来源：由AI生成

最近，有一个叫做“MCP”的东西在业内特别火，特别是在测试社区。你会听到人们说诸如“我们没有写一行代码就通过MCP实现了端到端自动化测试”的话。当然，MCP执行测试很强大，但说实话，这只是皮毛。

我们不能再把MCP单纯地看作是一个普通的测试运行器了。

MCP + AI代理 打开了更高级的工作流程，比如，

• 生成特定于领域的测试场景。
• 在 Three Amigos 会话期间自动以特定格式编写验收准则。
• 利用领域知识判断一个错误的有效与否。
• 处理需求变更但测试用例未更新的情形——想象重新运行相同的测试，但断言根据上下文更新。

我们可以用MCP和大模型来做更多的实际应用。

在这篇博文中，我会带你一步步看：

• 什么是MCP
• 它是如何工作的
• 比如，生成测试场景来解释MCP如何融入现代测试工作流中。

咱们开始吧。

早期的大规模语言模型（LLM）刚出现时，它们可以回答问题——但只能基于训练它们的数据来回答。没有实时的互联网支持，也没有实时上下文，只有静态的知识。

然后出现了可以访问互联网的大型语言模型（比如具备浏览功能的Perplexity或ChatGPT）。这些工具可以检索最新的公共信息，但仍然存在一些局限性。例如，如果我让Perplexity查询我所在地明天的天气，并告诉我如果会下雨的话，帮我订一件雨衣。虽然Perplexity可以提供天气更新，但它无法根据这些信息采取行动。这就是它的局限所在。

现在，我们已经进入了下一阶段，模型不仅能回答问题，还能执行任务、自动化流程，并与您的内部工具和数据无缝集成。这种能力是通过模型上下文协议（简称 MCP）实现的。

MCP 是一个开源平台，它为语言模型提供了一种标准化的方法，用于与外部资源进行交互、运行工具并执行自定义指令。

MCP的强大之处在于它的灵活性——任何人都可以创建一个MCP服务器，并且它可以与几乎所有的大型语言模型应用配合使用。无论你是使用VSCode、Claude、Cursor还是你自己的定制应用，都可以轻松连接到MCP服务器。

在MCP中有三个关键组件。

• MCP 主应用 — 任何想要像 Cursor IDE、VS Code 一样使用 MCP 的应用
• MCP 客户端 — 连接主机和 MCP 服务器的桥梁，比如 VS Code Agent、Cursor 中的 Claude 助手
• MCP 服务器 — 提供对外部系统访问的程序，通过工具、资源和提示

MCP是如何运作的？

下面的图清楚地展示了MCP流程。

例如，当用户向MCP客户端（比如Claude或GPT这样的）发送一个请求时，它将按照一个系统的流程进行。

• 请求发起步骤：用户通过MCP主机应用（如Cursor IDE、Claude Desktop等）提交请求。
• 客户端处理：主机应用中的MCP客户端将请求转发给云端的大型语言模型（如Claude或GPT）。
• AI分析：大型语言模型处理请求，理解用户意图并判断是否需要调用外部工具。
• 工具选择：根据其分析，大型语言模型指示MCP客户端使用哪些工具，进而向合适的MCP服务器发送特定工具的请求。
• 工具执行：MCP服务器连接到外部资源（如APIs、数据库、文件系统等）并执行请求的操作。
• 结果收集：外部工具将处理结果返回给MCP服务器，后者处理并格式化这些信息。
• 响应生成：MCP客户端将这些结果转发给云端的大型语言模型，后者将其整合到一个综合回复中。
• 最终交付：完成的响应通过客户端返回到主应用，并最终送达用户。

这是MCP（MCP）的内部工作原理，我将通过一些实际案例演示这项技术如何改变测试工作流程。

在这次演示中，我将展示MCP工具的强大之处，它可以生成测试用例并执行API测试，无需编写任何代码。你可以使用这些免费的MCP客户端，比如GitHub Copilot Agent、Claude或Cursor，在这个博客中重现我演示的所有内容。

在之前的博客里，我解释了如何通过模板驱动的方式来生成API的测试。现在在这次演示中，我将展示如何在不给任何额外提示的情况下生成测试。

我已经设置了一个自定义的MCP服务器，预先准备了API测试用例模板、查询天气预报以及专门用于执行API测试的工具——类似于你在Playwright MCP服务器上见过的UI自动化测试能力。

可用的工具列表

你可以看到，我们在这个MCP服务器上有三个工具。

• fetch_weather_forecast — 获取实时天气数据，用于测试或自动化场景
• generate_copilot_test_cases — 生成默认的API测试用例，无需额外提示
• execute_api_test — 立即执行这些测试用例，无需使用Postman或curl

虽然这个演示中使用了一个MCP服务器，但你没有必要将所有东西集中化。实际上，设置多个MCP服务器，每个服务器专注于特定任务、工具和提示集更好。

提示 : “今天关于伦敦和新德里的天气预报”

如下面的演示视频所展示，MCP 客户端调用了名为 fetch_weather_forecast 的工具，该工具调用了公开的天气 API，获取了实时的天气预报数据，并以结构化的格式将结果返回给 MCP 客户端。

