1. 项目概述当AI Agent遇上端到端测试最近在搞自动化测试的同行们估计都感受到了新一轮的“风暴”。传统的端到端测试脚本编写和维护一直是个体力活加脑力活不仅要熟悉业务还得跟各种选择器、异步加载、网络延迟斗智斗勇。我干了十多年测试开发深知其中的痛点脚本脆弱、维护成本高、对测试人员编码能力要求不低。但今年情况开始变得不一样了。我注意到一个非常有意思的技术组合正在悄然兴起Playwright MCP加上GitHub MCP再结合当下火热的AI 大模型能力。这听起来可能有点抽象但简单来说它正在把我们过去手动、半自动的测试工作推向一个全新的“AI驱动”阶段。这不仅仅是“用AI生成几个测试用例”那么简单而是一场从测试用例构思、脚本生成、执行维护到结果分析的端到端革命。这个组合的核心在于MCP。MCP即 Model Context Protocol你可以把它理解为一个“标准化插座”。过去AI大模型比如GPT-4、Claude能力很强但它不知道怎么直接操作你的浏览器Playwright或者你的代码仓库GitHub。MCP就是定义了一套标准协议让AI模型能够安全、可控地调用这些外部工具。Playwright MCP 让AI获得了“操控浏览器”的手GitHub MCP 则让AI获得了“读写代码仓库”的眼和笔。所以当我们谈论“使用Playwright MCP和GitHub MCP实现AI驱动的端到端测试革命”时我们谈论的是一种全新的工作流AI智能体Agent作为“测试工程师”它通过MCP协议理解你的需求操作Playwright进行真实用户交互般的测试并通过GitHub MCP直接读取项目代码、提交测试脚本、甚至基于代码变更自动更新测试用例。测试人员从“脚本工人”转变为“需求定义师”和“质量策略师”专注于更高价值的测试场景设计和质量分析。2. 核心架构与工具链深度解析要理解这场革命我们必须先拆解清楚其中的每一个关键部件以及它们是如何协同工作的。这不仅仅是工具的堆砌更是一种架构思维的转变。2.1 MCP协议AI与工具世界的“万能适配器”MCP是这一切的基石。在没有MCP之前如果我们想让AI操作Playwright通常的做法是写一个复杂的提示词让AI输出Playwright代码然后我们手动复制这段代码到本地环境去执行。这个过程是割裂的AI并不知道它生成的代码是否真的能运行也无法根据运行结果进行即时调整。MCP协议改变了这一点。它将外部工具如Playwright、GitHub、文件系统、数据库等抽象成一系列“资源”和“工具”。AI模型通过一个实现了MCP协议的“服务器”来访问这些工具。这个过程中标准化所有工具都通过统一的JSON-RPC协议与AI通信AI不需要学习每个工具特有的API。上下文感知AI在调用工具时可以获取到工具的实时状态和结果并基于此决定下一步操作形成真正的“智能体”工作流。安全可控工具访问权限可以被精细控制防止AI进行危险操作比如rm -rf /。在这个测试场景中我们需要两个核心的MCP服务器一个负责连接Playwright一个负责连接GitHub。2.2 Playwright MCP赋予AI“真实用户之手”Playwright本身就是一个强大的浏览器自动化框架支持Chromium、Firefox、WebKit能模拟几乎所有用户操作。Playwright MCP服务器的作用就是将这些操作能力“暴露”给AI。它的工作原理是这样的你启动一个Playwright MCP服务器。这个服务器在后台会启动一个真正的浏览器实例可以是无头模式也可以是有界面的用于调试。AI智能体运行在如Claude Desktop、Cursor AI等支持MCP的客户端中通过MCP协议连接到这个服务器。AI可以发送指令例如“导航到https://example.com/login”、“在输入框[data-testid‘username’]中输入‘testuser’”、“点击登录按钮”。Playwright MCP服务器接收指令将其转化为Playwright API调用在真实的浏览器中执行并将执行结果成功、失败、页面截图、网络响应等返回给AI。关键优势所见即所得AI操作的是真实浏览器能处理JavaScript动态渲染、复杂CSS选择器、弹窗等比单纯分析HTML字符串可靠得多。可调试性你可以看到AI每一步的操作如果出错能立即知道是AI指令问题、选择器问题还是应用本身的问题。能力复用AI可以利用Playwright的所有高级功能如拦截网络请求、模拟地理位置、设备类型、处理文件上传下载等。2.3 GitHub MCP打通测试与研发的“数据动脉”测试离不开代码。GitHub MCP服务器让AI智能体能够直接与代码仓库交互这带来了几个革命性的变化测试脚本的版本化管理与自动生成AI可以读取项目最新的代码理解项目结构然后生成或更新对应的Playwright测试脚本并直接提交Pull Request。基于代码变更的智能测试推荐当开发人员提交新代码时AI可以分析git diff智能判断哪些模块被修改然后自动运行或建议运行相关的端到端测试用例。测试资产的管理AI可以将测试过程中生成的截图、录屏、性能追踪文件等作为测试附件直接上传到GitHub Issues或Pull Request的评论中形成完整的测试报告闭环。