一转眼，已经工作8年了，“回味”一下，这一年在做什么事情，做了哪些事情，成了哪些事情。

不仅团队在布局大模型、智能体领域，还需要对当前业界AI测试工具的探索和二次开发，以便更适应企业的业务。 这一忙就是小一年。

这时候你是不是就好奇的问到：那这一次，你会给我们聊哪些最新的测试工具呢，哪些测试方法，以及如何在场景中应用呢？

嗯，没错的，这次会分系列文章来聊，这次依然会聊AI：即AI测试工具， 智能体测试系列专栏等等。

所以，是不是很期待哦， 我也是蛮期待的。

好了，咱闲言少叙，书说简短，开启今天的AI工具探索之：Midscene.js 。

Midscene.js简介

2.1 什么是Midscene.js

提到Midscene.js，是不是很多小伙伴很陌生，它就仅仅是一个自动化 工具么？ 它的神奇之处是什么？

别着急，跟着我的思路，咱逐层揭开Midscene.js的面纱。

Midscene.js 是由字节跳动 Web Infra 团队开源的一款基于 AI 的 UI 自动化工具，支持通过自然语言描述实现对网页、移动端、自动化测试和脚本编写等操作。

Midscene.js兼容 JavaScript SDK、YAML 脚本和 Chrome  插件，可深度集成 Playwright、Puppeteer 等主流框架，实现智能、高效、低门槛的自动化体验。

2.2 Midscene.js与其他工具差异

说到Midscene.js，就不得不提另一个工具Browser Use，这里，我通过技术栈与生态、核心功能与 API 设计、多模态与 AI 能力、使用门槛等来分别对比这两个工具的差异。

技术栈与生态

通过上述的对比，可以更直观地看到：

• Browser Use 属于 Python 生态，AI 模型适配性极广，适合后端/算法团队；

• Midscene.js 属于 JS/TS 生态，深度集成前端工程链，适合前端测试和自动化项目

核心功能与 API 设计

同样，Midscene.js 的 aiQuery/aiAssert 等 API 设计更适合测试和自动化，Browser Use 适合灵活的任务规划和数据采集。

多模态与 AI 能力

两者均支持视觉理解和模型私有化：

• Midscene.js 在多模态 UI 理解和动态适配上更突出

• Browser Use 在模型生态和自定义能力上更强

应用场景

在应用场景上， Browser Use 更适合爬虫、智能代理等复杂场景，Midscene.js 更适合前端测试、轻量自动化和 CI/CD 集成。

使用门槛

在使用门槛：

• Midscene.js 的 Chrome 插件和 YAML 脚本大幅降低上手门槛

• Browser Use 需 Python 环境和 LangChain 知识，但功能扩展更自由

所以，我相信除大部分测试团队在选择工具侧时候， 除了考察工具的应用能力，可拓展性，更重要的是看这个工具的使用门槛和上手速度。

综上所述，我相信，大家对Browser Use 和Midscen.js 这两款工具都有了一些初步的了解。

那是不是有同学会问了， 既然要聊Midscen.js，不会仅仅让我们了解这两款工具的差异点吧，还有其他的让我们了解的么？

那是当然，关于Midscen.js的安装、模型配置等，我们继续往下聊。

Midscene.js安装

3.1手动下载安装

1、在Github 下载release压缩包，路径：

https://github.com/web-infra-dev/midscene/releases

2、本地解压后，添加到chrome或edage浏览器的拓展里面

3.2在chrome浏览器下载插件安装

相对于通过Github下载安装包，这个方法更便捷， 直接在chrome应用商店搜索“Midscene.js”，找到后直接安装即可

3.3命令行安装

3.3.1 Npm 安装

如果要通过sdk安装，可以直接执行下面这个命令

npm install midscene.js

一键获取完整项目代码

同样，没有什么难度， 这里就不过多赘述

3.3.2 源码安装

这种方式安装是最常见的，并且可以本地部署，也可以对源码进行二次优化，具体执行如下：

git clone https://github.com/web-infra-dev/midscene.gitcd midscene  

一键获取完整项目代码

Midscene.js模型配置

上述方法选择其中一个安装完成后，我们就需要配置模型了，到现在，Midscene.js已经可以适配视觉语言模型和 LLM 模型 ，这对我们来说非常友好，这或许也是为啥迅速在测试领域“受宠”的原因吧。

4.1视觉语言模型配置

关于Midscene.js对视觉语言模型适配有：千问VL 、豆包系列视觉语言模型、Gemini-2.5-Pro 、UI-TARS 。

这里，我主要介绍豆包 系列视觉语言模型和千问模型的配置方法。

豆包系列视觉语言模型，配置如下：

OPENAI_BASE_URL="https://ark.cn-beijing.volces.com/api/v3"  #模型urlOPENAI_API_KEY="...." #自己的API 秘钥，MIDSCENE_MODEL_NAME="ep-..." # 推理模型接入点 ID 或模型名称MIDSCENE_USE_DOUBAO_VISION=1

一键获取完整项目代码

使用 Qwen3-VL 模型的配置

OPENAI_BASE_URL="https://dashscope.aliyuncs.com/compatible-mode/v1"OPENAI_API_KEY="......"MIDSCENE_MODEL_NAME="qwen3-vl-plus"MIDSCENE_USE_QWEN3_VL=1 # 注意，这个参数与 MIDSCENE_USE_QWEN_VL 不能同时使用

一键获取完整项目代码

其他的模型配置跟千问模型和豆包视觉模型类似， 就不在这里一一展示了。

关于通用配置说明，如下：

4.2LLM配置

关于LLM， 我不会做过多介绍， 因为LLM 会在Midscene.js v1.05之后版本不再支持。

这里，就了解一下即可。

OPENAI_API_KEY="***"OPENAI_BASE_URL="***"MIDSCENE_MODEL_NAME="gpt-4o "

一键获取完整项目代码

到这里，关于Midscene.js的基础知识以及前期准备已经完成。接下来，会带着我们实战了，分别为WebUI ,Android、iOS、API等。

感谢每一个认真阅读我文章的人！！！

作为一位过来人也是希望大家少走一些弯路，如果你不想再体验一次学习时找不到资料，没人解答问题，坚持几天便放弃的感受的话，在这里我给大家分享一些自动化测试的学习资源，希望能给你前进的路上带来帮助。

软件测试面试文档

我们学习必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有字节大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

 

          视频文档获取方式：
这份文档和视频资料，对于想从事【软件测试】的朋友来说应该是最全面最完整的备战仓库，这个仓库也陪伴我走过了最艰难的路程，希望也能帮助到你！以上均可以分享，点下方小卡片即可自行领取。