02 — Agent / Skills / MCP 测试实战指南

从概念到实战：让 AI 成为测试团队的可复用资产

基于 官方文档提炼
面向财政系统测试场景

作者：浅木·先生
版本：v1.0（2026-05-29）

---

目录

• 一、三层架构：MCP / Agent / Skills 分别干什么
• 二、Skills 的核心机制
• 三、Skill 编写规范与最佳实践
• 四、测试场景 Skill 实战
  • 测试计划生成 Skill
  • Excel / Xmind 用例生成 Skill
  • JMeter 脚本生成 Skill
  • 接口测试用例生成 Skill
  • 测试用例审核 Skill
  • 需求评审 Skill
• 五、MCP 集成指南
  • Playwright MCP
  • CDP Bridge MCP
  • Allure MCP
• 六、Agent Memory 在测试中落地
• 七、Agent + Skills + MCP 全栈方案
• 八、常见踩坑与反思

---

一、三层架构：MCP / Agent / Skills 分别干什么

很多人一开始就把这三个概念搞混了。先画清楚：

层级	类比	核心能力	代表
Agent	大脑+决策中心	理解上下文、协调工具、自主决策	Hermes、Claude Code、OpenClaw
Skills	肌肉记忆	结构化的操作流程、可复用的工作流	test-case-generator、playwright-cli
MCP	感官+肢体	连接外部工具（浏览器/文件/数据库）	@playwright/mcp、CDP Bridge

关系：

用户指令
    ↓
Agent（大脑：理解需求、分配任务）
    ├── Skills（肌肉记忆：按 SOP 执行）
    │       └── 调用 MCP / 工具
    ├── MCP（感官：读写文件、操作浏览器）
    └── 内置工具（终端/网络等）

对测试的意义：

• Agent 是"知道怎么测"（决策层）
• Skills 是"知道测什么步骤"（流程层）
• MCP 是"知道怎么操作"（执行层）

选型原则：

• 固定流程 → 写成 Skill → AI 按步骤执行
• 需要外部工具 → 配 MCP → AI 直接调用
• 复杂决策 + 多步骤 → Agent 调度 → 自动编排

---

二、Skills 的核心机制

Skill 文件结构

每个 Skill 是一个目录，结构如下：

skills/my-test-skill/
├── SKILL.md           ← 主文件（必需）
├── references/        ← 分层引用
│   ├── api.yaml
│   └── templates/
├── scripts/           ← 可执行脚本
│   └── generate.py
└── assets/            ← 资源文件

SKILL.md 的 YAML Frontmatter

---
name: test-plan-generator
description: 根据需求文档自动生成测试策略文档
author: Kong Fanteng
trigger: 根据这份需求生成测试策略
model: deepseek-chat
tags: [测试策略, 测试计划, 测试管理]
---

内容正文...

references 分层加载（重要）

这是 Skill 的高级用法：

SKILL.md 中写：加载 references/api.yaml
    ↓
Agent 读取 references/api.yaml 作为接口规范参考
    ↓
Agent 根据接口规范生成测试用例

好处：references 可以独立更新，不用改 SKILL.md 本身。

渐进式披露机制

AI 不会把完整的 Skill 内容一次性塞进上下文，而是：

1. 只加载 SKILL.md 顶部概要
2. 用户提问时按需加载 references 和 scripts
3. 上下文轻盈，Token 消耗低

---

三、Skill 编写规范与最佳实践

高质量 Skill 三要素

维度	原则	反面例子
可测性	输入是什么、输出是什么，边界明确	“帮我优化一下这个”
稳定性	不受模型/平台影响，输出格式固定	“你觉得怎么好就怎么输出”
复用性	换项目换场景还能用	硬编码了项目名/路径

编写步骤

Step 1: 确定输入 → 需求文档 / 接口文档 / URL
Step 2: 确定输出 → Excel / Markdown / JSON
Step 3: 写 SKILL.md
Step 4: references 放数据/模板
Step 5: 测试 → 让 Agent 跑一遍
Step 6: 迭代 → 根据结果微调