实操心得权限隔离是关键在配置GitHub MCP时切忌给AI智能体过高的仓库权限如write权限。最佳实践是创建一个专用的GitHub机器账号仅授予特定测试仓库的contents: read和pull_requests: write权限。这样AI可以读取代码生成测试并通过PR提交更改但无法直接推送到主分支或删除仓库安全又合规。2.4 AI智能体测试场景的“首席指挥官”有了手Playwright MCP和眼/笔GitHub MCP还需要一个“大脑”来指挥。这个大脑就是AI智能体。它通常运行在一个支持MCP的AI应用里比如Claude DesktopAnthropic官方应用原生支持MCP配置简单。Cursor IDE集成了强大AI的代码编辑器通过插件或设置可以连接MCP服务器。自定义AI Agent框架使用LangChain、LlamaIndex等框架自行构建灵活性最高。这个智能体的“智力”取决于你给它的大模型如Claude 3 Opus, GPT-4 Turbo以及你设计的“系统提示词”。一个优秀的测试AI智能体提示词应该包含角色定义你是一个资深的QA自动化工程师。目标根据需求或代码变更创建、执行、维护端到端测试。可用工具明确告知它已连接Playwright MCP和GitHub MCP并描述工具能力。工作流程规范例如“先分析需求再浏览页面确定元素选择策略使用># 在你的测试项目目录下 npm init -y npm install playwright/test # 安装Playwright支持的浏览器 npx playwright install步骤二启动Playwright MCP服务器Playwright官方目前没有提供独立的MCP服务器但社区已有成熟项目。我们可以使用modelcontextprotocol/server-playwright。npm install modelcontextprotocol/server-playwright创建一个启动脚本playwright-mcp-server.jsconst { PlaywrightServer } require(modelcontextprotocol/server-playwright); const { StdioServerTransport } require(modelcontextprotocol/server); const server new PlaywrightServer({ // 可选配置例如设置默认浏览器为Chromium launchOptions: { headless: true } }); async function main() { const transport new StdioServerTransport(); await server.connect(transport); console.error(Playwright MCP server running on stdio); } main().catch(console.error);然后你可以用node playwright-mcp-server.js启动它它将通过标准输入输出与AI客户端通信。但在Cursor中我们需要在配置中指定它。步骤三配置Cursor IDE以连接MCP服务器在Cursor中打开设置Cmd,或Ctrl,搜索“MCP”或找到相关设置项。你需要编辑Cursor的配置文件通常是~/.cursor/mcp.json或通过UI设置。{ mcpServers: { playwright: { command: node, args: [ /绝对路径/到/你的/项目/playwright-mcp-server.js ], env: { NODE_ENV: development } }, github: { command: npx, args: [ -y, modelcontextprotocol/server-github, --token, 你的_GitHub_个人访问令牌_PAT ] } } }重要安全提示GitHub PAT不要直接写在配置里尤其是准备分享的配置。应该使用环境变量。例如在env中设置GITHUB_TOKEN: ${env:GITHUB_TOKEN}然后在系统或终端中导出该环境变量。步骤四验证连接重启Cursor。现在当你与Cursor的AI聊天时你可以询问它“你现在可以使用哪些工具” 它应该会列出playwright和github相关的工具比如playwright_navigate,playwright_click,github_list_repos等。这表明配置成功。3.2 第一个AI生成的端到端测试用例让我们从一个简单的场景开始为某个登录页面编写一个测试。给AI智能体下达指令在Cursor的AI聊天框中输入“请使用playwright工具测试https://demo.app.login这个登录页面。使用testexample.com和password123作为凭证。请先导航到页面检查页面标题是否包含‘Login’。然后填写表单并提交。