N-Tester 企业级全栈测试平台

AI全栈企业级测试平台

AI全栈测试平台2.0版本

全新架构升级,基于Fastapi+vue3的高性能测试平台,企业级RBAC权限管理系统,接口自动化,UI自动化,性能测试,用例评审,AI生成,skill管理一站式服务,客户端自动化,小程序自动化全栈企业测试平台官网:http://106.54.166.76/N-Tester/

AI全栈测试平台1.0版本

N-Tester 是一款AI驱动的智能化测试管理平台,采用前后端分离架构,融合 Python FastAPI 后端框架和 Vue3 前端框架,提供一站式开箱即用的测试解决方案,集接口接口自动化,APP自动化,UI自动化,AI功能集体化测试平台官网:http://106.54.166.76/N-Tester/

自定义精选项目

最多可选取 6 个公开仓库

还能勾选 6 个

组织介绍

N-Tester AI测试平台

基于AI驱动的智能化测试管理平台

FastAPI
License

快速开始 | 文档 | 文末有交流群

📖 项目介绍

N-Tester 是一款AI驱动的智能化测试管理平台,采用前后端分离架构,融合 Python FastAPI 后端框架和 Vue3 前端框架,提供一站式开箱即用的测试解决方案。

🎯 核心特性

🤖 AI智能生成 - 基于大语言模型的测试用例自动生成
📝 需求管理 - 需求文档上传、拆分、评审一体化
🔄 自动化测试 - 支持接口、UI、APP多种自动化测试
💬 智能对话 - AI聊天助手,实时通信
📊 可视化报告 - 丰富的测试报告和数据看板
🔌 MCP集成 - 支持Model Context Protocol扩展
🎨 灵活配置 - 多LLM厂商配置,自定义提示词

🏗️ 技术架构

后端架构

backend/
├── app/
│ ├── models/ # 数据模型层
│ │ ├── system/ # 系统模型(用户、角色、权限)
│ │ └── aitestrebort/ # 业务模型目录(项目、用例、需求等)
│ ├── schemas/ # Pydantic数据验证
│ ├── routers/ # API路由层
│ │ ├── system/ # 系统路由
│ │ └── aitestrebort/ # 业务路由目录
│ ├── services/ # 业务逻辑层
│ │ ├── system/ # 系统服务
│ │ ├── aitestrebort/ # AI测试服务目录
│ │ └── ai/ # AI核心服务
│ ├── configs/ # 配置管理
│ └── utils/ # 工具类
├── migrations/ # 数据库迁移
└── logs/ # 日志文件

核心技术栈:

Web框架: FastAPI + Uvicorn
ORM: Tortoise ORM
数据验证: Pydantic 2.0
AI框架: LangChain + LangGraph
向量数据库: Qdrant
MCP: FastMCP
数据库: PostgreSQL / MySQL
认证: JWT Token

前端架构

frontend/
├── src/
│ ├── views/ # 页面组件
│ │ ├── system/ # 系统管理页面
│ │ └── aitestrebort/ # 业务页面目录
│ ├── components/ # 公共组件
│ ├── composables/ # 组合式函数
│ ├── api/ # API接口
│ ├── router/ # 路由配置
│ ├── stores/ # 状态管理
│ └── utils/ # 工具函数
├── public/ # 静态资源
└── dist/ # 构建输出

核心技术栈:

框架: Vue 3 + Composition API
构建工具: Vite
UI组件: Element Plus
状态管理: Pinia
路由: Vue Router
HTTP客户端: Axios
Markdown渲染: Marked + Highlight.js
Excel导出: XLSX

AI技术栈

AI服务层
├── LLM集成
│ ├── OpenAI (GPT-3.5/4)
│ ├── Azure OpenAI
│ ├── Anthropic (Claude)
│ ├── Google (Gemini)
│ └── Ollama (本地部署)
├── 向量存储
│ ├── Qdrant
│ └── 嵌入模型 (OpenAI/Azure/Ollama)
├── RAG检索
│ ├── 文档解析
│ ├── 向量化
│ └── 语义检索
└── Agent编排
 ├── LangGraph工作流
 ├── 工具调用
 └── 状态管理

🚀 功能模块

1. 项目管理

1.1 项目基础管理

✅ 项目创建、编辑、删除
✅ 项目成员管理
✅ 项目权限控制
✅ 项目统计看板

1.2 LLM配置管理

✅ 多LLM厂商配置(OpenAI、Azure、Claude、Gemini、Ollama)
✅ 模型参数配置(温度、最大Token等)
✅ API密钥管理
✅ 连接测试验证