踩坑清单

常见错误	正确做法
SKILL.md 写太长（>500行）	用 references 拆分
触发条件太模糊	用精确的关键词匹配
忽略了输入校验	在 SKILL.md 开头明确输入格式
输出格式不固定	用模板约束输出
硬编码了项目路径	用相对路径或参数化

---

四、测试场景 Skill 实战

测试计划生成 Skill

用途：输入 PRD + 架构文档 → 自动输出测试策略文档

输出包含（6 大模块）：

1. 测试范围（功能点清单）
2. 测试方法（功能/接口/UI/性能）
3. 测试环境（环境拓扑）
4. 资源分配（人员+时间）
5. 风险分析（代码改动量 + 历史Bug密度 + 外部依赖）
6. 进度计划

效率对比：

手动：1-2 天
Skill 初稿：30 分钟
微调：30 分钟 → 提交评审

风险分析维度（Skill 自动计算）：

• 代码改动量大小
• 历史 Bug 密度（高频出 Bug 的模块加重覆盖）
• 外部依赖稳定性（第三方接口是否变过）
• 业务影响面（影响多少个下游系统）
• 关联模块数量

Excel / Xmind 用例生成 Skill

用法：

# 在 Hermes/Cursor 中导入 Skill 后
# 输入需求文档，调用对应 Skill

"@需求文档 调用：excel-test-case-generator skill"
"@需求文档 调用：xmind-test-case-generator skill"

AI 自动执行：

1. 读取 Skill → 理解输出格式要求
2. 分析需求文档 → 提取功能点
3. 生成用例 JSON
4. 执行 Python 脚本 → 输出 .xlsx / .xmind 文件

适用场景：需求文档转规范格式的测试用例，避免手工排版。

JMeter 脚本生成 Skill

用法：

"@接口文档 调用：jmx-test-generator skill"

流程：

1. 导入 Skill 包
2. 在项目目录放接口文档（建议 .md 格式）
3. AI 自动解析接口（URL/方法/参数/Header/响应格式）
4. 生成 .jmx 文件
5. 在 JMeter 中 Open 即可运行

关键：接口文档越完整（包含请求示例、响应示例），生成的脚本越精准。

接口测试用例生成 Skill

适用平台：Hermes / Cursor / Claude / ChatGPT

输入：Swagger 2.0 / OpenAPI 3.0 / Postman Collection v2.1

多维度生成：

• 正常用例（正向流程）
• 边界值用例（参数边界）
• 错误用例（异常参数）
• 认证场景（无 Token / Token 过期 / 权限不足）
• 交叉验证（组合参数）
• 分页场景

多格式输出：

• Markdown 表格 → 直接评审
• CSV → 导入测试管理平台
• Postman Collection JSON → 一键导入

测试用例审核 Skill

用途：用例评审从"凭经验"变成"可评分"

评分维度：

• 覆盖度（是否覆盖了正向/负向/边界）
• 清晰度（步骤是否可执行）
• 可执行性（是否有前置条件、预期结果是否明确）
• 关联性（是否关联了需求和缺陷）

输出：评分报告 + 优化建议

需求评审 Skill

用途：检测需求文档的质量问题

检测维度：

• 功能完整性（有没有遗漏功能点）
• 数据准确性（字段定义是否明确）
• 业务规则（规则是否有歧义）
• 用户体验（交互流程是否合理）

---

五、MCP 集成指南

Playwright MCP

安装：

npm install -g @playwright/mcp
npx playwright install

Hermes 配置：

# config.yaml 的 mcpServers 部分
mcpServers:
  playwright:
    command: npx
    args: ["@playwright/mcp"]

核心工具：

• browser_snapshot → 无障碍树（非DOM，定位更稳定）
• browser_navigate → 导航到 URL
• browser_click → 点击元素
• browser_type → 输入文本

