测试人学习效率翻倍：这个 GitHub AI助手太省时间了- 大数跨境

首页

测试人学习效率翻倍：这个 GitHub AI助手太省时间了

51Testing软件测试网

2026-09-07

导读：十年测试老手基于MCP+OpenAI SDK+Chainlit构建GitHub助手，用自然语言搜索、分析开源测试项目，提升学习效率，附环境搭建与核心代码。

前言

干了10年+测试，我有个习惯：遇到新工具、新框架，第一反应就是上 GitHub 看看。但说实话，这个过程挺折磨人的。

记得去年想找个好用的 API 测试框架，我在 GitHub 上搜了整整一个下午。输入"api testing"，出来 2 万多个结果。点开前几个，要么是几年没更新的，要么文档写得跟天书一样。有的时候你明明知道某个工具很火，但就是找不到它的最佳实践项目。

我花了一个周末时间，基于 MCP + OpenAI SDK + Chainlit 搞了个小工具，它能让 AI 直接调用 GitHub API，帮我们做那些繁琐的搜索、分析工作。

现在，我可以用自然语言告诉它："帮我找找最近半年最火的 Python 测试框架，要测试覆盖率高的，社区活跃的。" 然后它就能给我一份详细的报告，包括项目特点、代码质量、社区活跃度，甚至还能分析测试结构。

这篇文章，就是我想跟你分享的这个工具，以及我是怎么用它来提升学习效率的。

一：这玩意儿到底是怎么工作的？

1.1 MCP：让 AI 学会"动手"

以前你想让 AI 分析一个 GitHub 项目，你得自己先搜出来，然后把链接、README 都复制粘贴给 AI。现在有了 MCP，你只需要说："帮我分析一下 pytest 项目的测试结构"，AI 就会自己：

去 GitHub 搜索 pytest 仓库

读取 README 和关键文件

分析测试目录结构

总结出测试策略

整个过程完全自动化，你只需要看着就行。

1.2 为什么选这套技术栈？

我试过好几种方案，最后选了 Python + MCP + OpenAI + Chainlit，原因很简单：

Python 3.12+：测试工程师最熟悉的语言，不用学新东西

MCP SDK：官方出品，稳定可靠，文档齐全

OpenAI SDK：兼容性好，通义千问、DeepSeek等都能用

Chainlit：界面漂亮，还能看到 AI 的思考过程

为什么不选别的？

LangChain：太复杂了，学起来头疼，而且很多功能我们用不上

纯 API 调用：代码写起来麻烦，调试更麻烦

Claude Desktop：功能受限，想定制点东西都不行

1.3 工作原理

二、环境搭建

2.1 系统要求检查

在开始之前，请确保你的系统满足以下要求：

软件要求：

Node.js：>= 22.0.0

Python：>= 3.12

验证安装：

BASH

   # 检查 Node.js 版本
   
   node --version  # 应显示 v22.x.x 或更高
   
   # 检查 Python 版本
   
   python --version  # 应显示 Python 3.12.x 或更高

如果版本不符合要求，请访问官网下载最新版本：

Node.js: https://nodejs.org/

Python: https://www.python.org/downloads/

2.2 创建项目目录和虚拟环境

虚拟环境是 Python 项目的最佳实践，它可以隔离项目依赖，避免版本冲突。

BASH

   # 创建项目目录
   
   mkdir mcp-github-assistant
   
   cd mcp-github-assistant
   
   # 创建 Python 虚拟环境
   
   python -m venv venv
   
   # 激活虚拟环境
   
   # Windows:
   
   venv\Scripts\activate
   
   # macOS/Linux:
   
   source venv/bin/activate

重要提示：每次打开新的终端窗口时，都需要重新激活虚拟环境。

2.3 安装 Python 依赖

在激活的虚拟环境中安装所需的库：

BASH

   pip install mcp openai chainlit python-dotenv
   
  

依赖说明：

mcp：MCP 协议的 Python SDK

openai：OpenAI API 客户端（兼容多种 AI 模型）

chainlit：AI 应用 UI 框架

python-dotenv：环境变量管理工具

2.4 验证 GitHub MCP 服务器

GitHub MCP 服务器是一个 Node.js 包，通过 npx 运行：

BASH

   npx -y @modelcontextprotocol/server-github --version
   
  

