一 背景

最近一段时间，AI Agent 领域变化非常快。 从最早的 Prompt Engineering，到后来的 RAG，再到 MCP（Model Context Protocol），AI 的工程化能力正在迅速提升。很多开发者都在讨论一个问题：

如何让 AI 不只是聊天，而是真正参与工程工作。

对于测试工程师来说，这个问题其实更加现实，每天的工作中，存在大量重复流程：

•根据需求文档编写测试用例

•根据 Swagger 文档设计接口测试

•编写自动化脚本

•分析测试日志

•生成测试报告

如果这些流程可以被 AI 标准化、自动化、复用化，测试效率会有非常明显的提升。

于是越来越多的测试工程师开始尝试使用 AI 工具，例如：ChatGPT、Claude、Cursor等

刚开始用的时候大家会觉得很惊艳：“AI 居然可以帮我写测试用例！”，但用一段时间之后，很快又会遇到新的问题：

•同一个接口，每次生成的测试用例结构都不一样

•Bug 报告格式混乱，不能直接提交系统

•有些关键测试场景 AI 根本没有考虑到

•每次都要重新解释业务背景

很多人会以为这是 AI 能力的问题。但其实更根本的原因是：AI 不知道你们团队的测试流程和规范。

而 Agent Skills，就是解决这个问题的一种方法：它可以把测试工程师的经验、流程和模板固化下来，让 AI 按照你的规则来工作。

换句话说：

Agent Skills 可以把 AI 从“聊天工具”，变成真正的 QA 助手。

这篇文章会从工程实践角度，系统介绍：

•Agent Skills 到底是什么

•为什么测试工程师值得学习

•如何在实际项目中落地使用

二 Agent Skills 是什么？从测试工程师视角理解

很多技术文章会把 Agent Skills 描述得非常复杂。

但如果站在测试工程师角度，其实很好理解。

简单来说：

Agent Skills 就是一套写在 Markdown 文件里的测试工作规范。

AI 在执行任务时，会按照这些规范来完成工作。

官方定义中提到：

Agent Skills 是一种可复用的资源集合，用于为 AI Agent 提供领域知识、工作流程和最佳实践。

换成测试工程师更容易理解的说法就是：

你把测试 SOP 写进一个文件，AI 就会按 SOP 工作。

2.1 Skill 的基本结构

一个 Skill 的结构其实非常简单：

skill-name
├ SKILL.md
├ references/
└ scripts/

其中最重要的文件就是

SKILL.md

这个文件通常包含三类内容：

2.2 使用场景

告诉 AI：什么时候应该使用这个 Skill。

例如：

•当用户需要生成接口测试用例

•当用户需要整理 Bug 报告

•当用户需要分析日志

这样 AI 才知道在什么情况下调用它。

2.3 工作流程

这里会写清楚：AI 应该按照什么步骤执行任务。例如接口测试 Skill 可能会写：

1 解析接口文档

2 识别请求方法和路径

3 分析参数结构

4 设计测试场景

通过这种方式，AI 不再是随便生成内容，而是按流程执行。

2.4 输出格式

这是测试工程师最关心的一部分。

比如：

接口测试用例必须输出为：

| 用例ID | 测试场景 | 输入参数 | 预期结果 |

Bug 报告必须包含：

•Bug标题

•复现步骤

•预期结果

•实际结果

•测试环境

只要模板写清楚，AI 每次输出都会保持一致。

三 为什么测试工程师特别适合使用 Skills

其实在所有岗位中，测试工程师可能是最适合使用 Skills 的群体之一。

因为测试工作本身就非常依赖：流程 + 模板 + 规范。

例如：

测试工作通常包括：

测试计划 → 用例设计 → 执行测试 → 提交 Bug → 回归测试 → 输出报告

这些流程如果没有规范，很容易出现问题。

例如：

•用例覆盖不完整

•Bug 报告信息不全

•测试报告结构混乱

如果把这些规范写进 Skills，AI 就可以帮你自动执行很多工作。

3.1 场景1：自动生成接口测试用例

很多团队的接口测试流程其实很类似：

1 阅读接口文档

2 识别参数

3 设计测试场景

4 编写测试用例

如果完全手动做，一个接口往往需要 10～20 分钟。

但如果写一个 Skill：AI 可以在几秒钟内生成完整测试用例。并且自动覆盖：

•正常场景

•参数异常

•边界值

•鉴权测试

3.2 场景2：Bug 报告自动整理

测试工程师经常会遇到这种情况：

用户只说了一句话：

“登录的时候报错了。”

测试需要自己补充：

•复现步骤

•环境信息

•预期结果

如果使用 Bug Report Skill，只需要把用户描述粘进去，AI 就能自动生成完整 Bug 报告。

3.3 场景3：日志分析

当系统出现问题时，测试工程师经常要查看日志。

例如：

•Nginx日志

•应用日志

•接口日志

如果写一个 Log Analysis Skill。

AI 可以自动：

•提取错误信息

•判断异常类型

•给出排查建议

四 实战案例：创建接口测试用例生成 Skill

下面我们用一个真实场景来演示。

假设我们希望 AI 能自动生成接口测试用例。

4.1 第一步：创建 Skill 目录

在项目中创建目录：

.claude/skills/api-test-case-generator

完整结构：

.claude
└ skills
└ api-test-case-generator
└ SKILL.md

这样 AI 工具就能识别这个 Skill。

4.2 第二步：编写 SKILL.md

示例内容：

---
name: api-test-case-generator
description: 根据接口文档生成完整接口测试用例
---
# 接口测试用例生成器
你是一名经验丰富的接口测试工程师。
你的任务是根据接口文档生成完整测试用例。
## 分析步骤
1 识别接口路径
2 识别请求方法
3 解析请求参数
4 识别业务规则
## 测试覆盖范围
必须包含以下场景：
### 正常场景
合法参数请求成功
### 参数异常
- 缺少参数
- 参数类型错误
- 非法值
### 边界测试
- 最大长度
- 最小长度
- 临界值
### 鉴权测试
- 无Token
- Token错误
- Token过期
## 输出格式
| 用例ID | 场景 | 输入 | 预期结果 |

4.3 第三步：调用 Skill

在 AI 中输入：

使用接口测试用例生成器
根据下面接口文档生成测试用例

AI 就会按 Skill 的规则生成用例。

而不是随机输出。

五 写好 Skill 的几个经验

1 description 要写清楚

AI 是否调用 Skill，很大程度取决于 description。

必须明确说明：什么时候使用这个 Skill。

2 提供模板示例

AI 非常依赖示例。

如果你给出一个表格模板：

AI 基本都会按这个结构输出。

3 Skill 不要太大

建议：SKILL.md < 500 行

复杂内容放到references 中

六 总结

很多人觉得 AI 会取代测试工程师，但现实情况恰恰相反，真正会被替代的，往往是：

重复、机械、没有流程沉淀的工作。

而像 Agent Skills 这样的工具，反而让测试工程师能够：

•把经验沉淀下来

•把流程自动化

•把 AI 变成生产力工具

未来很可能每个测试团队都会拥有自己的：QA Skills

而那些懂得：如何让 AI 按测试规范工作的工程师

将会成为：AI 时代最有价值的测试工程师。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】