ai-qa-platform

AI QA 平台致力于让每次交付都有可核对的证据。它通过资料解析与版本化规则生成标准用例，支持真实浏览器、API 和隔离运行器执行检查，并将断言结果关联截图与轨迹。缺陷复测时直接对照原标准，确保发布决定与测试结论一致。

核心设计思想是：代码可以更快写完，但业务必须被独立验证。平台将验收依据与实际执行连接起来——这条用例从哪里来、在哪个版本运行、实际发生了什么、修复后是否仍满足标准。这为多人协作、频繁合并和 AI 编码团队建立了独立的业务验收机制。

当前定位为有人指导的试点方案。1.0 是代码候选版，尚未证明可以通用地替代测试人员。2.0 规划包括自主测试循环、开放 Harness、DOM/视觉执行、代码与缺陷调查等方向，目标是解决面对陌生项目时无法理解依据、持续观察调整、发现隐蔽缺陷并证明不牺牲标准的问题。

技术架构上采用 TypeScript 平台与 Python 智能服务分离的架构。Python 负责文档解析、规则生成和模型调用；TypeScript 平台处理 API/Web/Worker/审批/执行逻辑。数据库使用 PostgreSQL 存储业务数据，Redis 用于缓存会话与配置。部署通过 Docker Compose 实现自托管运行。

当前版本已支持 Markdown/DOCX/PDF/图片等多格式资料解析、多文件差异比对、长文档分块恢复；规则生成基于来源推荐但需人工审阅批准；浏览器七类动作、角色隔离、HTTP API 和截图轨迹执行均已实现。工程检查覆盖 Node test、pytest、Jest、Playwright、lint、typecheck 等主流工具。

2.0 版本将解决自主测试循环问题，引入 Harness 适配器机制使新项目无需修改核心调度即可接入；支持 DOM 与视觉执行应对动态页面；代码与缺陷调查从依据生成候选测试并隔离运行；多模型决策架构引入 Jev 作为可选组件；最终建立效果基准如发布缺陷检出率、误报率和人工介入成本。

平台特别强调真实业务场景，需要真实的业务数据与隐蔽缺陷样例来衡量是否真正节省测试时间。同时提供浏览器/视觉/接口执行适配器以及跨项目的可靠性反例机制，帮助团队理解为何某些结论不可信。

参与共建可提交可复现的问题、提出功能建议或贡献文档改进。平台鼓励带着真实业务案例、明确的失败场景或能复现问题的项目来加入，尤其需要能够证明“省下的测试时间”的实证数据。

许可证方面当前仓库尚未声明项目级开源许可证。源码公开不等于已授予完整授权，最终由项目权利人确认后补充相关许可条款。依赖库保留各自原有许可证。