本文整理自 QCon 北京 2026 蔡明哲分享《透过Agent Skill、MCP再到Pre的全链路智能化流程与实践方案》，通过AI音视频总结工具 Ai好记 进行转录整理，以下为视频转文字整理后的会议笔记内容。

AI 时代，卡住迭代的可能是测试

开发侧这几年效率被 AI 拉得飞起，代码生成、自动补全都快烂大街了。

但蔡明哲这场分享点出一个很现实的问题：开发提速之后，测试环节反倒成了瓶颈。

如果 QA 不用 AI 来一场同等的效率革命，整个产品迭代速度就被拖住了。

所以开篇那个判断很直接：AI 是 QA 的加速器，不是替代者。QA 的核心价值在于保障质量，而不只是执行测试。但反过来，没能善用 AI 的从业者，确实面临被淘汰的风险。这话听着刺耳，但逻辑很诚实。

用错 AI 工具：最典型的反面教材

分享里给了一个特别典型的「用错 AI」的例子：直接拿通用大模型（比如 ChatGPT）让它写测试用例。结果呢？因为没有业务上下文，生成的用例质量低下，用的人反而对 AI 失去了信心。

问题的根子不在模型能力，在于没给模型正确的上下文和正确的执行框架。正确的做法，是构建具备领域知识的 Agent Skills。

Agent Skills：把复杂测试任务模块化

Agent Skills 是这套方案的核心实践工具。理念是创建单一职责、逻辑确定性的技能模块，把复杂任务拆分、封装、自动化。

举几个落地的例子：

• 成对组合测试：用 PICT（Pairwise Independent Combinatorial Testing）算法，用最少的用例组合覆盖所有参数的两两组合，高效发现参数交互引发的缺陷。
• 基于代码变更的测试分析：让 AI 分析本次改动可能影响的功能模块和风险点，自动从用例库筛出高相关性的用例，再生成测试计划。
• Playwright Agent：在 Agent 执行 UI 操作的时候，通过 Hook 记录下所有触发的网络请求（API 调用），生成脚本时把 UI 步骤和捕获到的 API 请求信息一起输出，一次性产出包含 UI 和 API 验证的复合型测试脚本。

MCP：打通工具孤岛

测试这事天然涉及一堆系统：GitHub、TestRail、产品知识库、Jira……数据孤岛是常态。MCP（Model Context Protocol）在这里的价值就是把这个打通。

典型流程：通过 MCP 拿到 GitHub PR 的代码、提交信息、关联的 Jira 需求，再结合产品知识库的向量化检索，让 AI 分析改动影响范围和风险点，最后自动筛选测试用例、创建测试计划。整条链路的信息流通是自动化的，不用人肉搬数据。

一个对比：Agent Skills 和传统 RAG，做产品知识库谁更划算

分享里专门对比了这一组，挺有参考价值：

• 传统 RAG：技术门槛高，要数据清洗、向量化、持续维护；知识更新成本高，长文档、多格式处理效果一般。
• Agent Skills：维护成本低，只要维护原始文档；通过意图分层、动态加载，再结合更新的 LLM 能力，能用更低成本提供更精准的答案。

一句话，RAG 做知识库是一套「基建型」重方案，Agent Skills 是一种更轻、更灵活的封装方式。这给技术选型提供了一个很实际的参考维度。

转型方向：从执行者到架构师

这场分享的落点在 QA 职业转型上。AI 把 QA 从重复性劳动里解放出来，QA 应该把精力放到测试策略设计、质量风险评估、智能化测试体系的构建上。从执行者转向测试架构师。

未来展望也给出了方向：通过代码知识图谱实现更精准的测试用例筛选，用 AI 在 PR 阶段自动执行冒烟测试，做到「测得更深、测得更广、测得更快」，提前到更前置的环节介入质量。

以上内容由 Ai好记 转录整理。 Ai好记 是一款音视频转图文笔记的 AI 学习助手，支持
B站、抖音、小宇宙等平台链接及本地音视频文件，转入后自动生成精华速览、思维导图和结构化笔记，帮助你把几小时的视频内容变成可搜索、可复习的图文笔记。