6.0 KiB
6.0 KiB
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:
- 精确匹配:选择器值直接出现在前端代码中
- 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