本文介绍如何利用 Playwright + MCP + 豆包视觉模型，在测试失败时自动截图、读取页面无障碍树、分析堆栈并生成修复代码，将半小时的排查工作缩短至 45 秒。
📝 详细摘要
文章是「Playwright + MCP」系列第三篇，聚焦测试维护阶段的自动修复。作者先指出传统排查的痛点（定位器失效、异步时序等），然后提出 MCP 的核心价值——让 AI 从「瞎猜」变成「看见」页面元素。文章以 demo3 为主线，详细拆解了 6 步流程：故意写一个会挂的测试 → 运行测试并自动截图+收集堆栈 → 用 MCP 读取失败页面的无障碍树 → 将截图、堆栈、MCP 页面结构拼入 prompt 发给豆包视觉模型 → 生成修复代码并写入新文件 → 循环验证最多 3 次。文章提供了完整代码示例、运行日志和踩坑提醒，并给出了适合/不适合的场景分析。最后，文章引导读者下载源码包或自行搭建，并附上前两篇的链接。
💡 主要观点
- MCP 让 AI 从「瞎猜」变成「看见」失败页面。 传统方式 AI 只能看堆栈和截图猜测原因，MCP 能读取页面的无障碍树（如 role="alert"），让 AI 100% 准确定位问题元素。
💬 文章金句
- MCP 让 AI 从「瞎猜」变成「看见」。
- 定位失效别抓狂，截图+树给 AI 看就行。
- 半小时变 45 秒，我第一次跑出来也愣了一下。
📊 文章信息
AI 初评：78
来源：Playwright实战教程
作者：Playwright实战教程
分类：人工智能
语言：中文
阅读时间：24 分钟
字数：5789
标签： AI 编程, AI Agent, MCP 协议, Playwright, 自动化测试