最后验证登录成功后是否跳转到了/dashboard页面。请逐步执行并告诉我结果。”观察AI的执行过程AI会开始思考并调用一系列工具playwright_navigate- 浏览器打开登录页。playwright_get_content- 可能获取页面内容分析结构。playwright_query_selector/playwright_fill- 寻找用户名、密码输入框并填充。playwright_click- 点击登录按钮。playwright_wait_for_navigation- 等待跳转。playwright_get_url- 获取当前URL验证是否为/dashboard。获得结果与脚本AI不仅会执行还会在对话中输出每一步的结果和最终的断言结论。更重要的是你可以要求它“请将刚才成功的测试步骤生成一个完整的Playwright测试文件.spec.js。” AI会调用github工具如果你已授权读取项目结构然后生成一个符合Playwright Test格式的脚本并可能直接提交一个包含该脚本的PR。避坑技巧选择器策略AI在寻找页面元素时可能会使用脆弱的选择器如div:nth-child(3) button。这会导致测试极易失败。在你的系统提示词中必须强制AI遵循以下优先级显式测试ID>name: AI Test Reviewer on: pull_request: types: [opened, synchronize] jobs: ai-review: runs-on: ubuntu-latest permissions: contents: read pull-requests: write steps: - uses: actions/checkoutv4 with: fetch-depth: 0 - name: Setup Node.js uses: actions/setup-nodev4 with: node-version: 20 - name: Install dependencies run: | npm ci npm install modelcontextprotocol/server-playwright modelcontextprotocol/server-github - name: Run AI Test Agent env: GITHUB_TOKEN: ${{ secrets.GITHUB_TOKEN }} OPENAI_API_KEY: ${{ secrets.OPENAI_API_KEY }} # 或其他AI模型API密钥 run: | # 这里需要运行你的AI Agent脚本 # 该脚本会1.读取PR diff。2.启动Playwright MCP服务器。3.调用AI模型分析并执行测试。4.向PR提交评论。 node scripts/ai-test-agent.js ${{ github.event.pull_request.number }}这个ai-test-agent.js是你需要编写的核心脚本它集成了MCP客户端、AI模型调用和业务逻辑。虽然编写它有门槛但一旦建成就是一套全自动的、智能的测试门禁系统。4. 高级应用场景与最佳实践当基础跑通后我们可以探索更高级的应用让AI测试真正释放潜力。4.1 视觉回归测试的智能化Playwright可以轻松截取页面截图。结合AI的图像识别能力需要通过其他MCP服务器接入视觉AI模型或使用多模态大模型如GPT-4V我们可以实现智能视觉回归测试。传统方式将截图与基线图进行像素级对比任何细微差异都会报错误报率高。AI驱动方式AI可以理解截图内容。“首页的横幅广告图轮换了这是预期的。”“这个按钮的位置向下偏移了5个像素可能破坏了布局需要检查。”AI能区分“内容变更”和“视觉缺陷”大大降低误报提升测试信心。4.2 探索性测试与用户旅程挖掘我们可以给AI智能体一个模糊的目标让它进行探索性测试。例如“请以新用户的身份探索我们的电商网站尝试找到并购买一款价格低于50元的数码产品确保流程顺畅。” AI会像真实用户一样点击、浏览、筛选、加入购物车、结算。在这个过程中它可能会发现我们从未设计过的测试路径或潜在的交互问题。AI可以将整个探索过程录制成视频并生成一份测试报告指出可能的问题点如加载缓慢的图片、令人困惑的文案。4.3 测试脚本的自我修复与维护这是维护成本降低的核心。当UI发生变化导致测试失败时传统方式需要人工排查并更新选择器。AI驱动的工作流每日定时任务运行测试套件。如果某个测试失败AI被自动触发。AI分析失败原因是元素找不到还是状态断言失败AI重新浏览当前页面利用其多模态能力“看到”新页面并定位到目标元素例如虽然>
AI驱动端到端测试革命：基于Playwright与GitHub MCP的智能自动化实践
发布时间：2026/6/30 18:33:36
