这两年，测试领域里和 AI 相关的词越来越多：

Prompt、MCP、Agent、Skills、OpenClaw……

很多时候，这些词会被放在一起讲，听起来都和“AI 更智能了”有关。

但如果你真的要开发一个企业级 AI 测试用例系统，就会很快发现：

这些词根本不是同一层的概念。
它们分别解决的是完全不同的技术问题。

如果不把它们的边界讲清楚，系统就很容易做成一个“什么都沾一点，但架构并不清晰”的拼装体。

这篇文章不讲泛概念，只讲一个非常具体的问题：

如果目标是输入需求文档、设计文档、接口信息，输出可审查、可扩展、可导出的测试对象、测试场景和测试用例，那么 Prompt、MCP、Agent、Skills、OpenClaw 在技术上各自意味着什么？

---

先说结论：它们不在同一层

如果从技术分层来看，这几个词大致可以这样理解：

• Prompt：任务指令层

• Skills：可复用方法层

• Agent：任务执行与决策层

• MCP：外部能力接入协议层

• OpenClaw：Agent 运行与编排框架层

MCP 官方文档把 server 暴露给 AI 的核心能力分成resources 、prompts、tools：resources 提供上下文数据，prompts 提供结构化提示模板，tools 提供可调用的外部能力。

OpenAI  对 agents 的定义则更偏执行系统：agent 是能结合上下文、工具和多步流程来完成任务的系统，而不只是一次性文本生成。

OpenAI 对 skills 的定义也很明确：skill 是一个带 SKILL.md  的版本化能力包，用来把流程、规范和方法沉淀成可复用模块。

OpenClaw 的公开文档则说明，它使用 AgentSkills-compatible 的 skill 目录，每个 skill 都有一个 SKILL.md，并按环境与配置加载。

所以，从工程视角看，它们分别回答的是不同问题：

• Prompt：这一轮模型该怎么做？

• Skill：这类任务长期应该怎么做？

• Agent：现在该调什么能力、按什么顺序执行？

• MCP：怎么把外部资源和能力标准化接进来？

• OpenClaw：这些 agent 和 skills 跑在哪个宿主里？

---

1. Prompt：在测试用例系统里，它是“单步任务的控制指令”

很多人最先接触的是 prompt。

因为它最直观。

在测试用例场景里，一个 prompt 可能是这样的：

你是一名资深测试分析师

请根据 PRD 和接口文档识别测试对象

优先关注状态迁移、异常链路、权限控制和边界条件

输出严格 JSON，不要输出额外解释

从技术上看，prompt 的本质是传给模型的一段任务控制文本。

它主要负责四件事：

1. 定义当前任务目标

2. 规定模型当前扮演的角色

3. 约束输入该如何理解

4. 约束输出格式和边界

所以，如果把测试用例系统拆开看，prompt 最常见的落点其实有三类 ：

第一类：任务级 prompt

比如直接要求“生成测试用例”“补充异常场景”“做覆盖检查”。

第二类：阶段级 prompt

比如只做“需求分析”、只做“测试对象识别”、只做“测试场景展开”。

第三类：格式级 prompt

比如要求输出成固定 JSON schema、某种导入模板，或者企业内部的某套结构。

这也是为什么，prompt 在测试系统里当然重要，但它的边界也很清楚：

它解决的是“这一轮怎么做”，
不是“整个系统长期怎么工作”。

也就是说，prompt 更像某一步执行时传给模型的控制参数，而不是系统本身的能力骨架。

---

2. Skills：在测试用例系统里，它是“测试方法的可复用封装”

如果说 prompt 是“这次怎么做”，

那么 skill 更像是“这类事长期应该怎么做”。

OpenAI 官方对 skill 的描述很有代表性：一个 skill 会打包 instructions、resources 和可选 scripts，用来让 agent 更可靠地遵循某个 workflow；skill 本身通常以 SKILL.md 作为核心说明文件。

