Automatiserad iOS-apptestning

Kombinera Synapses minnessystem med Computer Control API för att bygga LLM-drivna iOS-apptester. LLM:en minns testscenarier, lär sig av tidigare fel och anpassar sig till UI-ändringar.

Arkitektur

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

Förutsättningar

• Synapse-konto + Mind Key
• Synapse MCP-server konfigurerad i Claude Desktop
• iOS Simulator med screen-remote-agent installerad
• Dator registrerad i Synapse (se Computer Control API)

Steg 1: Registrera Simulator-datorn

På den Mac som kör iOS Simulator:

# 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)

Steg 2: Lagra testscenarier i minne

Lagra återanvändbara testscenarier som minnen:

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")

Steg 3: LLM-driven testkörning

I Claude Desktop (med Synapse MCP konfigurerad):

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 kommer att:

1. Anropa memory_search för att hitta minnet test_scenario_login_flow
2. Anropa computer_screenshot för att se aktuellt tillstånd
3. Utföra varje steg via computer_command_queue (klick, skriv)
4. Verifiera resultat via skärmdumpar
5. Lagra eventuella fel som mistake-minnen

Steg 4: Självläkande tester

När ett test misslyckas, lagra felet och återställningen:

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.")

Nästa gång LLM:en kör testet återkallar den felet och tillämpar återställningen automatiskt.

Steg 5: Spårning av testresultat

Spåra testkörningar som uppgifter:

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"
        })

Vanliga kommandon

Bästa praxis

Nästa steg

• Självläkande tester
• Computer Control API
• Minnesbästa praxis