年轻人别想不开呀，开发岗位可以有很多，专职测开屈指可数，很多挂着测开 title 的岗位可都是业务功能测试哦

我个人觉得这个落地的话，还需要跟公司申请一笔经费，以往自动化都不需要用钱，现在用上大模型还得花钱，能不能审批通过都是个问题，后期还得出份数据证明比免费的强

除了燕麦奶，其他植物奶形成的泡沫壁较薄，不稳定，容易消泡

我都没去换过

你的宠物店运营得怎样？

同感，我现在有什么问题也是第一时间问大模型，我之前找绝望主妇的台本 PDF 下载链接找不到，deepseek 居然可以给我找到一个美剧台词免费下载的网址，真 6

我安装了 stagehand 的库，然后 python 直接调用库来用就行了。但是感觉这个工具不太靠谱，粗看原理就是把 dom 结构全部发给语言大模型，然后让大模型把关键信息找出来再返回，一方面像上面那个大佬说的：不太稳定和执行缓慢。另一方面我是觉得 token 的消耗有点大，本地部署估计挺悬，非满血的大模型出来的效果更难保证。所以感觉这工具有点像坤肋

组织架构调整好像不是什么好词，裁员前兆？

我主要是遇到:

1. enable_thinking=False
2. 使用结构化输出 (response_format) 时，【dashscope 要求消息中必须包含 "json" 关键词
3. 这框架把千问模型的地址默认为国际地址，换成国内的需要自己设置下

这三个问题，在我各种瞎调下，是可以跑了，就是这个 token 的消耗还挺大，感觉实用程度有待商榷

import asyncio
import os
from stagehand import Stagehand, StagehandConfig
from dotenv import load_dotenv
import litellm

# 保存原始completion函数
original_completion = litellm.completion

# 创建一个新的completion函数，确保总是包含enable_thinking=False，并修复Dashscope的json要求
def patched_completion(*args, **kwargs):
    # 确保extra_body存在并且包含enable_thinking=False
    if "extra_body" not in kwargs or kwargs["extra_body"] is None:
        kwargs["extra_body"] = {}
    kwargs["extra_body"]["enable_thinking"] = False


    # 修复Dashscope的json要求 - 确保messages中包含"json"关键词
    if "response_format" in kwargs and kwargs["response_format"] is not None:
        # 检查是否是json_schema格式
        if hasattr(kwargs["response_format"], '__dict__') or isinstance(kwargs["response_format"], dict):
            # 确保系统消息中包含json关键词
            if "messages" in kwargs and len(kwargs["messages"]) > 0:
                system_message = kwargs["messages"][0]
                if system_message["role"] == "system" and "json" not in system_message["content"].lower():
                    # 添加json关键词到系统消息中
                    system_message["content"] += " Respond in JSON format."

    try:
        result = original_completion(*args, **kwargs)
        return result
    except Exception as e:
        raise

# 替换litellm.completion
litellm.completion = patched_completion

load_dotenv()

async def main():
    # 确保环境变量正确设置
    os.environ['DASHSCOPE_API_BASE'] = "https://dashscope.aliyuncs.com/compatible-mode/v1"

    # 检查API密钥
    api_key = os.getenv("DASHSCOPE_API_KEY")
    if not api_key:
        print("错误: 未找到DASHSCOPE_API_KEY环境变量")
        return

    # 配置 Stagehand 使用 DashScope 的 Qwen 模型
    config = StagehandConfig(
        env="LOCAL",
        model_name="dashscope/qwen3-14b",
        model_api_key=os.getenv("DASHSCOPE_API_KEY"),
        headless=False,              # 显示浏览器窗口
        verbose=3,                   # 最详细的日志输出
        debug_dom=True,              # 启用DOM调试
        dom_settle_timeout_ms=60000, # 增加DOM稳定超时时间
        wait_for_network_idle_ms=5000, # 等待网络空闲的时间
        local_browser_launch_options={  # 本地浏览器启动选项
            "slow_mo": 100,          # 减慢操作速度以便观察
            "devtools": True,        # 打开开发者工具
            "args": [
                "--window-size=1920,1080",  # 设置窗口大小
                "--disable-web-security",   # 禁用网络安全限制
                "--disable-features=IsolateOrigins,site-per-process"  # 禁用某些隔离功能
            ]
        }
    )

