引言：

在 Dify 自动化测试的宏大版图中，skyvern 的加入无疑是一场具有深远影响的重大变革，为测试工作带来了前所未有的突破和提升 。

在解决传统测试工具难题方面，skyvern 展现出了强大的实力。传统的测试工具在面对网页元素定位和操作时，往往依赖于固定的元素定位方式，如 XPath 或 DOM 解析。然而，现代网页的布局和结构日益复杂，且更新迭代频繁，这使得传统测试工具的稳定性和适应性受到了极大的挑战。一旦网页的布局发生变化，哪怕只是微小的调整，基于 XPath 或 DOM 解析的测试脚本就可能会失效，需要耗费大量的时间和精力进行重新编写和调试。而 skyvern 则彻底摆脱了对这些固定元素定位方式的依赖，它通过视觉大模型和计算机视觉技术，让机器能够像人类一样 “看懂” 网页，根据网页的语义和视觉信息来定位和操作元素。这就好比一个人在浏览网页时，不会因为按钮的位置或颜色发生了变化而找不到它，而是能够根据按钮上的文字和周围的上下文信息来识别它。例如，在测试一个电商网站的购物流程时，如果使用传统测试工具，当网站的商品详情页进行了改版，原本用于添加商品到购物车的按钮位置发生了改变，测试脚本就可能会出错。但如果使用 skyvern，它能够通过对网页的视觉理解，准确地找到新位置的添加购物车按钮，并顺利完成操作，大大提高了测试的稳定性和可靠性。

从增强 Dify 测试适应性角度来看，skyvern 使得 Dify 能够轻松应对各种不同类型和风格的网页。无论是简单的静态网页，还是复杂的动态网页，skyvern 都能够快速理解其结构和内容，准确地执行测试任务。而且，skyvern 还具备强大的跨网站通用性，同一个测试工作流可以直接应用于不同的网站，无需为每个网站单独定制测试脚本。这就像是一把万能钥匙，能够打开各种不同的锁。比如，在进行多平台电商应用的测试时，使用 skyvern 可以编写一套通用的测试工作流，用于测试不同电商平台的商品搜索、购买等功能，极大地提高了测试效率和覆盖面，降低了测试成本。

skyvern 还显著增强了 Dify 测试的准确性。它能够通过对网页元素的精准理解和分析，避免因元素定位不准确或操作不当而导致的测试错误。同时，skyvern 还具备智能推理能力，能够根据测试过程中的实际情况，自动调整操作策略，确保测试结果的准确性和可靠性。例如，在测试一个在线表单填写功能时，skyvern 可以根据表单字段的提示信息和用户输入的内容，智能地判断输入是否符合要求，并及时给出相应的提示和反馈，从而提高了测试的准确性和有效性。

我们可以先Centos环境下调试

# 测试登录

curl -X POST http://localhost:8000/run \ -H "Content-Type: application/json" \ -d '{"description":"打开 http://192.168.0.30/ceshi\n点击用户名输入框\n输入 admin\n点击密码输入框\n输入 admin123\n点击登录按钮\n等待3秒"}'

输出结果

若页面元素抓取不到

 调页面元素（可以不操作）

# 进入容器
docker exec -it skyvern bash

# 运行 Python 调试脚本
python3 << 'PYEOF'
from playwright.sync_api import sync_playwright

with sync_playwright() as p:
    browser = p.chromium.launch(headless=True)
    page = browser.new_page()
    page.goto('http://192.168.0.30/ceshi')
    
    print('=== 所有输入框 ===')
    inputs = page.locator('input').all()
    for i, inp in enumerate(inputs):
        input_type = inp.get_attribute('type')
        input_name = inp.get_attribute('name')
        input_placeholder = inp.get_attribute('placeholder')
        input_class = inp.get_attribute('class')
        print(str(i) + ': type=' + str(input_type) + ', name=' + str(input_name) + ', placeholder=' + str(input_placeholder) + ', class=' + str(input_class))
    
    print('\n=== 所有按钮 ===')
    buttons = page.locator('button').all()
    for i, btn in enumerate(buttons):
        btn_text = btn.text_content()
        btn_type = btn.get_attribute('type')
        print(str(i) + ': text=' + str(btn_text) + ', type=' + str(btn_type))
    
    browser.close()
PYEOF

exit

# 退出容器
exit

调整/opt/skyvern下 skyvern_server.py代码

第1步：登录 Dify

浏览器打开：http://192.168.0.18:8080

第2步：创建新工作流

  1. 点击 创建应用 → 工作流

  2. 命名为 "自动化登录"

📝 配置工作流节点

节点1：开始节点

点击开始节点，添加输入变量：

  • 变量名：test_description

  • 类型：文本

  • 标题：测试需求描述

节点2：HTTP 请求节点（调用 Skyvern）

点击 + 添加节点 → 选择 HTTP 请求

配置：

URL: http://localhost:8000/run

Method: POST

Headers:

  Content-Type: application/json

Body:

{
  "description": "打开 http://192.168.0.130/测试\n输入用户名 admin\n输入密码 admin123\n点击登录按钮\n等待3秒"
}

节点3：结束节点

点击 + → 结束

输出变量选择 HTTP 请求节点的 body

🎯 发布并测试

第1步：发布工作流

点击右上角 发布

第2步：运行测试

点运行

在测试需求描述中不要输入

点击 运行

运行结果

Logo
AtomGit开源社区

AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。

更多推荐

蒙特卡洛风光场景并通过削减法聚类法得到几个典型场景（包含Matlab代码和Python代码实现）

蒙特卡洛方法是一种基于随机抽样的数值计算方法，通过多次随机抽样来估计系统的行为，从而得到系统的统计性质。在风光模型中，蒙特卡洛方法可以用来模拟风速、风向和太阳光照的变化，进而评估风力和太阳能系统在不同条件下的性能。

avatar AtomGit开源社区

蒙特卡洛风光场景并通过削减法聚类法得到几个典型场景（包含Matlab代码和Python代码实现）

蒙特卡洛方法是一种基于随机抽样的数值计算方法，通过多次随机抽样来估计系统的行为，从而得到系统的统计性质。在风光模型中，蒙特卡洛方法可以用来模拟风速、风向和太阳光照的变化，进而评估风力和太阳能系统在不同条件下的性能。

avatar AtomGit开源社区

【EI复现】基于元模型优化算法的主从博弈多虚拟电厂动态定价和能量管理(Matlab代码实现）

基于元模型的优化算法是一种基于历史数据来驱动样本点的加入从而逼近局部或全局最优解的优化机制，能够改善传统启发式智能算法需要繁复数值模拟的缺陷，目前在飞行器设计等航空航天领域的应用[20]最为广泛，在电力系统方面也有初步的应用。提出基于 Kriging 元模型的博弈均衡算法，在求解过程中建立 Kriging 元模型替代 VPP 内部的能量管理模型，利用粒子群优化算法搜索优异采样点，更新修正 Krig

avatar AtomGit开源社区