放到测试用例系统里，skill 的技术含义非常具体：

把测试专家的方法，沉淀成可被 agent 自动识别、重复调用、长期维护的能力模块。

例如，你完全可以把测试系统拆成一组 skills：

requirement-analysis skill

负责从 PRD、设计文档、业务规则里抽取：

• 业务事件

• 功能义务

• 前置条件

• 分支路径

• 状态变化

• 外部依赖

test-object-planning skill

负责把需求拆成：

业务功能对象

数据处理对象

权限控制对象

异常处理对象

配置驱动对象

状态迁移对象

boundary-mining skill

负责系统性检查：

• 输入边界

• 状态边界

• 时间边界

• 配置边界

• 并发边界

• 特殊值与非法值

coverage-review skill

负责在最终输出前检查：

• 主流程是否覆盖

• 异常流程是否覆盖

• 状态切换是否覆盖

• 权限和角色是否覆盖

• 回滚、恢复、组合条件是否遗漏

所以 skill 和 prompt 的最大不同在于：

prompt 是单次任务指令，
skill 是长期复用的方法单元。

从工程上讲，skill 更适合企业系统。

因为企业真正需要的，不是每次有人重新写一遍“怎么做测试对象分析”，而是把这套成熟方法沉淀下来，形成稳定能力。

---

3. Agent：在测试用例系统里，它不是“会聊天”，而是“会判断、会调度、会校验”

Agent 是最容易被说虚的一个词。

如果不落到工程实现里，agent 很容易被描述成“更聪明的 AI”。

但技术上，这样说并没有帮助。

更准确的说法是：

Agent 是围绕目标任务，负责判断、拆解、调用能力、处理异常和校验结果的执行控制器。

OpenAI 的 agents 文档把 agent 定义为能结合工具、上下文和多步流程完成任务的系统，而不是单次生成一个回答。

在测试用例场景里，agent 通常负责这些工作：

1）输入判断

• 检查用户给的输入够不够：

• 只有 PRD？

• 有没有接口文档？

• 有没有状态机定义？

• 是否缺少关键字段约束？

2）任务拆解

决定当前任务是不是应该分阶段：

• 先做需求分析

• 再做测试对象规划

• 再做测试场景生成

• 最后做覆盖率审查

3）能力选择

判断现在该调哪个 skill：

• 原始文档进来时先走 requirement-analysis

• 已经有 requirement objects 时走 test-object-planning

• 已经生成 case 草稿时走 coverage-review

4）工具调用

当需要外部信息时，去调用：

• 接口 schema

• 配置中心

• 缺陷系统

• 测试资产库

• 导出系统

5）结果校验与回退

如果发现：

• 输出结构不合法

• 某些关键对象缺失

• 某条规则存在冲突

• 覆盖率明显不足

agent 可以决定：

• 重试某一步

• 切换 skill

• 补查外部信息

• 标记人工确认点

所以，如果说 prompt 负责“这一轮怎么说”，skill 负责“这类事怎么做”，

那么 agent 负责的就是：

现在到底该做哪件事、先做哪一步、用什么方法做、做完怎么检查。

这也是为什么，企业级测试用例系统最终不能只是“prompt + 知识库”，而往往会走向 agent 结构。

---

4. MCP：在测试用例系统里，它是“把外部资源和能力标准化接进来的协议层”

MCP 这两年讨论很多，但在测试场景里，它最核心的技术意义其实非常简单：

它不是测试方法，也不是推理能力，
它是让 AI 系统能够以统一方式连接外部资源和工具的标准接口。

MCP 官方把它定义为连接 AI 应用与外部数据源和工具的开放协议，并把能力拆成 resources、prompts、tools 三类。

放到测试用例系统里，MCP 的作用可以直接落到三件事上：

1）暴露上下文资源

通过 resources 提供：

1. PRD

2. 接口文档

3. 数据 schema

4. 状态机配置

5. 历史缺陷摘要

6. 测试规范

这类数据属于“上下文资源”。

2）暴露可执行能力

通过 tools 提供：

• analyze_requirements

• plan_test_objects

• generate_test_scenarios

• generate_test_cases

• review_coverage

• export_test_cases

这类能力属于“可执行动作”。

3）暴露结构化模板

通过 prompts 提供：

• requirement analysis 模板

• scenario generation 模板

• compliance review 模板

所以，MCP 在测试系统里的真正价值不是“让 AI 更聪明”，而是：

让测试系统能够被标准化接入企业环境，也让企业自己的 agent 能标准化调用你的测试能力。

这也是为什么，从技术角度看，“Treeify 的 MCP 是 agent-as-tool ”这个说法是成立的。

因为外部系统表面看到的是一个 tool，但这个 tool 背后不一定是简单函数，也可能是一个完整的测试分析 agent。

---

5. OpenClaw：在测试用例系统里，它更像“Agent 的宿主和编排环境”

最后说 OpenClaw。

从技术视角看，OpenClaw 不是测试方法本身，也不是测试用例生成算法。

它更接近一个agent runtime / 编排宿主。

公开文档里，OpenClaw 明确说明它使用 AgentSkills-compatible 的 skill 文件夹，每个 skill 都带一个 SKILL.md，系统会按环境、配置和依赖决定加载哪些 skills。