    # 初始化 Stagehand
    stagehand = Stagehand(config)

    try:
        await stagehand.init()
        page = stagehand.page

        print("=== 必应搜索测试任务 ===")

        # 1. 访问必应
        print("1. 正在访问必应...")
        await page.goto("https://cn.bing.com/")
        print("   已访问必应")

        # 等待页面加载完成
        await asyncio.sleep(3)

        # 2. 输入搜索词
        print("2. 正在输入搜索词...")
        await page.act("在搜索框中输入搜索词'天气'")
        print("   已输入搜索词")

        # 等待输入完成
        await asyncio.sleep(2)

        # 3. 点击搜索
        print("3. 正在点击搜索按钮...")
        await page.act("点击搜索按钮")
        print("   已点击搜索按钮")

        # 等待搜索结果页面加载
        await asyncio.sleep(5)

        # 验证操作结果
        print("4. 正在验证搜索结果...")
        title = await page.title()
        print(f"   当前页面标题: {title}")

        # 获取页面URL验证是否跳转
        current_url = page.url
        print(f"   当前页面URL: {current_url}")

        # 提取页面主要内容
        print("5. 正在提取搜索结果...")
        content = await page.extract("提取页面中与天气相关的主要信息", schema=None)
        print(f"   搜索结果: {content}")

        # 保持浏览器打开一段时间以便观察
        print("6. 保持浏览器打开10秒钟以便观察...")
        await asyncio.sleep(10)

        print("=== 必应搜索测试完成 ===")

    except Exception as e:
        print(f"发生错误: {e}")
        import traceback
        traceback.print_exc()

    finally:
        input("按回车键关闭浏览器...")
        await stagehand.close()

if __name__ == "__main__":
    asyncio.run(main())

顶不住，我也觉得页面好丑
这个是之前在豆包上生成的？样式都出问题了

1. 理清业务，按照业务的特性，对表单进行不同流程分类的拆分

2. 对分类好的表单，做关键特性识别：必填、输入规则、默认值、是否有联动依赖、交互等了解清楚

3.等价类划分的用例，用正交表缩减用例量

你去看用例设计的那些基础理论，然后与产品开发多沟通，基本能完成测试的

这世界上最可怕的就是明明工资设置得不高，但是面试时按全栈高级研发的角度去问，这类工贼是最恶心的

你能发下你的代码看下吗？

大佬成功了吗？ 我之前试了千问和 deepseek 都不行，这个配置那个时候我看到了，但是一直返回这个报错

{"error":{"message":"This response_format type is unavailable now","type":"invalid_request_error","param":null,"code":"invalid_request_error"}} 

Stagehand 会将网页的 dom 结构发送给 llm 进行分析，这可能包含页面上的敏感信息, 你这是公司要用，还是自己调研的？

大佬，你那边可以用吗？
我用 deepseek 做调试时，一直给我返回 deepseek api 目前不支持 Stagehand 所需的特定 response_format 类型的报错

如果 AI 辅助能提高公司盈利能力，那它就是必需品，如已经有公司公费给程序员买 cursor。
但现在更多是用人部门随手加上去的，也不用太在意，因为面试你的人，在测试领域，他自己也不知道能干嘛

我帮你试了下，直接安装就可以用了，就是这个模型好像只能用国外的

1. 安装

pip install stagehand
python -m playwright install  #playWright相关依赖
pip install python-dotenv

2.设置环境变量，项目文件夹里创建.env 文件

# 前面这两个配置呢，是如果你要用云端Browserbase调试，就配置
export BROWSERBASE_API_KEY="your_browserbase_api_key"
export BROWSERBASE_PROJECT_ID="your_browserbase_project_id"

# 这个是你要用的大模型密钥
export MODEL_API_KEY="your_model_api_key"  # OpenAI, Anthropic, etc.

3.本地创建文件，如 demo.py

import asyncio
import os
from stagehand import Stagehand, StagehandConfig
from dotenv import load_dotenv

