个人做软件测试也有三四年的时间了，对于UI自动化这一块的工具想说一下自己的看法。

我这几天在网上搜了一下AI在UI自动化方面中的文章，发现都还是之前的样子。基本上都是使用 AI 和机器学习技术来增强元素定位的可靠性。传统的元素定位方法（如XPath或CSS选择器）在页面结构变化时容易失效。然后最近由于个人也学习了一些大模型方面的知识。于是有了下面的一个想法：

1. 打开浏览器，输入网站之后，进行一个屏幕截图（用于获取你电脑屏幕的分辨率）

2. 然后在截图中标记出来你的操作（即点击的位置，类似于这种），该标记可以通过调用大模型OCR识别，先找出执行顺序，然后找到对应顺序（红色数字）的可点击区域（红色方框)

3. 大模型识别出来之后，可以在页面上面进行显示。然后可以对这一步骤 做前置和后置的操作

4. 这里说一下跳转（其实跳转在截屏这一步骤就包含了，我们可以这样做）

5. 然后就是上传文件（这个其实我个人不太懂，我预期是 还是调用截屏。毕竟你做自动化的时候，你的鼠标和眼睛是当前页面，因此我通过点击屏幕也可以实现的）

6. 然后是最重要的 确认数据正确性（比如我在这个页面添加一个文章，我需要看下列表是否会展示，或者我提交了一个数据，看一下另一个页面的数据是否+1等等）这一步我们也可以通过OCR实现，就是在前置或者后置中加一个区域识别，比如下面这张图，（我们默认测试数据是固定死的，即每次测试完，数据清理。回到初始状态，比如这里的收藏和点赞数，初始为0，我预期是2，如果识别出来不是2，则用例失败，并截图这样子）

上面是我的一个想法，由于本人技术有限，无法实现，但是灵感来了 挡不住，这一下说出来完 舒服多了，特此记录。这是我的一个想法，能不能实现我也不知道。欢迎大家讨论！