流
    → 完成后保存报告

4.2 Robogo 场景执行

POST /api/tasks { task_type: "run_existing", platform: "robogo", module: "robogo" }
    → 后台线程启动
    → subprocess: python3 framework/scripts/run_all.py
    → 注入环境变量: TEST_USERNAME, TEST_PASSWORD, ROBOGO_ENV, ROBOGO_SCOPE
    → stdout 实时推送到 SSE 日志流

4.3 仓库扫描 + 生成

POST /api/repos { url: "https://...", api_key: "sk-xxx" }
    → 后台线程启动
    → clone repo → AST 分析 → DDD 建模 → 存入 repos_db
    → 用户点击「生成」→ LLM 生成测试 → 写入 output/

五、生成的测试目录结构

output/<repo_id>/
├── domain/                          # 领域层测试(Mock 隔离)
│   └── {context_name}/
│       ├── test_entities.py
│       ├── test_value_objects.py
│       ├── test_services.py
│       └── test_aggregates.py
├── infrastructure/                  # 基础设施层测试
│   └── {context_name}/
│       ├── test_repositories.py
│       └── test_api.py
├── session/                         # Session 领域测试
│   ├── test_session_lifecycle.py
│   └── test_session_context.py
├── smoke/ / integration/ / e2e/     # 分层测试
├── conftest.py                      # 全局 fixtures
└── domain_report.md                 # DDD 领域分析报告