1.3 MCP配置管理

✅ MCP服务器配置
✅ 传输协议支持(HTTP、SSE、WebSocket)
✅ 工具发现和调用
✅ 连接状态监控

2. 测试用例管理

2.1 用例基础功能

✅ 用例创建、编辑、删除
✅ 用例模块化管理(树形结构)
✅ 用例等级划分(P0-P3)
✅ 测试步骤管理
✅ 前置条件和预期结果
✅ Markdown格式支持

2.2 AI用例生成

✅ 在线AI生成 - 基于需求描述实时生成
✅ 离线AI生成 - 批量生成并预览
✅ 生成用例预览和编辑
✅ 一键保存到指定模块
✅ 支持多种生成策略

2.3 用例导入导出

✅ Excel格式导出
✅ XMind格式导出
✅ 批量导入
✅ 模板下载

3. 需求管理

3.1 需求文档管理

✅ 需求文档上传(Word、PDF、Markdown)
✅ 在线需求编辑
✅ 需求版本管理
✅ 需求状态跟踪

3.2 AI需求分析

✅ 需求拆分 - AI自动拆分需求为功能点
✅ 需求评审 - AI智能评审需求质量
✅ 需求检索 - 基于RAG的语义检索
✅ 用例生成 - 基于拆分需求生成测试用例

3.3 需求模块化

✅ 需求模块树形管理
✅ 需求关联测试用例
✅ 需求覆盖率统计

4. 自动化测试

4.1 接口自动化

✅ AI脚本生成 - 一键生成接口测试脚本
✅ 支持多种框架(Pytest、Unittest、TestNG)
✅ 接口用例管理
✅ 环境变量配置
✅ 断言规则配置

4.2 UI自动化

✅ Playwright代码生成
✅ Selenium脚本支持
✅ 页面元素管理
✅ 录制回放功能

4.3 APP自动化

✅ Appium集成
✅ 设备管理
✅ 用例执行

4.4 脚本执行

✅ 本地执行
✅ 远程执行
✅ 定时任务
✅ 并发执行

5. AI智能助手

5.1 AI聊天助手

✅ 实时对话 - 实时通信
✅ 流式响应 - 流式输出
✅ 上下文管理 - 智能上下文压缩和记忆
✅ Markdown渲染 - 支持代码高亮和格式化
✅ 对话历史 - 对话记录保存和查询

5.2 Agent智能执行

✅ 工具调用能力
✅ 多步骤推理
✅ 状态管理
✅ 错误处理和重试

6. 知识库管理

6.1 知识库基础

✅ 知识库创建和管理
✅ 文档上传(多格式支持)
✅ 文档分块和向量化
✅ 知识库配置

6.2 RAG检索

✅ 语义检索
✅ 混合检索(向量+关键词)
✅ 检索结果排序
✅ 上下文增强

6.3 知识库应用

✅ 基于知识库的问答
✅ 知识库辅助用例生成
✅ 需求文档检索

7. 测试执行与报告

7.1 测试执行

✅ 测试套件管理
✅ 执行计划配置
✅ 实时执行监控
✅ 执行进度跟踪

7.2 测试报告

✅ 可视化报告 - 丰富的图表展示
✅ 执行详情 - 详细的步骤记录
✅ 失败分析 - 失败原因统计
✅ 趋势分析 - 历史数据对比
✅ 报告导出 - HTML/PDF格式

7.3 数据看板

✅ 项目概览
✅ 用例统计
✅ 执行趋势
✅ 质量指标

8. 系统管理

8.1 用户管理

✅ 用户创建、编辑、删除
✅ 用户角色分配
✅ 密码管理
✅ 用户状态控制

8.2 角色权限

✅ 角色管理
✅ 权限配置
✅ 角色继承
✅ API权限控制

8.3 业务线管理

✅ 业务线创建
✅ 用户业务线绑定
✅ 数据隔离

8.4 全局配置

✅ 系统参数配置
✅ 提示词模板管理
✅ API密钥管理
✅ Webhook配置

🚀 快速启动

环境要求

Python: 3.11+
Node.js: 18+
数据库: MySQL 8.0+ 或 PostgreSQL 13+
向量数据库: Qdrant (可选)

在线体验

🌐 体验地址: 用户名: admin 密码: 123456

⚠️ 注意:请勿修改密码,这是共享的演示账号

📦 部署方式

方式一:Docker一键部署(推荐)

Linux/Mac

./start-docker.sh
# 或者
cd /ntest
docker compose up -d --build

Windows

start-docker.bat

详细说明请查看:DOCKER.md

方式二:一键部署脚本(推荐新手)

Linux/Mac

cd backend
chmod +x deploy.sh
./deploy.sh

Windows

cd backend
deploy.bat

方式三:源码部署

1. 创建数据库

-- MySQL
CREATE DATABASE test_platform CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci;

