LaVague项目中的Action Engine代码清理功能设计

背景与问题分析

在现代AI驱动的自动化测试领域，LaVague项目作为一个创新的测试框架，其核心组件Action Engine负责执行由AI模型生成的测试脚本。然而，在实际应用中，我们发现不同AI模型生成的代码存在显著的格式差异，这直接影响了Action Engine的执行效果。

主要问题表现

1. Hugging Face API问题：生成的代码会延续到markdown单元格之后，包含不必要的HTML内容
2. Azure OpenAI问题：代码块以```python标记开头，需要特殊处理
3. Mixtral on Fireworks AI问题：生成内容以自然语言回答开头，如"Here is an answer"

这些不一致性导致Action Engine在执行前必须进行代码清理，而当前的清理逻辑可能无法覆盖所有情况。

技术解决方案

设计思路

我们建议为Action Engine引入可配置的清理函数机制，这一设计具有以下优势：

1. 灵活性：允许针对不同AI模型定制清理逻辑
2. 可扩展性：随着支持模型的增加，只需添加新的清理函数
3. 维护性：清理逻辑与核心引擎分离，便于独立维护

实现方案

class ActionEngine:
    def __init__(self, cleaning_func=None):
        self.cleaning_func = cleaning_func or self.default_cleaner
    
    def default_cleaner(self, code):
        """默认清理逻辑"""
        # 基础清理实现
        return code
    
    def execute(self, raw_code):
        """执行前先清理代码"""
        cleaned_code = self.cleaning_func(raw_code)
        # 执行清理后的代码

典型清理函数示例

1. Hugging Face清理器：

def hf_cleaner(code):
    # 移除---标记后的所有内容
    if "---" in code:
        code = code.split("---")[0]
    return code.strip()

2. Azure OpenAI清理器：

def azure_cleaner(code):
    # 移除```python标记
    if code.startswith("```python"):
        code = code[9:]
    if code.endswith("```"):
        code = code[:-3]
    return code.strip()

3. Mixtral清理器：

def mixtral_cleaner(code):
    # 移除自然语言前缀
    prefixes = ["Here is an answer", "Here is the code"]
    for prefix in prefixes:
        if code.startswith(prefix):
            code = code[len(prefix):]
            break
    return code.strip()

工程实践建议

1. 工厂模式应用：可以创建一个清理器工厂，根据模型类型返回对应的清理函数
2. 默认清理策略：保留一个保守的默认清理器，处理常见情况
3. 日志记录：在执行清理前后记录代码状态，便于调试
4. 性能考量：清理函数应保持轻量，避免影响整体执行效率

未来扩展方向

1. 机器学习辅助清理：训练小型模型识别和清理不同风格的生成代码
2. 用户自定义规则：允许用户提供正则表达式等自定义清理规则
3. 多阶段清理：实现由粗到细的多层次清理流程

总结

通过为LaVague项目的Action Engine引入可配置的清理函数机制，我们能够有效解决不同AI模型生成代码的格式差异问题。这一设计不仅提升了框架的适应性，也为未来的功能扩展奠定了良好基础。开发者可以根据实际使用的AI模型选择或自定义最适合的清理策略，确保生成的测试代码能够被正确执行。