如果看到版本号，说明安装成功。首次运行时，npx 会自动下载并缓存该包。

2.5 获取 GitHub Personal Access Token

这是最关键的一步，没有 Token 就无法访问 GitHub API。

详细步骤：

点击 Generate new token → Generate new token (classic)

填写 Token 描述：MCP GitHub Assistant for Testing

设置过期时间：建议选择 90 days（可根据需要调整）

选择权限范围：

针对测试人员的推荐配置：

- public_repo（访问公开仓库）- 必选

- read:user（读取用户信息）- 推荐

- read:org（读取组织信息）- 推荐

- repo（完整仓库访问）- 不推荐（权限过大）

- delete_repo（删除仓库）- 不推荐（危险操作）

点击 Generate token

立即复制生成的 Token（格式：ghp_xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx）

将 Token 保存到安全的地方（如密码管理器）

安全提示：

Token 等同于密码，切勿分享或提交到 Git 仓库

如果 Token 泄露，立即在 GitHub 上撤销并重新生成

定期更换 Token（建议每 90 天）

2.6 配置 AI 模型 API

本方案支持多种 AI 模型，你可以根据预算和需求选择，这里以心流为例：

获取步骤：

访问 https://platform.iflow.cn/

注册账号并完成实名认证

在 API Keys 页面创建新密钥

复制 API Key

配置参数：

ENV

   AI_MODEL=qwen3-max
   
   BASE_URL=https://apis.iflow.cn/v1
   
   API_KEY=sk-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx

2.7 创建配置文件

在项目根目录创建 .env 文件，打开 .env，填入以下内容：

ENV

   # AI 模型配置（根据你的选择填写）
   
   AI_MODEL=qwen3-max
   
   BASE_URL=https://apis.iflow.cn/v1
   
   API_KEY=你的AI_API_KEY
   
   # GitHub 配置
   
   GITHUB_TOKEN=你的GitHub_Personal_Access_Token

三、核心代码实现

3.1 项目结构

CODE

   mcp-github-assistant/
   
   ├── venv/                 # Python 虚拟环境
   
   ├── .env                  # 环境变量配置（敏感信息）
   
   ├── app.py                # 主程序文件

3.2 创建主程序文件 app.py

创建 app.py 文件，这是整个应用的核心：

PYTHON

   """GitHub助手 - 使用OpenAI SDK + MCP直接调用"""
   
   import os
   
   import json
   
   import asyncio
   
   from dotenv import load_dotenv
   
   import chainlit as cl
   
   from openai import AsyncOpenAI
   
   from mcp import ClientSession, StdioServerParameters
   
   from mcp.client.stdio import stdio_client
   
   # 加载环境变量
   
   load_dotenv()
   
   # 初始化 OpenAI 客户端
   
   client = AsyncOpenAI(
   
   api_key=os.getenv("API_KEY"),
   
   base_url=os.getenv("BASE_URL")
   
   )
   
   # MCP 服务器配置 (GitHub)
   
   GITHUB_PARAMS = StdioServerParameters(
   
   command="npx",
   
   args=["-y", "@modelcontextprotocol/server-github"],
   
   env={
   
   "GITHUB_TOKEN": os.getenv("GITHUB_TOKEN"),
   
   }
   
   )
   
   async def get_mcp_tools(session):
   
   """获取 MCP 工具并转换为 OpenAI 格式"""
   
   mcp_tools = await session.list_tools()
   
   return [
   
   {
   
   "type": "function",
   
   "function": {
   
   "name": tool.name,
   
   "description": tool.description or "",
   
   "parameters": tool.inputSchema,
   
   },
   
   }
   
   for tool in mcp_tools.tools
   
   ]
   
   @cl.on_chat_start
   
   async def start():
   
   """应用启动时的初始化"""
   
   cl.user_session.set("history", [])
   
   await cl.Message(
   
   content="🤖 GitHub 助手已上线！\n\n我可以帮您：\n"
   
   "- 搜索测试相关的开源项目\n"
   
   "- 分析项目的测试框架和代码质量\n"
   
   "- 读取项目文档和代码文件\n"
   
   "- 追踪 Issue 和 Pull Request\n\n"
   
   "请告诉我您想了解什么？"
   
   ).send()
   
   @cl.on_message
   
   async def main(message: cl.Message):
   