-- 设置最大连接数
SET GLOBAL max_connections=16384;

-- PostgreSQL
CREATE DATABASE test_platform ENCODING 'UTF8';

⚙️ 配置说明

数据库配置

cp .env.example .env 编辑 .env 文件:

# MySQL 配置
DB_TYPE=mysql
DB_HOST=localhost
DB_PORT=3306
DB_USER=root
DB_PASSWORD=your_password
DB_NAME=test_platform

# PostgreSQL 配置
# DB_TYPE=postgresql
# DB_HOST=localhost
# DB_PORT=5432
# DB_USER=postgres
# DB_PASSWORD=your_password
# DB_NAME=test_platform

2. 后端部署

cd backend

# 创建虚拟环境
python -m venv .venv

# 激活虚拟环境
# Windows
.venv\Scripts\activate
# Linux/Mac
source .venv/bin/activate

# 安装依赖
pip install -r requirements.txt

# 配置环境变量
cp .env.example .env
# 编辑 .env 文件,配置数据库连接信息

# 初始化数据库
python -m aerich init -t app.configs.config.tortoise_orm_conf
python -m aerich init-db
python db_manager.py setup

# 启动服务
python main.py
# 或使用 uvicorn
uvicorn main:app --host 0.0.0.0 --port 8018 --reload

# 启动接口自动化,APP自动化,UI自动化定时任务器
python -m scheduledtask.job

3. 前端部署

cd frontend

# 安装依赖
npm install

# 开发环境
npm run dev

# 生产环境
npm run build

4. 访问应用

前端: http://localhost:8018
API文档: AI配置
```
# OpenAI配置
OPENAI_API_KEY=sk-your-key-here
OPENAI_BASE_URL=https://api.openai.com/v1

# Azure OpenAI配置
AZURE_OPENAI_API_KEY=your-azure-key
AZURE_OPENAI_ENDPOINT=https://your-resource.openai.azure.com/
AZURE_OPENAI_API_VERSION=2024年02月15日-preview
```
向量数据库配置
```
# Qdrant配置
QDRANT_HOST=localhost
QDRANT_PORT=6333
QDRANT_API_KEY=your-qdrant-key
```
🔄 数据库切换

使用切换脚本
```
# 切换到 MySQL
python switch_database.py mysql

# 切换到 PostgreSQL
python switch_database.py postgresql
```
数据库迁移
```
# 首次初始化
python -m aerich init -t app.configs.config.tortoise_orm_conf
python -m aerich init-db
python db_manager.py setup

# 模型变更后
python -m aerich migrate --name "描述"
python -m aerich upgrade

# 或使用数据库管理器
python db_manager.py migrate
python db_manager.py upgrade
```
🎯 使用指南

1. 创建项目
1. 登录系统
2. 进入"项目管理"
3. 点击"新建项目"
4. 填写项目信息并保存
2. 配置LLM
1. 进入项目详情
2. 点击"LLM配置"
3. 添加LLM配置(OpenAI、Azure等)
4. 测试连接并保存
3. AI生成测试用例
1. 进入"测试用例"页面
2. 点击"AI用例生成"
3. 选择生成模式(在线/离线)
4. 输入需求描述
5. 选择LLM配置
6. 点击"生成"
7. 预览并保存用例
4. 需求管理
1. 进入"需求管理"
2. 上传需求文档或在线编辑
3. 使用AI进行需求拆分
4. 基于拆分结果生成测试用例
5. 进行需求评审
5. 自动化测试
1. 进入"自动化脚本"
2. 选择测试用例
3. 点击"生成脚本"
4. 选择框架类型(Pytest/Unittest等)
5. 下载或直接执行脚本
6. AI聊天助手
1. 点击左侧菜单"AI聊天助手"
2. 输入问题或需求
3. AI实时响应并提供建议
4. 支持代码生成、问题解答等
🛠️ 开发指南

代码风格
- Python: 遵循 PEP 8 规范,使用 Black 格式化
- TypeScript: 使用 ESLint + Prettier
- 提交信息: 遵循 Conventional Commits
项目结构
```
N-Tester/
├── backend/ # 后端服务
│ ├── app/ # 应用代码
│ ├── migrations/ # 数据库迁移
│ ├── logs/ # 日志文件
│ ├── requirements.txt # Python依赖
│ └── main.py # 入口文件
├── frontend/ # 前端应用
│ ├── src/ # 源代码
│ ├── public/ # 静态资源
│ └── package.json # Node依赖
├── docker-compose.yml # Docker编排
├── .env.example # 环境变量模板
└── README.md # 项目文档
```
API开发
1. 在 app/models/ 定义数据模型
2. 在 app/schemas/ 定义请求/响应模型
3. 在 app/services/ 实现业务逻辑
4. 在 app/routers/ 定义API路由
5. 使用 @router.add_get_route 等装饰器添加路由
前端开发
1. 在 src/views/ 创建页面组件
2. 在 src/api/ 定义API接口
3. 在 src/router/ 配置路由
4. 使用 Composition API 编写组件逻辑
🐛 常见问题

