Automation Testing Platform Integration

集成Cursor-MCP的人工智能测试自动化平台

一个开源平台，使用与Cursor的模型上下文协议（MCP）服务器集成的AI/ML技术，根据代码更改自动生成和运行测试。

🏗️ 架构概述

Stack（零预算，开源）

• 后端：Python+FastAPI
• 前端：Angular（TypeScript）
• 矢量数据库：Qdrant（简单、开源）
• 嵌入：句子转换器（均为MiniLM）-在CPU上运行良好
• LLM：游标MCP服务器（模型上下文协议）-替换本地模型
• 编排：Redis（后台任务）
• 测试运行器：Playwright（Python）-Docker内部的UI自动化
• 人工制品：MinIO（兼容S3）用于截图/视频
• 代码访问：Git+GitPython用于克隆仓库和计算差异

🚀 快速开始

先决条件

• Docker&Docker编写
• Python 3.10/3.11
• Node.js（v18+）
• Git
• 光标API键（用于MCP服务器集成）
• OpenAI API密钥（可选，用于回退）

1.克隆和设置

# Clone the repository
git clone 
cd automate-testing-AI

# Run the automated setup script
./setup.sh

2.手动设置（如果脚本失败）

启动基础设施服务

cd infra
docker-compose up -d
cd ..

设置Python环境（最小）

# Create virtual environment
python3 -m venv .venv
source .venv/bin/activate

# Install minimal requirements (only what's needed for MCP)
pip install -r backend/requirements.txt

设置角度前端

cd frontend
npm install
ng serve --open

3.验证设置

测试嵌入和矢量数据库

cd backend
source ../.venv/bin/activate
python tests/test_embeddings_qdrant.py

测试最小MCP集成

python backend/tests/test_mcp_minimal.py

启动后端API

cd backend
source ../.venv/bin/activate
python -m uvicorn app.main:app --reload --host 0.0.0.0 --port 8000

📁 项目结构

automate-testing-AI/
├── infra/                 # Docker Compose services
│   └── docker-compose.yml
├── backend/
│   ├── app/              # FastAPI application
│   │   ├── main.py       # API entry point
│   │   └── __init__.py
│   ├── runners/          # Playwright runner scripts (to create)
│   ├── requirements.txt
│   └── tests/            # Verification scripts
│       ├── test_embeddings_qdrant.py
│       └── test_small_llm.py
├── frontend/             # Angular application
│   ├── src/app/
│   │   ├── components/
│   │   │   ├── test-configuration/
│   │   │   └── test-results/
│   │   └── shared/
│   └── package.json
├── setup.sh              # Automated setup script
└── README.md

🔧 服务和港口

🧪 测试设置

1.基础设施健康检查

docker-compose -f infra/docker-compose.yml ps

2.嵌入测试

这 test_embeddings_qdrant.py 脚本应：

• 负载变压器模型
• 为示例代码片段生成嵌入
• 存储在Qdrant矢量数据库中
• 执行语义搜索

3.MCP集成测试

这 test_mcp_integration.py 脚本应：

• 连接到Cursor MCP服务器
• 测试工具的发现和执行
• 使用MCP服务器生成测试代码
• 验证MCP客户端功能

4.前端测试

• 引导到 http://localhost:4200
• 应查看测试配置表
• 可以输入存储库详细信息并生成测试

🔒 安全与安保

重要规则

1. 从不对生产支付端点运行生成的测试
2. 使用沙盒/测试凭据或模拟支付API
3. 将机密存储在.env文件中（从不提交）
4. 在临时Docker容器中运行Playwright测试
5. 试运行后删除容器

环境变量

创建一个 .env 后端目录中的文件：

# Database
DATABASE_URL=postgresql://aiqa:aiqa_pass@localhost:5432/aiqa

# Vector DB
QDRANT_URL=http://localhost:6333

# Redis
REDIS_URL=redis://localhost:6379

# MinIO
MINIO_ENDPOINT=localhost:9000
MINIO_ACCESS_KEY=minio
MINIO_SECRET_KEY=minio123

# MCP Server Configuration
CURSOR_API_KEY=your_cursor_api_key_here
OPENAI_API_KEY=your_openai_api_key_here

# MCP Configuration File Path
MCP_CONFIG_FILE=config/mcp_config.json

# Optional: Hugging Face token for model downloads
HUGGINGFACE_TOKEN=your_token_here

🎯 后续步骤

完成此设置后，下一阶段将包括：

1. 差异分析与代码段提取

- GitPython用于存储库克隆和差异计算 - 不同语言的AST解析（JS/TS/Python） - 功能提取和选择器/定位器识别

1. FastAPI端点

- /api/diff -分析代码更改 - /api/generate_tests -使用MCP服务器生成测试代码 - /api/run_tests -使用Playwright执行测试

1. 增强的MCP集成

- 多MCP服务器支持 - 工具发现和执行 - 上下文感知测试创建 - 回退机制

🐛 故障排除

常见问题

1. Docker服务未启动

   docker-compose -f infra/docker-compose.yml logs

1. MCP服务器连接问题

   # Check MCP server configuration
   cat backend/config/mcp_config.json

   # Test MCP connection
   python tests/test_mcp_integration.py

1. API密钥配置

   # Ensure API keys are set in .env file
   grep -E "(CURSOR_API_KEY|OPENAI_API_KEY)" backend/.env

1. Playwright浏览器安装

   python -m playwright install

1. 端口冲突

- 检查端口5432、6333、9000、6379是否可用 - 如果需要，修改docker-compose.yml

GPU支持（可选）

如果您有NVIDIA GPU：

# Install CUDA-enabled PyTorch
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

1. Playwright浏览器安装

   python -m playwright install

1. 端口冲突

- 检查端口5432、6333、9000、6379是否可用 - 如果需要，修改docker-compose.yml

GPU支持（不需要）

由于我们使用MCP服务器而不是本地型号，因此不需要GPU支持。MCP服务器远程处理繁重的工作。

🤝 贡献

1. 分叉存储库
2. 创建要素分支
3. 进行更改
4. 添加测试
5. 提交拉取请求

📄 许可证

该项目根据MIT许可证获得许可。