1. 项目概述当AI Agent遇上端到端测试最近在搞自动化测试的同行们估计都感受到了新一轮的“风暴”。传统的端到端测试脚本编写和维护一直是个体力活加脑力活不仅要熟悉业务还得跟各种选择器、异步加载、网络延迟斗智斗勇。我干了十多年测试开发深知其中的痛点脚本脆弱、维护成本高、对测试人员编码能力要求不低。但今年情况开始变得不一样了。我注意到一个非常有意思的技术组合正在悄然兴起Playwright MCP加上GitHub MCP再结合当下火热的AI 大模型能力。这听起来可能有点抽象但简单来说它正在把我们过去手动、半自动的测试工作推向一个全新的“AI驱动”阶段。这不仅仅是“用AI生成几个测试用例”那么简单而是一场从测试用例构思、脚本生成、执行维护到结果分析的端到端革命。这个组合的核心在于MCP。MCP即 Model Context Protocol你可以把它理解为一个“标准化插座”。过去AI大模型比如GPT-4、Claude能力很强但它不知道怎么直接操作你的浏览器Playwright或者你的代码仓库GitHub。MCP就是定义了一套标准协议让AI模型能够安全、可控地调用这些外部工具。Playwright MCP 让AI获得了“操控浏览器”的手GitHub MCP 则让AI获得了“读写代码仓库”的眼和笔。所以当我们谈论“使用Playwright MCP和GitHub MCP实现AI驱动的端到端测试革命”时我们谈论的是一种全新的工作流AI智能体Agent作为“测试工程师”它通过MCP协议理解你的需求操作Playwright进行真实用户交互般的测试并通过GitHub MCP直接读取项目代码、提交测试脚本、甚至基于代码变更自动更新测试用例。测试人员从“脚本工人”转变为“需求定义师”和“质量策略师”专注于更高价值的测试场景设计和质量分析。2. 核心架构与工具链深度解析要理解这场革命我们必须先拆解清楚其中的每一个关键部件以及它们是如何协同工作的。这不仅仅是工具的堆砌更是一种架构思维的转变。2.1 MCP协议AI与工具世界的“万能适配器”MCP是这一切的基石。在没有MCP之前如果我们想让AI操作Playwright通常的做法是写一个复杂的提示词让AI输出Playwright代码然后我们手动复制这段代码到本地环境去执行。这个过程是割裂的AI并不知道它生成的代码是否真的能运行也无法根据运行结果进行即时调整。MCP协议改变了这一点。它将外部工具如Playwright、GitHub、文件系统、数据库等抽象成一系列“资源”和“工具”。AI模型通过一个实现了MCP协议的“服务器”来访问这些工具。这个过程中标准化所有工具都通过统一的JSON-RPC协议与AI通信AI不需要学习每个工具特有的API。上下文感知AI在调用工具时可以获取到工具的实时状态和结果并基于此决定下一步操作形成真正的“智能体”工作流。安全可控工具访问权限可以被精细控制防止AI进行危险操作比如rm -rf /。在这个测试场景中我们需要两个核心的MCP服务器一个负责连接Playwright一个负责连接GitHub。2.2 Playwright MCP赋予AI“真实用户之手”Playwright本身就是一个强大的浏览器自动化框架支持Chromium、Firefox、WebKit能模拟几乎所有用户操作。Playwright MCP服务器的作用就是将这些操作能力“暴露”给AI。它的工作原理是这样的你启动一个Playwright MCP服务器。这个服务器在后台会启动一个真正的浏览器实例可以是无头模式也可以是有界面的用于调试。AI智能体运行在如Claude Desktop、Cursor AI等支持MCP的客户端中通过MCP协议连接到这个服务器。AI可以发送指令例如“导航到https://example.com/login”、“在输入框[data-testid‘username’]中输入‘testuser’”、“点击登录按钮”。Playwright MCP服务器接收指令将其转化为Playwright API调用在真实的浏览器中执行并将执行结果成功、失败、页面截图、网络响应等返回给AI。关键优势所见即所得AI操作的是真实浏览器能处理JavaScript动态渲染、复杂CSS选择器、弹窗等比单纯分析HTML字符串可靠得多。可调试性你可以看到AI每一步的操作如果出错能立即知道是AI指令问题、选择器问题还是应用本身的问题。能力复用AI可以利用Playwright的所有高级功能如拦截网络请求、模拟地理位置、设备类型、处理文件上传下载等。2.3 GitHub MCP打通测试与研发的“数据动脉”测试离不开代码。GitHub MCP服务器让AI智能体能够直接与代码仓库交互这带来了几个革命性的变化测试脚本的版本化管理与自动生成AI可以读取项目最新的代码理解项目结构然后生成或更新对应的Playwright测试脚本并直接提交Pull Request。基于代码变更的智能测试推荐当开发人员提交新代码时AI可以分析git diff智能判断哪些模块被修改然后自动运行或建议运行相关的端到端测试用例。测试资产的管理AI可以将测试过程中生成的截图、录屏、性能追踪文件等作为测试附件直接上传到GitHub Issues或Pull Request的评论中形成完整的测试报告闭环。实操心得权限隔离是关键在配置GitHub MCP时切忌给AI智能体过高的仓库权限如write权限。最佳实践是创建一个专用的GitHub机器账号仅授予特定测试仓库的contents: read和pull_requests: write权限。