1. 端口被占用
```
# Windows
netstat -ano | findstr :8018
taskkill /PID <进程ID> /F

# Linux/Mac
lsof -ti:8018 | xargs kill -9
```
2. 数据库连接失败
- 确认数据库服务正在运行
- 检查 .env 中的数据库配置
- 确认数据库已创建
3. 依赖安装失败
```
# 使用国内镜像
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
npm install --registry=https://registry.npmmirror.com
```
4. AI功能无法使用
- 检查LLM配置是否正确
- 确认API密钥有效
- 检查网络连接
🚀 生产部署

使用Gunicorn
```
gunicorn main:app -c gunicorn_config_main.py
```
使用Nginx反向代理
```
server {
 listen 80;
 server_name your-domain.com;

 # 前端
 location / {
 root /path/to/frontend/dist;
 try_files $uri $uri/ /index.html;
 }

 # 后端API
 location /api {
 proxy_pass http://localhost:8018;
 proxy_set_header Host $host;
 proxy_set_header X-Real-IP $remote_addr;
 proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for;
 }

 # WebSocket
 location /ws {
 proxy_pass http://localhost:8018;
 proxy_http_version 1.1;
 proxy_set_header Upgrade $http_upgrade;
 proxy_set_header Connection "upgrade";
 }
}
```
📚 文档
- Docker部署
🤝 贡献

欢迎贡献代码、提出问题和建议!
1. Fork 本仓库
2. 创建特性分支 (git checkout -b feature/AmazingFeature)
3. 提交更改 (git commit -m 'Add some AmazingFeature')
4. 推送到分支 (git push origin feature/AmazingFeature)
5. 开启 Pull Request
📞 获取帮助

交流群

QQ群: 1074327520

添加作者微信进入微信群:Benicen

添加备注: N-Tester

问题反馈

如遇到问题,请:
1. 查看日志文件 logs/
2. 查看相关文档
3. 在 GitHub 提交 Issue
⭐ Star History

如果这个项目对你有帮助,请点击 Star 支持一下!

📄 许可证

本项目采用 MIT 许可证 - 详见 LICENSE 文件

🙏 致谢

感谢以下开源项目:
- Vue.js
- Element Plus
- 2
  
  仓库
  
  0
  
  PR

Star

Fork

成员(1)

16843998 rebortmyingz 1774014570

程序员皮特

N-Tester 企业级全栈测试平台

您正在申请加入N-Tester 企业级全栈测试平台

申请已成功提交

AI全栈测试平台2.0版本

AI全栈测试平台1.0版本

N-Tester AI测试平台

📖 项目介绍

🎯 核心特性

🏗️ 技术架构

后端架构

前端架构

AI技术栈

🚀 功能模块

1. 项目管理

1.1 项目基础管理

1.2 LLM配置管理

1.3 MCP配置管理

2. 测试用例管理

2.1 用例基础功能

2.2 AI用例生成

2.3 用例导入导出

3. 需求管理

3.1 需求文档管理

3.2 AI需求分析

3.3 需求模块化

4. 自动化测试

4.1 接口自动化

4.2 UI自动化

4.3 APP自动化

4.4 脚本执行

5. AI智能助手

5.1 AI聊天助手

5.2 Agent智能执行

6. 知识库管理

6.1 知识库基础

6.2 RAG检索

6.3 知识库应用

7. 测试执行与报告

7.1 测试执行

7.2 测试报告

7.3 数据看板

8. 系统管理

8.1 用户管理

8.2 角色权限

8.3 业务线管理

8.4 全局配置

🚀 快速启动

环境要求

在线体验

📦 部署方式

方式一:Docker一键部署(推荐)

Linux/Mac

Windows

方式二:一键部署脚本(推荐新手)

Linux/Mac

Windows

方式三:源码部署

1. 创建数据库

⚙️ 配置说明

数据库配置

2. 后端部署

3. 前端部署

4. 访问应用

向量数据库配置

🔄 数据库切换

使用切换脚本

数据库迁移

🎯 使用指南

1. 创建项目

2. 配置LLM

3. AI生成测试用例

4. 需求管理

5. 自动化测试

6. AI聊天助手

🛠️ 开发指南

代码风格

项目结构

API开发

前端开发

🐛 常见问题