为什么我放弃 Pytest，从零手搓 AITest 测试执行引擎

摘要：

前几天发文分享了自研的 AITest 全栈测试平台，今天，借着 100 天复盘，我扒开源码，聊聊为什么在企业级 SaaS 平台里，Pytest 反而是“绊脚石”，以及我们是如何用 FastAPI + 异步 Celery 构建自研执行引擎的。

在推进这个项目的过程中，绕不开的一个问题就是：

“现成的 Pytest、Robot Framework 不香吗？自己写执行引擎，不是纯纯的重复造轮子吗？”

说实话，刚开始我也犹豫过。Pytest 是 Python 测试生态的王者，断言、参数化、插件一应俱全。但当我真正开始设计一套** B/S 架构、支持多租户、带 WebSocket 实时进度、且未来要接入 AI 智能体的测试平台时，我发现：Pytest 的架构基因，与现代化的企业级 Web 测试平台是天生互斥的。**

今天，我们就来硬核拆解一下，为什么我选择放弃 Pytest，从零手搓一套基于“模板方法 + 策略模式”的自研执行引擎。

一、为什么不用 Pytest？（自研架构的绝对优势）
很多初学者觉得，不用现成的框架就是“不够专业”。但事实恰恰相反，如果你在你的 SaaS 平台底层强塞一个 Pytest，你的平台本质上就变成了一个“套壳的网页版命令行工具”。
而你选择自研引擎，是做企业级测试平台的必然选择，原因有以下四点，招招致命：

1. 多租户与动态配置的灾难
Pytest 是静态的，每次跑测试都需要有具体的 .py 文件。而在 SaaS 平台里，用户是随时随地在网页上修改断言、增减参数的。
如果底层用 Pytest，后端的灾难就来了：每次执行前，你都需要把数据库里成百上千的 JSONB 用例，动态渲染成成百上千个 .py 文件，跑完再删掉。这种高频的 I/O 损耗，以及多租户并发时的文件冲突，在微服务架构下简直是噩梦。而自研引擎，直接从数据库读取最新配置，秒级生效，零文件损耗。

2. 细粒度的进度推送（WebSocket 死局）
用户在网页上点击“执行”，他极度渴望看到实时的进度条（当前跑到第几步了？断言过了没？）。
Pytest 执行时，你很难知道它内部具体跑到哪一步了，只有全部跑完才出结果。而在自研引擎里，可以在每个步骤执行前后，通过 Redis Pub/Sub 发送 WebSocket 消息给前端。你在我的系统截图中看到的那个丝滑的实时进度条，就是自研引擎带来的极致观测体验。

3. 完美的 Celery 异步结合
我的后端是 FastAPI，全链路异步（async/await），执行任务是交给 Celery Worker 的。而 Pytest 是同步阻塞的，强行把它塞进 Celery 的异步环境里，各种 Event loop is closed 的报错会让你怀疑人生。自研引擎天然拥抱 async，完美融入底层架构。

4. 为 V2.0 的 AI 做准备（最核心的降维打击）
到了 2026 年，测试平台的下半场绝对是 AI Agent。如果用 Pytest，大模型根本无法在运行中途插一脚。
但在自研架构下，大模型可以动态决策：“这条断言失败了，我要不要换个参数再试一次？” 大模型可以直接调用自研的 SkillRegistry（技能注册中心），甚至不用发 HTTP 请求，纯做逻辑判断。用 Pytest，框架会把你卡死；用自研引擎，才能拥有极致的扩展性。

二、那你岂不是重复造轮子了？
很多人会觉得“不用 pytest 是不是显得不够专业”。完全不是！
去看看 Postman、Apifox 等所有现代测试平台，底层全都是自己写的执行引擎，没有一个是直接用 pytest 的。为什么？因为它们要支持可视化的拖拽、实时进度、参数化渲染、环境变量隔离，这些用现成的测试框架根本搞不定。
Pytest 的优势在于单机上的单元测试，但它的缺点是重度依赖本地 Python 文件。我们要做的是 Web 化的 SaaS 平台，所以底层的 Executor（执行器）和 Skill（技能）都是纯硬编码的异步引擎。这样做的好处是：

完美支持 WebSocket 实时进度推送。
支持用户在前端页面上随时改配置，秒级生效，不需要动态生成 Python 文件。
最关键的是，为了近期上 AI 功能。未来 AI 智能体（Agent）要动态调用这些执行技能，如果用 pytest 会被框架卡死，自研引擎才能拥有极致的扩展性。

