作者介绍：胡臻荣，来自货拉拉/技术中心/质量保障部/出行组。负责出行组质量保障与效能工具建设

一、背景：当我们谈论自动化时我们在谈论什么？不过，

许多团队把“接口自动化”理解为脚本跑起来就好。流水线、报告、告警都搞定了但用例设计、数据准备、断言编写和失败修复仍然完全依赖人工。

自动化往往只解决“跑”，却忽视了“产”。

三个现实让测试同学越忙越难

• 效率痛点：用例编写与维护占总工时两成以上；需求变更频繁时时间消耗更大。
• 质量瓶颈：边界和异常易漏测；安全网退化为“出事再补”，经验难以沉淀。
• 资源冲突：功能 / 接口 / 回归并行推进，人工编写 + 执行已跟不上业务节奏。

说到问题本质，链路断裂。而非仅仅是速度不足

设计 → 取数 → 编写脚本 → 断言 → 修复失败 → 补覆盖——每一步都需要人工介入。老实说，覆盖度往往依赖个人经验。怎么说呢，

"我们自动化的是跑。没有自动化的是产，"

说到我们的目标，让 AI 辅助闭环整个生成过程。让 LLM 负责理解与生成，协议负责约束，让每个人都是标准化用例的专家。

二、从「能跑通」到「能交付」：为什么需要 Skill

AIGenerated scripts often require heavy human intervention: path fixing,package names,assertions。compilation loops.

The gap is in five layers:

• 数据层：true samples from traffic replay or Monitor are hard to auto-fetch.
• 风格层：differing repository frameworks make templates brittle.
• 断言层：sparse assertions miss business rules.
• 交付层：No lint/compile gates until runtime.
• 协作层：end results are non‑repeatable across teams.

Skill 工程协议与四条交付承诺

Skill 是面向交付的测试工程协议。将所有规则前置：数据取法、仓库写法对齐、断言分层、门禁通过。使用者只需一句自然语言指令就可以完成所有步骤，无需手动配置规则或多轮对话。

1. .可信的数据流程：- 数据来源必须来自 MCP 或使用者输入；若缺少主要字段则停止生成。按理说，不同同学得到相同结果。怎么说呢，
2. .落地的代码形态：- 不采用固定模板枚举。而是根据目标仓库扫描已有代码进行仿写，从而保持一致性。其实，
3. .可验证的质量门禁：- 静态自检 + 编译验证；编译失败不得交付，深度语义校验同等关键。
4. .可 再看模式路由。- 单接口 XMind 转自动化 场景级 llrunner 覆盖率补测 等各模式独立清单，不混合导致能力串线。

三、整体架构设计：分层解耦。各司其职

• <-->: 接收自然语言意图，只需表达想要测什么不必描述怎么测或到底测到哪儿。
• <-->: 中枢控制任务识别和模式路由； 决定走哪条生成方法，并制定所有交付标准。包括仿写策略与三层断言程序。
• <-->: 与真实世界打通——流量回放、监控日志、本地源码还有覆盖率报告提供真实样本，而不是让模型自行编造 path 与字段。
• <-->: 静态检查+编译验证作为交付底线。在合入前拦截问题，避免流水线阶段才发现错误。
• <-->: 输出可提交 TestNG 代码——真实 path、对齐包结构、有深度业务断言且可以直接编译运行。

MCP 数据层：连接真实世界

      '先拿到真相再做改正'而非'后面再纠偏'。'按不同场景组织多重兜底','防止静默切换'.

设计原则'

• '单一职责','数据·规则·质量三层分离','MCP不替代Skill设标准','Skill不替代门禁做编译'.

• '规则外置','团队规范沉淀为可版本管理协议'.

• '模式隔离','按需加载 reference 避免能力串线上下文失焦 '.

• .…a> . …a> . …

  ---

  四、主要能力提高：效率 · 质量 · 覆盖度 '    

  用自然语言驱动的一键生成。让测试人员摆脱重复编码和跨程序查参，把精力投向风险判断和场景设计。 程序全流程自动完成从意图识别到最终代码输出。 老实说，

`效果收益` - `人力投入压缩`。