1. 写在前面：为什么需要“智能断言”？

传统自动化测试的断言通常是：

   assert page.locator("#title").inner_text() == "Order Completed"

但现实情况是：

• • UI 文案可能新增空格/标点
• • 部分字段可能动态变化（如欢迎语、时间补全）
• • 页面布局可能调整导致选择器变化
• • 多语言环境导致文案略有不同
• • 后端返回提示可能随机（如“轻度错误恢复”）

这些情况导致：

• • ✔ 用例逻辑本身是对的
• • ❌ 断言因“过于严格”而失败
• • ❌ QA 花大量时间修复断言

👉 于是，“智能断言” 的需求出现了：

• • 使用 LLM（DeepSeek）自动生成断言意图
• • 使用 模糊判断 / 多层断言结构 增强鲁棒性
• • 使用 页面上下文 + 历史数据 自动修复断言

本篇我们要做的，就是开发一个：

• • AI 辅助的断言生成器（AI Assertion Generator）
  它将帮助测试人员：
• • 输入成功页面截图或 HTML
• • 让 DeepSeek 自动输出可执行的断言代码
• • 避免“过拟合断言”
• • 通过“多重断言策略”提升稳定性

支持“自动修复断言失败”能力

2. 整体流程：AI 智能断言工作流

流程如下：

   （1）捕获测试页面 HTML / 文案 / 元素结构
        ↓
（2）发送至 DeepSeek，让其分析成功状态核心要点
        ↓
（3）DeepSeek 输出智能断言：
      - 最小必要断言（核心逻辑）
      - 次级断言（可选）
      - 允许变化范围（模糊匹配）
        ↓
（4）将断言写入测试脚本
        ↓
（5）执行时如失败 → 进入 AI 自动修复模块（可选）

优势：

• • 不再依赖固定文案
• • 不再害怕UI 微调
• • 可自动生成一整套测试断言结构
• • 断言失败后还能自动修复

3. DeepSeek Prompt 模板：生成智能断言

以下 Prompt 经过你前面文章体系优化，可进一步复用 👇

   Prompt：输入给 DeepSeek 的模板
你是专业的自动化测试工程师。
现在我提供给你一次测试成功后的页面内容（HTML + 文案）。
请你分析：

1. 用户真正“完成任务”的核心成功标准是什么？
2. 生成 Playwright + Python 可执行断言代码，要求：
   - 使用 expect() 而不是 assert
   - 不对文案进行严格匹配，可用正则或包含判断
   - 断言数量不要超过 5 条
   - 每条断言解释“为什么要这么写”
3. 输出格式必须为：
{
  "assertions": [
      {"reason": "...", "code": "..."},
      ...
  ]
}

下面是页面 HTML：
<<<HTML_START>>>
{{html_content}}
<<<HTML_END>>>

4. Python 示例：调用 DeepSeek 自动生成断言

   import os
from openai import OpenAI
client = OpenAI(api_key=os.getenv("DEEPSEEK_API_KEY"),
                base_url="https://api.deepseek.com")

def generate_assertions(html_text: str):
    prompt = open("prompt_assertion.txt").read().replace("{{html_content}}", html_text)

    response = client.chat.completions.create(
        model="deepseek-chat",
        messages=[{"role": "user", "content": prompt}],
        temperature=0
    )

    return response.choices[0].message.content

运行示例：

   html = open("success_page.html").read()
result = generate_assertions(html)
print(result)

DeepSeek 将返回 JSON：

   {
  "assertions": [
    {
      "reason": "确认订单成功提示出现",
      "code": "expect(page.get_by_text(re.compile('order.*success', re.I))).to_be_visible()"
    },
    {
      "reason": "确认订单编号显示",
      "code": "expect(page.locator('#order-id')).not_to_be_empty()"
    }
  ]
}

5. 生成后的智能断言如何加入测试脚本？

实践版用法如下 👇

   import json
from playwright.sync_api import Page, expect

def run_ai_assertions(page: Page, ai_json: str):
    data = json.loads(ai_json)
    for item in data["assertions"]:
        print(f"AI 判断理由：{item['reason']}")
        exec(item['code'])

集成到用例：

   def test_checkout_success(page: Page):
    # 前置步骤 …
    page.goto("https://demo/checkout/success")

    # 导入 DeepSeek 的断言 JSON
    ai_json = open("assertion_output.json").read()

    run_ai_assertions(page, ai_json)

你会得到：

• • ✔ 断言自动生成
• • ✔ 自动解释
• • ✔ 自动执行
• • ✔ 更稳健

6. 可选：断言失败时自动修复（进阶）

你可以在异常捕获时：

• • 把报错文本
• • 断言上下文
• • 页面截图 HTML
• • 再一次发送给 DeepSeek，让其输出更新后的断言。

   def self_heal_assert(page, assertion_json):
    try:
        run_ai_assertions(page, assertion_json)
    except Exception as e:
        repair_input = {
            "error": str(e),
            "html": page.content(),
            "old_assertions": assertion_json
        }

        # 再次请求 deepseek 生成修复版断言
        repaired = repair_assertions(repair_input)
        with open("assertion_repaired.json", "w") as f:
            f.write(repaired)

        raise e

你可以在下一次 CI 执行时自动应用修复。

7. 最佳实践

• • ✔ 1. 深度总结页面“成功状态”

  确保 DeepSeek 理解“业务成功”的核心标准。

• • ✔ 2. 不要让 AI 生成过多断言

4–5 条足够。

• • ✔ 3. 使用 expect() 而非 assert

  Playwright 内置等待更稳。

• • ✔ 4. 反复迭代 Prompt，养成自己的“团队断言风格”
• • ✔ 5. 自动修复断言建议放在 CI 每夜任务

减少回归成本。

8. 示例文件打包结构

   ai_assertions/
│— prompt_assertion.txt
│— generate_assertions.py
│— run_test.py
│— success_page.html
│— assertion_output.json

你可以在前面“AI 自动生成 POM”“AI 自动修复用例”等教程之上继续扩展这个能力。

9. 小结：智能断言，是 AI 自动化测试最容易落地的一块

本篇教程帮助你：

用 DeepSeek 生成稳健断言

• • 大幅降低“断言失败”误报
• • 打造 AI 自适应测试
• • 为后续的“AI 质量周报”“AI 自愈系统”打基础