本文介绍了使用LangChain MCP Adapter将Playwright MCP工具适配为LangChain Agent Tools，实现自然语言驱动的自动化测试方法。通过详细步骤展示了环境配置、项目初始化和代码实现，让测试人员无需编写代码，只需自然语言指令即可完成测试执行、验证、截图与报告生成，极大降低了自动化测试门槛，提高了测试效率和维护便利性。

---

在上一篇文章中，我们介绍了[如何借助 Playwright MCP 和大语言模型（LLM）结合，快速生成结构清晰、稳定可靠的自动化测试脚本]

那有没有可能连测试代码都不写，通过自然语言就能驱动自动化测试流程，并自动完成执行、验证、截图与报告并与CICD集成？

答案是：当然可以！

那就是通过LangChain MCP Adapter，就可以将MCP工具自动适配为LangChain的Agent Tools，并与LangGraph代理组合使用，实现自然语言驱动的自动测试！

LangChain MCP Adapter将MCP工具转化为LangChain工具，以便与LangGraph代理一起使用，具体参考：

https://changelog.langchain.com/announcements/mcp-adapters-for-langchain-and-langgraph

环境准备

01

前置准备（Prerequisites）

Node.js

因为MCP其实就是nodejs程序，要运行MCP我们需要安装Nodejs环境，

访问 https://nodejs.org/en/download 下载并安装推荐版本。

Playwright

安装完 Node.js 后，可以使用以下命令安装 Playwright 及其浏览器依赖：

• npm install -g playwright：

  全局安装 Playwright，使其在所有项目中可用

• npx playwright install：

  安装 Playwright 所需的 Chromium、Firefox 和 WebKit 浏览器。

02

安装Playwright MCP

Playwright MCP 有两个常用的实现版本，两个MCP库都可以使用：

• @playwright/mcp：

  由Microsoft官方发布和维护，是最基础、最标准的MCP客户端实现

• @executeautomation/playwright-mcp-server：

  由社区开发者@executeautomation 构建，功能更加丰富，例如支持多页签、截图、保存测试结果等扩展能力，适合进阶使用者或自动化测试场景更复杂的项目。

安装Playwright MCP

• npm install -g

  @playwright/mcp

• npm install -g

  @executeautomation/playwright-mcp-server

输入以下命令验证安装成功

• npx @playwright/mcp --version

项目初始化

01

项目结构说明

我们首先创建一个简单的项目目录，结构如下：

mcp-smoke-test/

02

安装依赖

在 requirements.txt 中添加如下依赖项：

mcp~=1.9.4

使用以下命令安装所有依赖：

• pip install -r requirements.txt

03

API Key 设置

在这个示例中使用的大模型是gpt-4o，当然大家也可以使用大模型

为了访问cahtgpt,首先在项目根目录下创建一个 .env 文件，添加以下内容：

OPENAI_API_KEY=sk-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx

示例代码Walkthrough讲解

第一步：

配置 Playwright MCP 并加载 LLM 工具链

按照惯例我们先引入依赖，并读取环境变量

import asyncio

现在开始逐步完成，我们先配置MCP Server：

# 配置 Playwright MCP Server 启动参数

• -headless=false 方便调试时查看浏览器操作；

• -isolated 避免浏览器状态干扰。

配置好 MCP Server 后，接下来我们就可以正式运行大模型 + 浏览器的测试自动化流程了。以下是核心的执行代码

asyncdefmain():

• 启动 stdio_client 与 MCP Server 建立连接；

• 使用 ClientSession 初始化一个会话；

• 加载 MCP 提供的工具（如点击、导航、截图等）；

• 初始化语言模型（使用 gpt-4o）；

• 创建一个REACT Agent，并将MCP的tools交给agent

第二步：

构建Prompt

以下的这段Prompt指定了测试流程的每个步骤，并要求最后截图和生成可展示的 Markdown 格式的测试报告。

# Prompt Template

第三步：

运行Agent并生成测试报告

完成Prompt设置后，我们就可以启动Agent执行自动化测试任务了。因为Agent已经获取了所有MCP的tools ，Agent会自动解析prompt并通过MCP工具完成所有操作（打开网页、执行搜索、截图等）。

# 运行 agent

Utils函数说明

utils.py 中包含了几个关键方法，主要用于提取截图路径、复制截图文件以及格式化输出测试过程，具体如下：

1.find_screenshot_path_from_response(response)

遍历大模型响应中的消息，查找playwright_screenshot工具的输出并提取截图保存路径。

2. extract_screenshot_path(tool_output)

使用正则表达式从输出的截图路径中提取截图文件的相对路径，并转换为绝对路径。

3. copy_screen_shot(source_path, dest_path)

将截图从原始位置复制到指定路径（如 reports/screenshots），方便在测试报告中引用。

4. print_messages(response)

