Qa Lab Agent MCP

mcp实验室代理

](https://www.npmjs.com/package/mcp-lab-agent) ](https://nodejs.org) 

葡萄牙语 | 英语

______________________________________________________________________

葡萄牙语 （PT-BR）

具有人工智能的自主质量保证系统。 减少测试调试时间，消除碎片，并保持选择器稳定 - 学习系统每次修复都会改进。

TL；DR招聘人员： 解释自主QA *por que* 测试以清晰的语言失败，并自动应用更正。测试自我纠正并从每个修复中学习。与 IDE （Cursor） 和 Slack 集成。专为 QA 工程师、SDET 和自动化/人工智能角色而设计。

为什么这很重要

WOW：自我纠正和学习的测试

当测试失败时，您将在 30 秒内收到原因和更正。没有挖掘堆栈痕迹。

每个成功的修复都会被保存并重复使用。在下一个类似的故障中，代理会自动应用学习的模式。 第一次尝试的成功率随着时间的推移而提高 可通过测量 mcp-lab-agent stats.

npx mcp-lab-agent auto "login flow" --max-retries 5

*一个命令完整分析。自我更正 。学会了*

主要成果

• 减少调试时间 “为什么失败了？”用清晰的语言，而不是堆栈痕迹
• 短维护 flaky — 检测、诊断和纠正建议
• 在不扩展 headcount 的情况下扩展 QA --代理无IDE+Slack机器人；funciona com Cypress、Playwright、Appium、Jest e 11+框架
• 倾向于准企业 --套接字模式（sem URL pública）、Ollama（离线）、学习中心

如何运作

🤖 非IDE代理（光标，cline，风帆） 在聊天中提问： *“Gere teste用于登录”*, *“为什么测试失败了？”*, *“旋转X测试”*代理检测项目，执行测试，分析故障，应用修复和学习。

💬 Slack机器人 — 在任何频道中提到机器人 — 它执行测试并发布报告。它在企业环境中工作（套接字模式，没有ngrok）。QA在谈话流程中。

给谁

它有多不一样

学习系统：每个修复都会改善下一代 | 每个任务一个工具 | 端到端：生成，执行，分析，报告，学习 |

______________________________________________________________________

英语

AI驱动的自主QA系统。 减少测试调试时间，消除不稳定的测试，并保持选择器稳定——学习系统在每次修复后都会变得更加智能。

TL；招聘人员的DR： 自主QA解释 *为什么* 测试以简单的语言失败，并自动应用修复程序。从每次修复中学习的自我修复测试。与IDE（游标）和Slack集成。专为QA工程师、SDET和AI/自动化角色而设计。

为什么这很重要

惊喜：学习自我修复测试

当测试失败时，您将在30秒内找到原因并修复。不再挖掘堆栈痕迹。

每个成功的修复都会被保存并重新使用。下次发生类似故障时，代理会自动应用学习到的模式。 第一次尝试的成功率会随着时间的推移而提高 --可测量的通过 mcp-lab-agent stats.

npx mcp-lab-agent auto "login flow" --max-retries 5

*一个命令。全面分析。自我纠正。学习。*

关键成果

• 减少调试时间 --“为什么它失败了？”用简单的语言，而不是堆栈痕迹
• 切割片状测试维护 --检测、诊断和建议修复
• 在不扩大员工人数的情况下扩大QA规模 --IDE代理+Slack机器人；适用于Cypress、Playwright、Appium、Jest和11+框架
• 企业就绪 --Socket模式（无公共URL）、Ollama（离线）、团队学习中心

运作原理

🤖 IDE代理（游标、Cline、Windsurf） --在聊天中提问： *“生成登录测试”*, *“为什么测试失败了？”*, *“运行测试X”*。代理检测您的项目，运行测试，分析失败，应用修复程序并学习。

💬 Slack机器人 --在任何渠道中提及机器人——它运行测试并发布报告。适用于企业环境（Socket模式，无ngrok）。QA在对话流程中。

给谁的

这有什么不同

______________________________________________________________________

学习系统

正如他所学到的： 代理检测到每次执行中的失败模式（正则表达式+上下文），并将应用的修复存储在内存中。在下一代中，这些学习将注入LLM提示符和强制性实践中。

基于什么： 错误类型（自动排序）、框架、修正片段和结果（是否通过）。

比 ： 第一次尝试的成功率（%），可追溯到 mcp-lab-agent stats e get_learning_report成功修复的次数越多，下一次测试就越有可能先通过。

学习模式的例子：

每个成功的修复都会增加未来的成功率。

______________________________________________________________________

快速开始

CLI — 完整分析

# Análise completa: executa testes, analisa estabilidade, prevê riscos e recomenda ações
npx mcp-lab-agent analyze

# Modo autônomo: gera, roda, corrige e aprende (até passar ou max_retries)
npx mcp-lab-agent auto "login flow" --max-retries 5

# Métricas de aprendizado e taxa de sucesso
npx mcp-lab-agent stats

# Relatório de evolução com recomendações para aprimorar o código
npx mcp-lab-agent report --full

IDE——光标、光标、风帆

添加到 ~/.cursor/mcp.json:

{
  "mcpServers": {
    "qa-lab-agent": {
      "command": "npx",
      "args": ["-y", "mcp-lab-agent@latest"],
      "cwd": "${workspaceFolder}"
    }
  }
}

不使用聊天： *“检测我的项目结构”*, *“Gere teste用于登录”*, *“为什么测试失败了？”*, *“Avaliehttp://localhost:3000无浏览器”*.

run_tests com设备e自动修复： 请求时 *“旋转X测试”*代理检测到设备（从 qa-lab-agent.config.json, wdio.conf 哦 .detoxrc），运行流，如果选择器失败，则自动应用更正并重试。

Slack机器人

npx mcp-lab-agent slack-bot

在企业环境中运行（Socket Mode，没有公共 URL）。配置 botToken e appToken 嗯 ~/.cursor/mcp.json从哪里获得： 松弛机器人/CREDENTIALS.md详情： 松弛机器人/README.md.

