符合犹太教规的
Kosher是一个行为驱动开发（BDD）工具，用于读取Gherkin特性 使用AI推理对web应用程序归档和执行用户故事 引擎和Playwright浏览器自动化。
需求
要求奥拉玛和剧作家麦克普在当地竞选。使用Python v3.14进行测试。
入门指南
# 1. Install Ollama
curl -fsSL https://ollama.com/install.sh | sh
# 2. Pull the model
ollama pull qwen2.5-coder:14b-instruct-q4_K_M
# 3. Start Playwright MCP server (separate terminal)
npx @playwright/mcp@latest
# 4. Clone and set up project
git clone
cd kosher
python -m venv venv
source venv/bin/activate
pip install -e .
# 5. Run proof of concept
python poc/main.py可靠性总结：qwen2.5编码器：用于Gherkin的14b→ 剧作家
成功率：6步登录流程约90%（20次运行）
什么效果好：
- 正确解释Given/When/Then语义
- 将步骤映射到相应的浏览器工具（导航、单击、键入、快照、等待）
- 从快照中提取元素引用并正确使用它们（大多数情况下）
- 从系统提示更新中学习新模式（指令后采用browser_wait_for）
故障模式：
- 占位符引用-有时输出 而不是像e5那样的实际ref，暗示它“知道”该做什么，但
执行不正确
- 跳过工具执行-偶尔在一个响应中输出JSON+“DONE”，而不等待工具结果
- 无需调用本机工具-始终在文本内容中输出JSON；需要使用parse_tool_call_from_text（）进行解析
- 指令漂移-多步指令（导航→ 快照→ 确认）有时会被部分跟踪
启示：
- 适用于PoC和演示
- 生产使用需要重试逻辑、验证，可能还需要一个功能更强大的模型
- 系统提示工程是教授新模式的有效方法
- 10%的故障率是LLM可变性，仅凭提示无法解决