三、揭秘自研引擎的架构底牌（硬核源码曝光）
既然不用 Pytest，我是怎么处理 HTTP 请求、提取变量、执行断言的？
我的底层架构完全遵循了“分层设计”和“设计模式”，将其拆分为两个核心角色：执行器（Executor）和技能（Skill）。

1. 模板方法模式：统一执行骨架（Executor）
所有的测试用例，无论是单接口用例还是多步骤场景，执行流程都是固定的：加载数据 -> 循环步骤 -> 执行请求 -> 断言结果 -> 写入数据库。
我定义了一个 BaseExecutor 基类（模板方法），把公共骨架写死，子类只需要实现具体的步骤逻辑：

# 核心代码片段：基于模板方法的执行器
from abc import ABC, abstractmethod

class BaseExecutor(ABC):
    """执行器抽象基类（模板方法模式）"""

    async def execute(self):
        # 1. 前置校验与加载
        await self._load_data()

        # 2. 遍历步骤（具体实现由子类定义）
        for step in self.steps:
            result = await self._execute_step(step)
            # 3. 实时推送进度到前端 WS
            await self._push_progress(result)

        # 4. 汇总落库
        await self._persist_result()

    @abstractmethod
    async def _execute_step(self, step):
        """子类必须实现的具体执行逻辑"""
        pass

class SerialExecutor(BaseExecutor):
    """单用例串行执行器"""
    async def _execute_step(self, step):
        # 调用底层的 Skill 执行单步
        return await skill_registry.execute("http_request", step)

2. 策略模式：能力原子化（Skill Registry）
这是整个系统最精妙的地方。我不把“发 HTTP 请求”或“提取变量”写死在 Executor 里，而是把它们抽象成一个个可插拔的“技能（Skill）”。
不仅传统模式可以用，未来 V2.0 的大模型（Agent）也可以通过 MCP 协议直接调用这些技能！

# 核心代码片段：基于策略模式的技能注册中心
class BaseSkill(ABC):
    @abstractmethod
    async def execute(self, params: dict) -> dict:
        pass

class AssertSkill(BaseSkill):
    """断言技能：纯硬编码实现各种断言逻辑"""
    async def execute(self, params: dict) -> dict:
        actual = extract_json_path(params["actual_response"], params["path"])
        expected = params["expected"]
        op = params["operator"]

        # 硬编码断言引擎，极速且稳定
        is_pass = False
        if op == "equals":
            is_pass = (actual == expected)
        elif op == "contains":
            is_pass = (expected in actual)

        return {"status": is_pass, "actual": actual}

单例注册中心：启动时将所有技能注册进去

skill_registry.register("assert_result", AssertSkill())

通过这种设计，用户在前端拖拽配一个断言，后端直接转化为参数 {path: "data.token", operator: "not_null"}，传给 AssertSkill 执行。没有繁重的框架负担，只有极致的执行效率。

四、 100 天的心血，全部开源分享
从数据库设计（36 张表）、后端架构（FastAPI + 三层 RBAC + Celery），到前端（Vue3 + 极致的 UnoCSS 规范），这 100 天我踩平了无数个坑。

现在，AITest V1.0 版本已正式发布！

平台登录页：

个人工作台：

为了帮助更多在测试开发、全栈开发路上迷茫的同学，我把这套系统的《架构设计文档 (SAD)》、《前后端开发规范》以及第一阶段的完整基础骨架源码整理出来了。

你可以直接拿去：
● 作为简历里的硬核全栈项目（秒杀千篇一律的商城 Demo）。
● 学习 FastAPI 异步生态、Vue3 工程化的最佳实践。
● 为接下来的 AI 智能体开发打好底层基础。

👉 获取方式：
关注公众号【JasonCode编程】（如果你想和我一起交流架构、探讨 AI 测试的未来，也欢迎在后台加我微信，拉你进内部技术群！），后台回复【星球】，即可获取全套架构文档 + 源码资料包。
（如果你想和我一起交流架构、探讨 AI 测试的未来，也欢迎在后台加我微信，拉你进内部技术群！）
我是 Jason，独立开发者。V2.0 的 AI 智能体开发日记即将开启，关注我，带你手搓下一代 AI 测试平台。