#读取.env配置文件
load_dotenv()

async def main():
    config = StagehandConfig(
        env="LOCAL",    #你这里想要用本地浏览器就local，如果是云的就用"BROWSERBASE"

       # 这两个配置是云端调试时使用，如果是本地就可以注释掉了
        api_key=os.getenv("BROWSERBASE_API_KEY"),       
        project_id=os.getenv("BROWSERBASE_PROJECT_ID"),

       #填写你要用的模型，密钥在.env文件配置
        model_name="gpt-4o",
        model_api_key=os.getenv("MODEL_API_KEY")

      # 这里你可以做这些配置
             headless=True,   #打开调试窗口
             verbose=3,
             debug_dom=True
    )

    stagehand = Stagehand(config)

    try:
        await stagehand.init()
        page = stagehand.page

        await page.goto("填写你要跳转的网页地址")
        await page.act("自然语言写明你要的操作")

        result = await page.extract("extract the main heading of the page")

        print(f"Extracted: {result}")

    finally:
        await stagehand.close()

if __name__ == "__main__":
    asyncio.run(main())

4 运行 python demo.py 即可

5 相关流程顺序：

1. 页面导航page.goto(url)
2. 页面观察observe()
3. 页面执行操作act()
4. 页面数据提取extract()

eg:
# 1. 使用 observe() 找到元素
search_box = await page.observe("找到页面顶部的搜索框")

# 2. 使用 act() 执行操作
await page.act("在搜索框中输入'人工智能发展'并按下回车键")

# 3. 等待页面加载完成
await page.wait_for_load_state("networkidle")

# 4. 使用 extract() 提取数据
introduction = await page.extract("提取关于deepseek的全部文章链接")

6 核心方法
observe() 方法用于分析当前页面，根据自然语言指令识别和定位特定的页面元素。它不会执行任何操作，只是返回关于找到元素的信息。

# 查找页面上的登录按钮
login_button = await page.observe("找到登录按钮")

# 查找特定的文章链接
article_link = await page.observe("找到关于AI的最新文章链接")

# 查找搜索框
search_box = await page.observe("找到页面顶部的搜索输入框")

act() 方法用于在页面上执行具体的操作，如点击、输入文本、导航等。它接受自然语言指令并将其转换为具体的浏览器操作。

# 点击按钮
await page.act("点击登录按钮")

# 输入文本
await page.act("在搜索框中输入'人工智能'")

# 导航操作
await page.act("点击第一篇文章链接")

# 复合操作
await page.act("填写用户名为'user123'，密码为'password123'，然后点击登录")

extract() 方法用于从页面中提取信息。如果不指定特定的数据格式，它可以返回自然语言描述的内容。

# 直接用自然语言提取信息
content = await page.extract("提取页面的主要内容")
print(content)

# 提取特定信息
title = await page.extract("提取文章标题")
author = await page.extract("提取作者姓名")
summary = await page.extract("提取文章摘要")

就这个模型我用 deepseek 整不了，只能用 gpt 的，貌似没有兼容

老哥也是大起大落过，特别是这个【2015 年生过一场大病】
据我认识的人来说，生过大病的人都会看事情看的很透，对生活看得很开

为何你的发言，总让我感觉到一股浓浓的【阿里味】？？？

小孩子不懂事，测着玩的

好的

多拜神，祈求来贵人

就像一楼说的

1. 设立主流程冒烟用例
2. 不符合就需要公告到相关领导

规则和流程其实不需要写太多，实际情况复杂多变，类似你设立的【基础质量不达标】这个，事实上你发现超 45 个 bug 了，那实际工作量就已经做了，不管是打回还是修复后重新验证，工作量都差不多。

而且需要认清一个现实是，项目打回并不是换开发，
现实就是你依然得和这个开发一起磨合，打回几次都改变不了上线日期，
类似 2 楼那些阿里味的条条框框（术语堆砌、宏大叙事、强调体系文化、落地路径模糊、内部视角浓厚）看看就行了，短期解决不了任何问题，长期也是需要大量的资源投入

对广大中小型公司、创业公司或处于快速迭代、生存压力下的团队来说，这套东西会水土不服

whoa！ You're right！