这样AI可以读取代码生成测试并通过PR提交更改但无法直接推送到主分支或删除仓库安全又合规。2.4 AI智能体测试场景的“首席指挥官”有了手Playwright MCP和眼/笔GitHub MCP还需要一个“大脑”来指挥。这个大脑就是AI智能体。它通常运行在一个支持MCP的AI应用里比如Claude DesktopAnthropic官方应用原生支持MCP配置简单。Cursor IDE集成了强大AI的代码编辑器通过插件或设置可以连接MCP服务器。自定义AI Agent框架使用LangChain、LlamaIndex等框架自行构建灵活性最高。这个智能体的“智力”取决于你给它的大模型如Claude 3 Opus, GPT-4 Turbo以及你设计的“系统提示词”。一个优秀的测试AI智能体提示词应该包含角色定义你是一个资深的QA自动化工程师。目标根据需求或代码变更创建、执行、维护端到端测试。可用工具明确告知它已连接Playwright MCP和GitHub MCP并描述工具能力。工作流程规范例如“先分析需求再浏览页面确定元素选择策略使用># 在你的测试项目目录下 npm init -y npm install playwright/test # 安装Playwright支持的浏览器 npx playwright install步骤二启动Playwright MCP服务器Playwright官方目前没有提供独立的MCP服务器但社区已有成熟项目。我们可以使用modelcontextprotocol/server-playwright。npm install modelcontextprotocol/server-playwright创建一个启动脚本playwright-mcp-server.jsconst { PlaywrightServer } require(modelcontextprotocol/server-playwright); const { StdioServerTransport } require(modelcontextprotocol/server); const server new PlaywrightServer({ // 可选配置例如设置默认浏览器为Chromium launchOptions: { headless: true } }); async function main() { const transport new StdioServerTransport(); await server.connect(transport); console.error(Playwright MCP server running on stdio); } main().catch(console.error);然后你可以用node playwright-mcp-server.js启动它它将通过标准输入输出与AI客户端通信。但在Cursor中我们需要在配置中指定它。步骤三配置Cursor IDE以连接MCP服务器在Cursor中打开设置Cmd,或Ctrl,搜索“MCP”或找到相关设置项。你需要编辑Cursor的配置文件通常是~/.cursor/mcp.json或通过UI设置。{ mcpServers: { playwright: { command: node, args: [ /绝对路径/到/你的/项目/playwright-mcp-server.js ], env: { NODE_ENV: development } }, github: { command: npx, args: [ -y, modelcontextprotocol/server-github, --token, 你的_GitHub_个人访问令牌_PAT ] } } }重要安全提示GitHub PAT不要直接写在配置里尤其是准备分享的配置。应该使用环境变量。例如在env中设置GITHUB_TOKEN: ${env:GITHUB_TOKEN}然后在系统或终端中导出该环境变量。步骤四验证连接重启Cursor。现在当你与Cursor的AI聊天时你可以询问它“你现在可以使用哪些工具” 它应该会列出playwright和github相关的工具比如playwright_navigate,playwright_click,github_list_repos等。这表明配置成功。3.2 第一个AI生成的端到端测试用例让我们从一个简单的场景开始为某个登录页面编写一个测试。给AI智能体下达指令在Cursor的AI聊天框中输入“请使用playwright工具测试https://demo.app.login这个登录页面。使用testexample.com和password123作为凭证。请先导航到页面检查页面标题是否包含‘Login’。然后填写表单并提交。最后验证登录成功后是否跳转到了/dashboard页面。请逐步执行并告诉我结果。”观察AI的执行过程AI会开始思考并调用一系列工具playwright_navigate- 浏览器打开登录页。playwright_get_content- 可能获取页面内容分析结构。playwright_query_selector/playwright_fill- 寻找用户名、密码输入框并填充。