背景

市面上大部分的 monkey 类测试工具，基本是随机或者在策略下随机的遍历逻辑；典型的例如：原始的 monkey、或者 fastbot 这种基于预训练模型 + 策略配置的 monkey；但无论哪一种，都有固定的缺陷。

• 原始的 monkey，随机性太强，冗余操作太多，遍历度不够
• 类 fastbot 的策略下遍历，策略的配置成本高，需要定制页面映射的动作，才能完成业务逻辑的翻越，典型的场景，登录，你必须配置登录页面映射的登录动作脚本，你能够遍历时越过登录这个页面。
  

基于随机和动作冗余以及配置成本之间的关系，我们在想，有没有一种方式，可以以最小的成本，作出最符合人类思维的遍历结果，恰逢年初，gpt 横空出世，因此我们决定用 gpt 来做探索性的尝试。

GptTraversal 介绍

GptTraversal 是一个基于大模型的 app 遍历程序，我们使用大模型代替了传统的代码遍历决策系统，如一些典型算法下的策略：深度优先，广度优先，控件的类型和优先级映射，黑白名单设置等；转而让大模型以一个正常的 “人” 的思维，面对 app 的页面，进行遍历的动作决策。

基本原理

由于是公司内的项目，因此暂时不能开源，可以说下大概的原理。

首先，我们将 app 的页面树，做处理后，交给 gpt，让他判断当前的场景，以及下一步如何操作，并记录下历史的决策，下一步的操作会基于遍历目标和历史决策进行，这一步相当于给 gpt 提供视觉，让 gpt“看见” app（当时还没有 gpt4v）；

其次，我们会内置相应的动作，例如点击、滑动、输入等等，gpt 会从动作库选择一个，进行相关的动作触发，这一步相当于给 gpt 提供了手，可以对 app 进行直接操作；

最后，我们会记录过程的一切数据，包括覆盖率、截图、内存信息等等，作为最终的报告汇总数据；额外的，为了避免 token 溢出问题带来的 ai 步骤的步数限制，导致遍历度不够，我们增加了传统的 monkey 和 ai 步骤的混编，让随机和有序相结合的进行遍历。

基本架构

配置列表

项目目录结构

效果

基本上来说，可以代替之前需要定制动作的节点，例如登录、循环翻页、填写表单等等，完全不需要任何的定制化脚本，gpt 可以自主以正常人的思维进行操作。

缺点：

• gpt4 太贵了！太贵了！太贵了！3.5 效果不佳
  
• 由于 token 限制，给页面树和历史决策，很明显会遇到 token 溢出的问题，可以通过限制历史决策的记录长度解决，但后果是会降智。
  

展望

谁也没想到，才过了一年，大模型的进化速度如此之快；目前来说，这个工具的问题，大部分都是大模型当下技术的局限性导致，但我相信，未来一定是全智能化的测试方向，也许最终，我们给到工具的测试指令就是一句话：“这里有个 app，你来测一下”