适用场景：

• 探索式测试（3分钟/页）
• AI 生成脚本（8分钟/模块）
• 报错自动修复（59.6秒 fix vs 人工 30分钟）

CDP Bridge MCP

用途：让 AI 接管已登录的浏览器会话，复用登录态

uvx cdp-bridge@latest

核心功能：

• 复用浏览器登录态（Cookie、Session）
• 多标签页管理
• 页面操作在真实浏览器中执行

适用场景：财政系统需要登录态的业务流程自动化测试。

对比：

方案	登录态	Token 消耗	定位稳定性
Playwright MCP	沙箱新会话	高	无障碍树
CDP Bridge	复用现有会话	中	真实页面
Playwright CLI	无	低	无障碍树

Allure MCP

用途：让 AI 读测试报告并自动修复失败用例

# MCP-Allure 服务
# 将 Allure HTML 报告转为 AI 可读的结构化 JSON

闭环流程：

Skill 生成规范用例 → 执行(pytest) → Allure 出报告
    → MCP-Allure 转 JSON → AI 读报告分析失败原因
    → AI 修改代码 → 重测 → 闭环

---

六、Agent Memory 在测试中落地

三层记忆模型

记忆类型	内容	在测试中的应用
语义记忆	知识（接口规范、业务规则）	RAG 知识库，存放财政业务规则
情节记忆	经历（上次测试结果）	记录历史 Bug、失败原因
程序记忆	技能（操作流程）	Skills，固化测试流程

落地建议

测试团队记忆配置：

# 配置 Mem0 作为增强记忆
memory:
  provider: mem0

# 语义知识库
# %USERPROFILE%\.hermes\memories\knowledge\
# ├── business-rules.md      ← 财政业务规则
# ├── api-specs.md           ← 接口规范
# └── env-config.md          ← 环境配置

# 情节记忆（自动记录）
# Mem0 自动提取跨会话的有价值信息

手动管理记忆：

# 查看记忆状态
hermes memory status

# 配置外置记忆
hermes memory setup

# 清理旧记忆
# 手动编辑 %USERPROFILE%\.hermes\memories\MEMORY.md

---

七、Agent + Skills + MCP 全栈方案

接口自动化智能体平台架构

用户指令（自然语言）
    ↓
Agent（Hermes，协调中枢）
    ├── Skills 层
    │   ├── api-test-plan-generator    → 测试计划
    │   ├── interface-testcase-gen      → 接口用例生成
    │   ├── playwright-ui-script-gen    → UI 脚本生成
    │   └── jmx-performance-gen         → 性能脚本
    ├── MCP 层
    │   ├── Playwright MCP              → 浏览器操作
    │   ├── CDP Bridge                  → 登录态复用
    │   ├── Allure MCP                  → 报告分析
    │   └── Database MCP                → 数据校验
    └── 内置工具
        ├── terminal                    → 命令执行
        ├── file                        → 文件操作
        └── web                         → 网页抓取

四步实施方案

阶段	内容	时间
L1 单点 Skill	把常用工作流写成 Skill（用例生成/脚本生成）	1周
L2 集成 MCP	接入 Playwright MCP / CDP Bridge	2周
L3 Agent 调度	Agent 自动编排 Skills + MCP	2周
L4 全栈闭环	需求→用例→脚本→执行→报告→自愈	持续

---

八、常见踩坑与反思

“强迫全员写 Skill” 可能是个坑

核心观点：不是所有人都适合写 Skill。Skill 的本质是把工作流程化，而不是让每个人"学会编程"。

正确做法：

• 让有流程思维的人写 Skill
• 让大多数人用 Skill（降低门槛）
• 测试 Lead 负责审核 Skill 质量

Skills 不是越多越好

• 一个团队维护 5~10 个核心 Skill 就够了
• 多余的 Skill 容易出现"没人知道有这个 Skill"
• 定期清理过期 Skill（特别是项目迁移后）

MCP 不适合所有场景

场景	推荐方式
简单文件操作	内置 terminal
复杂浏览器交互	Playwright MCP
已登录的页面	CDP Bridge
大量重复操作	Playwright CLI（低 Token）

---

建议配合 01-Hermes-Agent-从入门到精通.md 一起使用