playwright_click- 点击登录按钮。playwright_wait_for_navigation- 等待跳转。playwright_get_url- 获取当前URL验证是否为/dashboard。获得结果与脚本AI不仅会执行还会在对话中输出每一步的结果和最终的断言结论。更重要的是你可以要求它“请将刚才成功的测试步骤生成一个完整的Playwright测试文件.spec.js。” AI会调用github工具如果你已授权读取项目结构然后生成一个符合Playwright Test格式的脚本并可能直接提交一个包含该脚本的PR。避坑技巧选择器策略AI在寻找页面元素时可能会使用脆弱的选择器如div:nth-child(3) button。这会导致测试极易失败。在你的系统提示词中必须强制AI遵循以下优先级显式测试ID>name: AI Test Reviewer on: pull_request: types: [opened, synchronize] jobs: ai-review: runs-on: ubuntu-latest permissions: contents: read pull-requests: write steps: - uses: actions/checkoutv4 with: fetch-depth: 0 - name: Setup Node.js uses: actions/setup-nodev4 with: node-version: 20 - name: Install dependencies run: | npm ci npm install modelcontextprotocol/server-playwright modelcontextprotocol/server-github - name: Run AI Test Agent env: GITHUB_TOKEN: ${{ secrets.GITHUB_TOKEN }} OPENAI_API_KEY: ${{ secrets.OPENAI_API_KEY }} # 或其他AI模型API密钥 run: | # 这里需要运行你的AI Agent脚本 # 该脚本会1.读取PR diff。2.启动Playwright MCP服务器。3.调用AI模型分析并执行测试。4.向PR提交评论。 node scripts/ai-test-agent.js ${{ github.event.pull_request.number }}这个ai-test-agent.js是你需要编写的核心脚本它集成了MCP客户端、AI模型调用和业务逻辑。虽然编写它有门槛但一旦建成就是一套全自动的、智能的测试门禁系统。4. 高级应用场景与最佳实践当基础跑通后我们可以探索更高级的应用让AI测试真正释放潜力。4.1 视觉回归测试的智能化Playwright可以轻松截取页面截图。结合AI的图像识别能力需要通过其他MCP服务器接入视觉AI模型或使用多模态大模型如GPT-4V我们可以实现智能视觉回归测试。传统方式将截图与基线图进行像素级对比任何细微差异都会报错误报率高。AI驱动方式AI可以理解截图内容。“首页的横幅广告图轮换了这是预期的。”“这个按钮的位置向下偏移了5个像素可能破坏了布局需要检查。”AI能区分“内容变更”和“视觉缺陷”大大降低误报提升测试信心。4.2 探索性测试与用户旅程挖掘我们可以给AI智能体一个模糊的目标让它进行探索性测试。例如“请以新用户的身份探索我们的电商网站尝试找到并购买一款价格低于50元的数码产品确保流程顺畅。” AI会像真实用户一样点击、浏览、筛选、加入购物车、结算。在这个过程中它可能会发现我们从未设计过的测试路径或潜在的交互问题。AI可以将整个探索过程录制成视频并生成一份测试报告指出可能的问题点如加载缓慢的图片、令人困惑的文案。4.3 测试脚本的自我修复与维护这是维护成本降低的核心。当UI发生变化导致测试失败时传统方式需要人工排查并更新选择器。AI驱动的工作流每日定时任务运行测试套件。如果某个测试失败AI被自动触发。AI分析失败原因是元素找不到还是状态断言失败AI重新浏览当前页面利用其多模态能力“看到”新页面并定位到目标元素例如虽然>
)
![华为OD机试2025C卷-字符串变换最小次数[100分]（ Java _ Python3 _ C++ _ C语言 _ JsNode _ Go）实现100%通过率](http://pic.xiahunao.cn/yaotu/华为OD机试2025C卷-字符串变换最小次数[100分]（ Java _ Python3 _ C++ _ C语言 _ JsNode _ Go）实现100%通过率)
![华为OD机试2025C卷-内存资源分配[100分]（ Java _ Python3 _ C++ _ C语言 _ JsNode _ Go）实现100%通过率](http://pic.xiahunao.cn/yaotu/华为OD机试2025C卷-内存资源分配[100分]（ Java _ Python3 _ C++ _ C语言 _ JsNode _ Go）实现100%通过率)
