随着 AI 工具逐步进入软件开发流程，测试工作也从人工为主的执行模式，转向人机协作的工程实践。在实际项目中单点式的 AI 辅助（如仅用于生成测试代码或用例）难以形成持续收益，测试流程仍然存在割裂与重复劳动，质量反馈也难以成效。

本次分享我将聚焦智能化测试在质量内建中的落地实践，介绍如何围绕测试流程进行优化：通过 AI 参与测试案例规划与生成，并结合 Agent Skills、Playwright Agent 与 MCP，实现测试脚本自动编写与缺陷修复，逐步形成「规划、执行、反馈」的自动化闭环。分享将结合实际案例，探讨技术选型、Agent 协作设计与上下文管理等关键问题，为智能化测试提供可落地的实践参考。

演讲提纲

1. 背景与挑战

• AI 时代的测试变革：人机协同成为破局关键
• 当前 QA 在 AI 工具使用中的核心痛点
  • 认知偏差：将 AI 视为工具而非协同伙伴，忽视人机配合价值
  • 使用破碎化：AI 工具分散在测试各环节，缺乏全流程闭环衔接，数据不通、效率打折
  • 技术适配难：现有 AI 工具与测试框架、业务场景兼容性不足，落地效果不及预期

2. 核心技术底座：Agent Skills + Playwright Agent + MCP 的协同架构

• 关键技术模块解析：
  • Agent Skills：根据业务场景提供可复用智能体、包括需求理解测试案例设计等
  • Playwright Agent：聚焦自动化测试执行核心，实现跨浏览器、跨平台的测试脚本生成、执行与结果反馈
  • MCP：提供拓展能力，打通平台间隔阂

3. 工程实践：从案例生成到自动修复的全流程落地

• AI 驱动的测试案例生成：Agent Skills 基于需求文档、Jira Ticket 等工具构建测试场景图谱
• AI 自动化测试代码生成：Playwright Agent 接收测试案例，自动生成标准化、可执行的自动化测试脚本
• AI 自动修复测试代码：测试执行后失败，透过 AI 自修复功能调整测试脚本

4. 未来展望

您认为，这样的技术在实践过程中有哪些痛点？

• AI 业务逻辑理解的边界：AI 在处理复杂嵌套业务规则时容易出现偏差，常产生形式正确但逻辑失效的测试或代码，关键场景仍需人工校验
• 修复能力的泛化受限：AI 主要覆盖元素定位、断言等常见问题，对业务变更引发的隐性依赖或跨系统异常识别不足，复杂故障仍依赖人工结合业务上下文推导
• 人机协同的平衡挑战：过度依赖 AI 会削弱团队的业务理解，过度人工介入又会侵蚀自动化收益，如何划定 AI 自主与人工介入的边界，是落地中的权衡

演讲亮点

• 闭环化技术架构： Agent Skills+Playwright Agent+MCP 的协同架构，打通从案例生成、代码编写、故障修复链路闭环，实现测试流程端到端自动化，解决过去使用 AI 工具流程断裂的痛点
• 业务化技能沉淀机制：优化过去使用 AI 测试工具通用能力强、业务适配弱的瓶颈，透过 Agent Skills 规范化重复行为，让生成的案例与代码更具可重复性

听众收益

• 掌握 Agent 驱动的测试闭环落地方法，解决 AI 工具单点使用、流程割裂
• Agent Skills、Playwright Agent 与 MCP 的职责拆分与组合范式