Playwright agent Demo
第 13 頁:架構解析說明(對準你的圖檔) (轉場引導) 「前面分享了講者的理論,接下來我想分享我在專案中的實務應用。 過去我們在寫 Playwright Test 時,最痛苦的就是 UI 頻繁改版 導致的**『測試維護債』**。只要前端改個欄位、換個 ID,我們就得手動救腳本。 為了徹底解決這個問題,我導入了這套 Playwright Agent 架構。 首先我使用 最左側: opencode, 搭配mcp,去執行最右邊playwright agent (這頁PPT) ==== 接著我會展示相關2 頁 Demo 在(xx系統)專案上: 第一頁Demo PPT 是Playwright planner & generator, 首先我們輸入指令:npx playwright init-agents --loop=opencode 這指令代表 OpenCode與 執行端 Playwright 正式串接起來。 啟動了專屬於測試的 MCP Server,建立了一個 自動化循環, 並載入了 Planner、Generator 與 Healer 這三個核心 Skill 模組 (讓 AI 能自主規劃、執行並回傳結果.) 接著輸入opencode後會出現 opencode 畫面.可輸入指令 Planner: 接著我們輸入Planner需求並存成 panner_0906.md: 一開始引用剛才產出的 planner markdown, 並告訴AI as playwright agent planner, 然後輸入專案需求, 並請AI 產出測試計畫, 接著在opencode 內切換為plan mode, 執行 panner_0906.md, AI 會自動探索網頁路徑,產出一份結構化的測試計畫。這幫我們解決了『複雜需求如何拆解成測試點』的難題。 PS: 追求「確定性」與「穩定性」(Deterministic vs. Stochastic) 「經理,這是我在 PoC 階段刻意的選擇。AI 雖然具備探索意圖的能力,但它具有隨機性。在企業級的測試中,我們追求的是 『確定性』。當功能需求已經非常明確時,直接給予精確步驟能將腳本生成的成功率提升到接近 100%,避免 AI 產生誤判或幻覺(Hallucination)。 ====== Gener...