现阶段很多测试同学都会用大模型辅助编写测试用例，但大家应该都遇到过同一个问题：同样让AI生成用例，别人产出的内容贴合业务、覆盖全面，自己得到的用例却残缺不全、脱离实际，甚至完全无法直接使用。

其实抛开大模型本身的能力差异，核心关键点只有一个：AI生成用例的质量上限，永远由原始需求决定。

如果需求资料零散杂乱、关键交互缺失、页面状态不完整，哪怕使用顶级大模型，也无法输出专业、完整、适配业务场景的测试用例。

一、当下团队需求承载现状

目前绝大多数互联网及传统研发团队，都不会只用单一格式传递需求。日常工作中，产品的需求、原型、交互逻辑，基本分散在各类主流协作平台中：

• 文字需求：飞书文档、Word、PDF

• UI设计&交互：蓝湖、Figma

• 业务原型：Axure

但市面上绝大多数通用AI工具，都存在同一个硬伤：无法直接解析外部平台链接。没办法直接读取原型、设计稿内的页面元素、交互规则、隐性状态。

二、传统处理方式的弊端

为了解决这个问题，绝大多数测试人员只能采用最原始的方式：手动搬运需求。

逐段复制文字需求、单独截图保存页面、手动导出原型页面，再统一打包投喂给AI。这种模式看似能解决问题，实则弊端非常明显：

1. 效率极低：重复的复制、截图、导出操作，耗费大量无效时间；

2. 信息残缺：只能搬运显性文字内容，极易丢失交互逻辑、弹窗状态、字段约束、页面跳转等隐性核心需求；

3. 理解偏差：碎片化的资料，会导致AI无法串联完整业务链路，最终产出的用例片面化、实用性差。

三、我的方案：MCP+Skill +CLI

针对这类痛点，我采取了不同的需求解析方案。通过接入飞书、蓝湖、Figma、Axure官方MCP能力，再封装整合为通用 Skill。

整套方案的核心逻辑：直接对接平台底层接口，一键拉取完整需求数据，自动生成结构化Markdown需求文档，给AI提供完整的上下文，从源头解决用例质量差的问题。

详细教程和skill都放在【Raina的AI&测试实战圈】里面，感兴趣的可以了解看看

四、案例演示

案例1：蓝湖原型读取

输入指令：

在AI对话框中，直接调用对应的Skill，并输入蓝湖原型链接即可：

/lanhu-requirements-doc + 对应的蓝湖原型链接

Skill会自动调用蓝湖MCP能力，自主访问链接并解析全部内容，包含页面结构、UI元素、标注信息、交互规则、弹窗逻辑、字段限制等全部数据，无需人工二次干预。

执行完成后，自动输出一份标准化的Markdown需求文档。文档结构清晰、内容完整，完整还原产品原始需求。

后续我们直接基于这份结构化MD文档，交给AI拆解功能点、编写正向/反向用例、梳理边界场景，生成的用例质量会得到质的提升。

案例2：figma原型读取

1、输入指令：

按下回车后，AI 会自动调用已启动的 Figma MCP，向 Figma 平台发起请求，完整读取对应原型的所有内容，包括页面布局、组件交互、输入框规则、备注信息、设计规范等

2、获取并使用标准化需求文档

等待解析完成后，AI 会自动将读取到的 Figma 原型信息进行结构化整理，生成完整的 Markdown 格式需求文档，文档覆盖概述、范围、页面与信息架构、详细功能说明、统一组件与设计规范、非功能性说明、待确认事项等核心模块，可直接用于后续测试工作。

以下是部分内容截图：

在实际的使用中，我们可以直接将我们需要的原型内容，一个一个链接提供给ai进行解析，例如我只要需要关注用户管理的这几个原型

那么我这边就需要这样子处理，将这4个原型内容的链接进行复制提供给ai

这样子生成出来的部分内容效果如下：

后续大家要利用这份文档去生成测试用例时，就可以直接在对话框调用“生成测试用例的 skill + 需求文档”，进行生成了

案例3：飞书CLI+Skill读取飞书需求文档

配置飞书cli以及安装相应的skill之后，

在对话框输入指令：

读取结果：

案例4：读取word/pdf/ppt格式的需求文档

1、pdf 需求文档 转 markdown 文件

输入：

输出：

AI 会自动创建 文件名_export 专属文件夹：

• 抽取所有图片自动放入 media 子目录；

• 生成 index.md 汇总全部文字内容；

• 正文自动关联引用图片，打开即可图文对照查看。

最终转换的效果如下：

整体转换还原度高，结构清晰，可直接交给 AI 做需求拆解、用例生成

2、word 转 markdown 文件

输入：

首次运行会自动检测并安装 Pandoc 依赖，无需手动折腾配置，等待自动安装完成后，即可生成结构标准、图文齐全的 Markdown 文档

最终生成效果

3、PPT转markdown文件

输入：

效果如下：

自动逐页抓取每页文字内容、配图信息，按页面顺序整理到 Markdown 中，一页一段落，结构清晰，方便做需求汇总、方案梳理、知识库归档。

五、方案核心优势

对比传统手动搬运模式，基于MCP、Skill、Cli的方案优势十分突出：

✅ 告别复制粘贴：仅需一条链接即可完成解析，彻底解放双手，减少无效重复工作

✅ 需求信息全覆盖：同步抓取文字、页面元素、交互逻辑、状态流转，守住隐性需求不丢失

✅ 标准化输出：统一输出Markdown格式文档，结构规整，适配所有大模型，AI理解效率更高

✅ 高复用低成本：一次配置永久生效，不仅适配个人日常提效，也能直接在团队内共享复用

小结

很多时候我们纠结AI生成用例质量差，一味去调试提示词、切换大模型，却忽略了最本质的问题：问题可能不在AI，而在输入的需求资料。优质的测试用例，前提一定是完整、结构化的需求上下文。

以上是今天分享的内容，以上提到的案例详细教程以及skill都已经在【Raina的 AI&测试实战圈】知识星球里进行分享了，跟着步骤操作就可以上手，提高日常测试工作效率。圈内还有很多AI赋能测试全流程的相关实战教程，感兴趣的小伙伴可以加入了解哦～