Learning Hub — 集中式智能

npx mcp-lab-agent learning-hub

API e仪表板em http://localhost:3847.配置否 .env 项目 ：

LEARNING_HUB_URL=http://localhost:3847
LEARNING_HUB_PROJECT_ID=meu-projeto

代理会自动发送学习。Hub 汇总模式并提供建议。细节 ： 学习中心/README.md.

______________________________________________________________________

建筑

flowchart TB
    subgraph Input["Entrada"]
        CLI[CLI: auto, stats, report]
        IDE[IDE: Cursor, Cline, Windsurf]
        Slack[Slack Bot]
    end

    subgraph Agent["mcp-lab-agent"]
        Router[qa_route_task]
        Auto[qa_auto]
        MR[Model Router]
        FD[Flaky Detection]
        PM[Project Memory]
        LS[Learning System]
    end

    subgraph Tools["Ferramentas"]
        D[detect_project, list_test_files]
        G[generate_tests, write_test, map_mobile_elements]
        E[run_tests, get_test_coverage]
        A[analyze_failures, suggest_fix, por_que_falhou]
        R[create_bug_report, get_learning_report]
    end

    subgraph Ext["Externo"]
        LLM[LLM: Groq, Gemini, OpenAI, Ollama]
        Hub[Learning Hub]
    end

    Input --> Router
    Router --> Auto
    Auto --> G & E & A
    G & A --> MR --> LLM
    A --> FD
    Auto --> LS --> PM
    PM -.-> Hub
    Router --> D & G & E & A & R

喂养 qa_auto:

1. 检测工程（ 框架、 文件夹、 流）
2. 使用LLM +学习记忆生成测试
3. 运行测试
4. 如果失败：扫描（片状检测），修复并重试
5. 在内存中学习并保存更正
6. 重复直到传递或触摸 max_retries

______________________________________________________________________

能力

自动化和生成

• 独立模式 (qa_auto生成、执行、分析、校正和循环学习
• 一代与LLM：Groq、Gemini、OpenAI或Ollama（100%离线）
• Mapeamento移动 (map_mobile_elementsAppium/Detox 中的元素
• 模板智能等待和所有生成的测试中强制性的最终断言

分析和诊断

• 故障检测：定时、选择器、元素_未渲染、元素_不可见、元素_状态、移动映射_可见
• 上下文消息每种类型的错误都有特定的解释和建议
• 稳定性分析：每次测试的失败率，片状识别
• Flakiness预测 (qa_predict_flaky风险在问题出现之前
• 方法分析 (analyze_file_methods） 按文件方法扫描

报告和指标

• 错误报告 em Markdown
• 业务指标 （se qa-lab-flows.json 配置）
• 进度报告 (get_learning_report（按类型标准，建议）
• 基准 (qa_compare_with_industry与市场标准的比较

Memória e学习中心

• 本地内存: .qa-lab-memory.json 按项目
• 学习中心：API中心(POST /learning, GET /patterns）， 仪表板， 项目之间的自动同步

支持的框架

11+框架：Cypress、Playwright、WebdriverIO、Jest、Vitest、Mocha、机器人框架、pytest、Behave、Appium、Detox。

______________________________________________________________________

命令行界面

# Exemplos de uso
mcp-lab-agent learning-hub          # Inicia Hub (porta 3847)
mcp-lab-agent analyze              # Análise completa
mcp-lab-agent auto "login flow"     # Modo autônomo
mcp-lab-agent stats                 # Taxa de sucesso, aprendizados
mcp-lab-agent report --full        # Relatório com recomendações

______________________________________________________________________

可扩展性和生产使用

• 按项目本地记忆体（.qa-lab-memory.json（由仓库隔离）
• 创业时间Learning Hub 添加标准 projectId共享仪表板
• 企业之间一个中心可以为多个组织提供服务。跨组织标准（例如：15个项目中的“Playwright + 不稳定选择器”）看到了全球建议
• CI/CD集成到 GitHub Actions、GitLab CI、Jenkins
• 可导出的度量为 Grafana、DataDog、内部仪表板构建的 JSON
• 奥拉玛100%离线；适合严格的企业环境
• 内部LLM企业自定义端点

______________________________________________________________________

配置

环境变量（可选）

Ollama（离线）

brew install ollama
ollama pull llama3.1:8b
ollama serve
npx mcp-lab-agent auto "login flow"

Modo浏览器（剧作家）

npm install playwright

______________________________________________________________________

文档

• 更改日志.md — 版本历史
• 松弛机器人/README.md --Slack机器人
• 学习中心/README.md --学习中心
• docs/PORTFOLI_COPY_PT-BR.md — 复制到PT-BR组合 （Vercel）

______________________________________________________________________

开发

git clone https://github.com/Wesley-Gomes93/mcp-lab-agent
cd mcp-lab-agent
npm install
npm run build
npm test

______________________________________________________________________

许可证

麻省 理工© 韦斯利 戈麦斯