   """处理用户消息的主函数"""
   
   history = cl.user_session.get("history", [])
   
   history.append({"role": "user", "content": message.content})
   
   # 建立 MCP 连接
   
   async with stdio_client(GITHUB_PARAMS) as (read, write):
   
   async with ClientSession(read, write) as session:
   
   await session.initialize()
   
   # 获取工具列表
   
   openai_tools = await get_mcp_tools(session)
   
   # 准备流式回复容器
   
   final_answer = cl.Message(content="")
   
   # 最大迭代次数，防止无限循环
   
   max_iterations = 20
   
   iteration = 0
   
   task_completed = False
   
   while iteration < max_iterations and not task_completed:
   
   iteration += 1
   
   # 发送请求给 AI
   
   response = await client.chat.completions.create(
   
   model=os.getenv("AI_MODEL", ""),
   
   messages=history,
   
   tools=openai_tools,
   
   tool_choice="auto"
   
   )
   
   msg_obj = response.choices[0].message
   
   history.append({
   
   "role": "assistant",
   
   "content": msg_obj.content or "",
   
   "tool_calls": msg_obj.tool_calls
   
   })
   
   # 如果没有工具调用，说明任务完成
   
   if not msg_obj.tool_calls:
   
   task_completed = True
   
   final_answer.content = msg_obj.content or ""
   
   await final_answer.send()
   
   break
   
   # 处理所有工具调用
   
   for tool_call in msg_obj.tool_calls:
   
   func_name = tool_call.function.name
   
   func_args = json.loads(tool_call.function.arguments)
   
   # 在 UI 上展示执行步骤
   
   async with cl.Step(name=f"🔧 {func_name}") as step:
   
   step.input = func_args
   
   # 执行 MCP 工具调用
   
   try:
   
   tool_result = await session.call_tool(func_name, func_args)
   
   result_text = "\n".join([
   
   c.text if hasattr(c, 'text') else str(c)
   
   for c in tool_result.content
   
   ]) if hasattr(tool_result, 'content') else str(tool_result)
   
   step.output = result_text
   
   except Exception as e:
   
   step.output = f"❌ 执行失败: {str(e)}"
   
   result_text = str(e)
   
   # 将工具结果添加到历史
   
   history.append({
   
   "role": "tool",
   
   "tool_call_id": tool_call.id,
   
   "name": func_name,
   
   "content": result_text
   
   })
   
   # 如果达到最大迭代次数但任务未完成，生成最终回答
   
   if not task_completed:
   
   final_response = await client.chat.completions.create(
   
   model=os.getenv("AI_MODEL", ""),
   
   messages=history,
   
   stream=True
   
   )
   
   async for chunk in final_response:
   
   if chunk.choices[0].delta.content:
   
   await final_answer.stream_token(chunk.choices[0].delta.content)
   
   await final_answer.send()
   
   cl.user_session.set("history", history)

......

本文节选自第九十一期《51测试天地》

原创文章

《测试人员的GitHub开源项目探索指南:用AI助手加速学习之旅》

文章后续为大家详细讲解了：
使用场景、进阶技巧与学习方法论等

想继续阅读全文

或查看更多《51测试天地》的原创文章

请点击下方 阅读原文或扫描二维码 查看

声明：本文为51Testing软件测试网 blues_C 用户投稿内容，该用户投稿时已经承诺独立承担涉及知识产权的相关法律责任，并且已经向51Testing承诺此文并无抄袭内容。发布本文的用途仅仅为学习交流，不做任何商用，未经授权请勿转载，否则作者和51Testing有权追究责任。如果您发现本公众号中有涉嫌抄袭的内容，欢迎发送邮件至:editor@51testing.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。

【声明】内容源于网络

51Testing软件测试网

博为峰51Testing软件测试网提供各种线上招聘、线上课程等网络服务，出版软件测试系列丛书及电子杂志，组织线上技术交流活动；同时还举办多种线下公益活动，如软件测试沙龙、软件测试专场招聘会等。

内容 3941

粉丝 0

51Testing软件测试网博为峰51Testing软件测试网提供各种线上招聘、线上课程等网络服务，出版软件测试系列丛书及电子杂志，组织线上技术交流活动；同时还举办多种线下公益活动，如软件测试沙龙、软件测试专场招聘会等。

总阅读3.0k

粉丝0

内容3.9k