实时天气预报工具 — 实时天气更新

如果你还在困惑MCP和像Perplexity这样的基于LLM的工具有什么区别，这些工具可以搜索和总结公共网络上的信息，让我简单说一下。

虽然Perplexity能搜索公共网络并总结内容，这就是它们能力的极限。它们在查找信息方面非常出色，但不能与你的系统互动，执行任务或进行实际操作。这就是MCP改变了游戏规则的地方。

通过MCP，你不仅在和一个模型交流，还能让它做，比如：

• 使用真实的工具来处理结果，而不仅仅是进行互联网搜索。
• 与内部/私有端点互动（位于您的安全网络内部）。
• 返回结构化的回复，而不仅仅是文本摘要。
• 对工具的输入输出进行精细化控制，并控制其生命周期。

简而言之，MCP 可以让你的 LLM 从一个被动的问答机器人变成一个能真正干活的积极助手。

现在让我们继续往下走一步，通过执行一个简单的 GET API 的测试脚本来进行。之后，我们会要求代理生成测试用例——不给任何详细指令。这样做是因为我们在 MCP 服务器中已经定义好了测试策略，也就是说，生成测试用例的逻辑直接嵌入在服务器内部，不依赖于即时的用户输入。所以当触发工具时，测试用例会按照预先设定的模板自动生成。

提示：执行API测试
将返回的状态码与预期值（201）进行比较
url为https://reqres.in/api/users/2，请求方式为GET

通过代理程序执行的 API 测试

如演示中所示，我故意将预期的状态码设置为 201，而实际的 API 返回了 200。工具正确识别了这一不匹配，并将测试标记为失败。当我将状态码调整为与实际响应一致时，测试成功通过。这展示了 MCP 如何实现快速、上下文感知的测试运行——不仅适用于 API 的测试，还可以用于 UI 工作流的测试。这些工具还可以扩展，用于生成 API 文档，验证 OpenAPI 合同，或者在需求变更时自动修复测试用例。

现在让我们看看这个工具如何仅需最少的输入就能生成测试案例，并且始终能够生成有意义且准确的测试结果。

提示 : 端点 : http://reqress.in/user/2 & 使用 GET 请求。测试用例

基于, 自定义测试策略的测试用例

如您在上述视频中所见，通过简单的提示，MCP客户端已经理解用户想生成测试用例，并且识别出服务器上已有能满足此需求的MCP工具。

尽管这个例子强调了测试生成这一环节，但MCP真正的魔力所在远不止于此。这项技术真的从根本上改变了我们对测试的看法。

我记得我们花好几天时间才编写出基本的测试用例。现在呢？情况变得不同了。现在不仅仅是自动化那些繁琐的任务，更是关于重新定义可能。

想想那些周一早上面对回归失败，喝着咖啡的情况。你正试图理清几十个测试失败，一个一个手动分类，分不清哪些是真正的bug，哪些是误报。如果MCP工具能借助LLM帮你搞定这一切会怎样？不仅运行测试，还能真正理解结果——自动找出模式，优先解决关键问题，并快速给出通常需要数小时才能发现的洞察。

有了智能工具帮忙，测试员可以专注于真正需要动脑的部分，比如策略、创新和影响力。

那些认识到MCP潜力不仅限于测试自动化的企业正在测试创新的前沿。仅仅将其用于测试自动化只是触及了这项技术潜力的表面。

一些有远见的团队正在充分利用MCP的所有潜力，从而彻底改变他们的整个测试方式，而另一些团队则仍然停留在过去的方式，仅仅把这项革命性技术视为“测试自动化2.0”。这就好比用法拉利来送菜，有点像。

我尝试解释MCP的概念，它是怎样运作的，以及它如何为优化工作流程提供了许多机会，从测试生成到其他质量保证流程。

但这让我想起了我最喜欢的一句话——“有了超凡的能力，就有了超凡的责任。”

在通过MCP构建或运行AI代理前，了解它们的“影响范围”——也就是潜在的危害或意外后果的大小——非常重要。

一旦大型语言模型（LLM）被授予系统访问权限，它可以自主发起操作，包括修改或运行软件，通常不会让用户察觉。由于这些操作在后台悄悄进行，用户可能并不完全理解正在发生的情况。

目前，如果你想使用任何公开的MCP服务器，你独自承担审查MCP工具行为的责任。相比之下，建立一个拥有最小权限的安全MCP服务器，会花费不少时间和精力，过程也比较复杂。

我们还需要在安全、透明度、治理方面建立更强的标准。为了以一种安全且负责的方式真正释放其潜力，MCP仍需不断进化。

目前，继续在这些受控环境中（比如本地测试服务器）对MCP（此处可解释为具体指代的系统或软件）进行试验，并始终遵循最小权限原则，即只给予必要的权限，特别是在初始的概念验证过程中。

这篇博客记录了我的学习心得和观察。**** 如果你有任何反馈或想法，我非常愿意听听你的想法。

谢谢。

[MCP]: 模型上下文协议
[LLM]: 大型语言模型
[RAG]: 检索增强生成
[SSE]: 服务器发送事件