这意味着，如果把它放进测试用例场景里，它的角色通常是：

• 承载 agent 的运行

• 装载本地或外部 skills

• 让模型知道有哪些 skill 可用

• 在需要时读取 SKILL.md

• 调用 tools 或外部服务

换句话说，OpenClaw 本身不等于“测试能力”，

它更像是一个能运行测试能力的环境。

如果用一个更直观的方式理解：

• skill是能力包

• agent是执行者

• OpenClaw是执行者跑起来的工作台

例如，一个企业完全可以这样工作：

• 用 OpenClaw 作为 agent 宿主

• 在 OpenClaw 中配置 testing skills

• 通过 MCP 接入 Treeify 的专业测试分析能力

• 由外层 agent 统一调度流程

• 由 Treeify 作为测试专业节点完成需求分析、测试对象识别、测试场景和测试用例生成

这就是一个非常典型的“OpenClaw + skills + MCP + 专业测试 agent”组合。

---

6. 最容易混淆的几个地方

在技术讨论里，下面几组概念最容易混。

Prompt 和 Skill 的区别

• Prompt 是一次执行时的任务指令。

• Skill 是长期复用的方法封装。

一句话区分：

prompt 是“这次怎么说”，skill 是“这类事一直怎么做”。

Skill 和 Agent 的区别

• Skill 提供专业方法。

• Agent 负责决定什么时候调用哪个 skill，并把多个 skill 串成任务流程。

一句话区分：

skill 提供能力，agent 组织能力。

MCP 和 Tool 的区别

• Tool 是一个具体动作。

• MCP 是把这些动作和资源暴露出来的标准方式。

一句话区分：

tool 是能力本身，MCP 是接入协议。

OpenClaw 和 Agent 的区别

Agent 是逻辑角色。

OpenClaw 是承载 agent 的运行环境之一。

一句话区分：

agent 是谁在做事，OpenClaw 是它跑在哪。

---

7. 为什么企业级 AI 测试用例系统，一定会走向这几个层次的组合？

如果只做 Demo，一个 prompt + 一个文档上传入口，可能已经能生成一些“像样”的测试用例。

但如果目标是企业级系统，问题就会变成：

• 方法如何复用？

• 任务如何分解？

• 上下文如何接入？

• 外部系统如何连接？

• 能力如何嵌入现有 agent 体系？

• 整个流程如何长期维护？

也正因为如此，今天真正往企业落地的 AI 测试系统，重点已经不再是“谁写了一个更长的 prompt”，而是：

谁能把测试方法工程化，
谁能把能力模块化，
谁能把外部系统标准化接进来，
谁能让整个测试分析流程真正跑起来。

---

结尾：从技术上看，企业级 AI 测试不是“一个模型”，而是一套分层系统

如果用一句话收束这篇文章，我会这样说：

在测试用例系统里，Prompt 负责单步指令，Skills 负责方法复用，Agent 负责任务治理，MCP 负责外部接入，OpenClaw 负责运行和编排。

把这几层混在一起，很容易把系统做成“看起来什么都懂，实际边界不清”。

把这几层拆清楚，才有机会做出真正可维护、可扩展、可接企业环境的 AI 测试能力系统。这也是为什么，今天讨论 AI 测试时，真正值得关注的已经不只是“模型能不能生成测试用例”，而是：这套系统到底是怎么工作的。

感谢每一个认真阅读我文章的人！！！

作为一位过来人也是希望大家少走一些弯路，如果你不想再体验一次学习时找不到资料，没人解答问题，坚持几天便放弃的感受的话，在这里我给大家分享一些自动化测试的学习资源，希望能给你前进的路上带来帮助。

软件测试面试文档

我们学习必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有字节大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

 

          视频文档获取方式：
这份文档和视频资料，对于想从事【软件测试】的朋友来说应该是最全面最完整的备战仓库，这个仓库也陪伴我走过了最艰难的路程，希望也能帮助到你！以上均可以分享，点下方小卡片即可自行领取。