iOS アプリの自動テスト

Synapse のメモリシステムと Computer Control API を組み合わせて、LLM 駆動の iOS アプリテストを構築します。LLM はテストシナリオを記憶し、過去の失敗から学習し、UI 変更に適応します。

アーキテクチャ

┌──────────────┐    commands    ┌──────────────┐    screenshots    ┌──────────────┐
│  LLM Agent   │ ─────────────▶│  Synapse     │ ────────────────▶ │  iOS Sim     │
│  (Claude)    │               │  Computer    │ ◀──────────────── │  (via agent) │
└──────────────┘               │  Control     │    results        └──────────────┘
       │                       └──────────────┘
       │ store/recall
       ▼
┌──────────────┐
│  Memories    │ (test scenarios, past failures, UI patterns)
└──────────────┘

前提条件

• Synapse アカウント + Mind Key
• Claude Desktop で構成された Synapse MCP サーバー
• screen-remote-agent をインストールした iOS Simulator
• Synapse に登録されたコンピュータ（Computer Control API を参照）

ステップ 1：Simulator コンピュータの登録

iOS Simulator を実行する Mac 上で：

# Get install code from Synapse
curl -X POST https://synapse.schaefer.zone/computers/install-code \
  -H "Authorization: Bearer YOUR_MIND_KEY" \
  -d '{"computer_name":"ios-sim"}'
# → { "install_code": "ic_..." }

# Run screen-remote-agent on the Mac
# (uses the install code to register)

ステップ 2：テストシナリオをメモリに保存

再利用可能なテストシナリオをメモリとして保存します。

import requests

def store_test_scenario(name, steps, app):
    requests.post(f"{URL}/memory",
        headers={"Authorization": f"Bearer {MIND_KEY}"},
        json={
            "category": "skill",
            "key": f"test_scenario_{name}",
            "content": f"App: {app}\nSteps:\n" + "\n".join(steps),
            "tags": ["test", "ios", app],
            "priority": "high"
        })

store_test_scenario("login_flow", [
    "Launch app",
    "Tap email field",
    "Type test@example.com",
    "Tap password field",
    "Type password123",
    "Tap Login button",
    "Verify home screen appears"
], "MyApp")

ステップ 3：LLM 駆動のテスト実行

Claude Desktop で（Synapse MCP を構成済み）：

Run the login_flow test scenario on the iOS Simulator.
Take a screenshot after each step and verify the expected UI.
If any step fails, store the failure as a memory so we can
avoid it next time.

Claude は以下を行います。

1. memory_search を呼び出して test_scenario_login_flow メモリを見つける
2. computer_screenshot を呼び出して現在の状態を確認
3. 各ステップを computer_command_queue（click、type）経由で実行
4. スクリーンショットで結果を検証
5. 失敗があれば mistake メモリとして保存

ステップ 4：自己修復テスト

テスト失敗時に、失敗と復旧を保存します。

def store_test_failure(scenario, step, error, recovery):
    requests.post(f"{URL}/memory",
        headers={"Authorization": f"Bearer {MIND_KEY}"},
        json={
            "category": "mistake",
            "key": f"failure_{scenario}_{step}",
            "content": f"Scenario: {scenario}\nStep: {step}\nError: {error}\nRecovery: {recovery}",
            "tags": ["test", "failure", "ios", scenario],
            "priority": "high"
        })

# Example
store_test_failure("login_flow", "tap_login",
    "Login button not found at expected coordinates",
    "Button moved due to new logo. Search by accessibility label instead.")

次回 LLM がテストを実行する際、失敗を再取得し、復旧を自動的に適用します。

ステップ 5：テスト結果の追跡

テスト実行をタスクとして追跡します。

def track_test_run(scenario, status, duration):
    requests.post(f"{URL}/mind/task",
        headers={"Authorization": f"Bearer {MIND_KEY}",
                 "Content-Type": "application/json"},
        json={
            "title": f"Test: {scenario}",
            "description": f"Status: {status}, Duration: {duration}s",
            "priority": "normal"
        })

よくあるコマンド

ベストプラクティス

次のステップ

• Self-Healing Tests
• Computer Control API
• Memory Best Practices