格式化输出整个模型执行过程

import os

最后添加运行入口

# 运行

运行client.py后控制台会输出完整的流程信息，包括模型调用的工具、执行的操作、截图保存路径等内容：

自动生成的测试报告如下图所示：

总结

借助 LangChain与Playwright MCP，我们成功构建了一个从自然语言指令到自动化测试执行与报告生成的端到端流程。

这不仅提升了测试效率，更为测试团队带来了一个全新的可落地的实践方式 —— 自然语言驱动自动化。

测试人员不用再去编写和维护自动化测试代码了，只需几句话，极大降低了自动化测试的门槛与维护成本。这正是智能测试的核心价值：更快、更稳定、更智能。

零基础如何高效学习大模型？

为了帮助大家打破壁垒，快速了解大模型核心技术原理，学习相关大模型技术。从原理出发真正入局大模型。在这里我和MoPaaS魔泊云联合梳理打造了系统大模型学习脉络，这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码免费领取🆓**⬇️⬇️⬇️

【大模型全套视频教程】

教程从当下的市场现状和趋势出发，分析各个岗位人才需求，带你充分了解自身情况，get 到适合自己的 AI 大模型入门学习路线。

从基础的 prompt 工程入手，逐步深入到 Agents，其中更是详细介绍了 LLM 最重要的编程框架 LangChain。最后把微调与预训练进行了对比介绍与分析。

同时课程详细介绍了AI大模型技能图谱知识树，规划属于你自己的大模型学习路线，并且专门提前收集了大家对大模型常见的疑问，集中解答所有疑惑！

深耕 AI 领域技术专家带你快速入门大模型

跟着行业技术专家免费学习的机会非常难得，相信跟着学习下来能够对大模型有更加深刻的认知和理解，也能真正利用起大模型，从而“弯道超车”，实现职业跃迁！

【精选AI大模型权威PDF书籍/教程】

精心筛选的经典与前沿并重的电子书和教程合集，包含《深度学习》等一百多本书籍和讲义精要等材料。绝对是深入理解理论、夯实基础的不二之选。

【AI 大模型面试题 】

除了 AI 入门课程，我还给大家准备了非常全面的**「AI 大模型面试题」，**包括字节、腾讯等一线大厂的 AI 岗面经分享、LLMs、Transformer、RAG 面试真题等，帮你在面试大模型工作中更快一步。

【大厂 AI 岗位面经分享（92份）】

【AI 大模型面试真题（102 道）】

【LLMs 面试真题（97 道）】

【640套 AI 大模型行业研究报告】

【AI大模型完整版学习路线图（2025版）】

明确学习方向，2025年 AI 要学什么，这一张图就够了！

👇👇点击下方卡片链接免费领取全部内容👇👇

抓住AI浪潮，重塑职业未来！

科技行业正处于深刻变革之中。英特尔等巨头近期进行结构性调整，缩减部分传统岗位，同时AI相关技术岗位（尤其是大模型方向）需求激增，已成为不争的事实。具备相关技能的人才在就业市场上正变得炙手可热。

行业趋势洞察：

• 转型加速： 传统IT岗位面临转型压力，拥抱AI技术成为关键。
• 人才争夺战： 拥有3-5年经验、扎实AI技术功底和真实项目经验的工程师，在头部大厂及明星AI企业中的薪资竞争力显著提升（部分核心岗位可达较高水平）。
• 门槛提高： “具备AI项目实操经验”正迅速成为简历筛选的重要标准，预计未来1-2年将成为普遍门槛。

与其观望，不如行动！

面对变革，主动学习、提升技能才是应对之道。掌握AI大模型核心原理、主流应用技术与项目实战经验，是抓住时代机遇、实现职业跃迁的关键一步。

01 为什么分享这份学习资料？

当前，我国在AI大模型领域的高质量人才供给仍显不足，行业亟需更多有志于此的专业力量加入。

因此，我们决定将这份精心整理的AI大模型学习资料，无偿分享给每一位真心渴望进入这个领域、愿意投入学习的伙伴！

我们希望能为你的学习之路提供一份助力。如果在学习过程中遇到技术问题，也欢迎交流探讨，我们乐于分享所知。

*02 这份资料的价值在哪里？*

专业背书，系统构建：

• 本资料由我与MoPaaS魔泊云的鲁为民博士共同整理。鲁博士拥有清华大学学士和美国加州理工学院博士学位，在人工智能领域造诣深厚：

• • 在IEEE Transactions等顶级学术期刊及国际会议发表论文超过50篇。
  • 拥有多项中美发明专利。
  • 荣获吴文俊人工智能科学技术奖（中国人工智能领域重要奖项）。

• 目前，我有幸与鲁博士共同进行人工智能相关研究。

内容实用，循序渐进：

• 资料体系化覆盖了从基础概念入门到核心技术进阶的知识点。

• 包含丰富的视频教程与实战项目案例，强调动手实践能力。

• 无论你是初探AI领域的新手，还是已有一定技术基础希望深入大模型的学习者，这份资料都能为你提供系统性的学习路径和宝贵的实践参考，助力你提升技术能力，向大模型相关岗位转型发展。

  

抓住机遇，开启你的AI学习之旅！