前言

2024 年底 Anthropic 发布了 MCP 规范，这个词在 2025 年逐渐火了起来。但笔者看了一圈市面上的文章，要么在讲"什么是 MCP"这种概念科普，要么是"5 分钟搭建 MCP Server"的通用教程。面向测试人员、告诉你"这东西能帮我解决什么测试问题"的文章，少之又少。

笔者在日常测试工作中一直在琢磨：MCP 能不能直接拿来提升测试效率？于是花了些时间研究，找到了几个现成的工具，也自己动手搭了一个。这里把学习成果分享出来，供大家参考。

这篇不打算讲概念，直接上干货：三个现成的 MCP 工具，配置完就能用；再带你用 Python 搭一个自己的测试 MCP Server 框架；最后把 Skill 跟 MCP 的关系说清楚。

三个现成的测试 MCP 工具

Playwright MCP——微软官方，测 UI 的

微软出的 MCP Server，让你用自然语言操控浏览器。笔者体验下来，最亮眼的是三个 Agent：

Planner Agent：自动探索你的应用，输出测试计划（Markdown 格式），省去了人工梳理测试场景的步骤。

Generator Agent：把测试计划转成可执行的 Playwright 测试代码，从计划到脚本一步到位。

Healer Agent：测试挂了自动修，定位器更新、等待调整都不需要你手动改。这个功能笔者觉得最实用，写过 UI 自动化的人都知道，定位器动不动就失效，改到头疼。

配置方式（三种任选）：

VS Code：settings.json 加一行

Cursor：Settings → MCP → Add

Claude Code：claude mcp add playwright npx @playwright/mcp@latest

api-tester-mcp——专为 QA 设计的接口测试工具

PyPI 上的包，6.9K 下载量。从 Swagger 到测试报告，全自动。这个工具封装了 10 个工具，形成了一条完整的工作流：

ingest_spec（加载 API 文档）
  → set_env_vars（配置认证）
  → generate_scenarios（生成场景）
  → generate_test_cases（生成代码）
  → run_api_tests（执行测试）
  → run_load_tests（还能跑负载）

配置方式很简单，在 MCP 配置文件中加上：

{
  "mcpServers": {
    "api-tester": {
      "command": "npx",
      "args": ["@kirti676/api-tester-mcp@latest"]
    }
  }
}

笔者拿 Petstore 的 Swagger 文档试了一下，从加载文档到生成 HTML 测试报告，全程没写一行代码。接口测试用这个确实省事。

mcp-swagger-server——让你的 API 文档"活"过来

一行命令把 OpenAPI/Swagger 文档变成 AI 可直接调用的工具：

mcp-swagger-server --openapi https://api.example.com/openapi.json

这个工具有个有意思的用法，可以用来测试你的 API 文档质量。因为很多文档结构有问题，一转换就暴露了。笔者之前遇到过一个项目，Swagger 文档看着挺规范，结果一跑 mcp-swagger-server，直接报了三个 schema 错误。所以它不光能让 AI 调用你的 API，还能顺便帮你检查文档质量。

三个工具对比

工具	适合场景	安装复杂度	关键亮点
Playwright MCP	UI 自动化	★☆☆☆☆	Healer 自动修测试
api-tester-mcp	接口测试	★☆☆☆☆	Swagger→报告全自动
mcp-swagger-server	API 文档活用	★☆☆☆☆	一行命令

50 行搭一个自己的测试 MCP Server

自己动手搭一个，有三个原因

现成的工具固然好，但总有场景需要定制。一是你的公司用内部测试平台，没有公开 API；二是你想把一些运维脚本、数据查询封装成 AI 能调用的工具；三是你想搞清楚 MCP 到底是怎么工作的。笔者自己搭了一个之后，才真正理解了 MCP 的运行机制，这个认知上的收获比工具本身更有价值。

选一个测试场景

场景：让 AI 帮你查当前迭代的测试统计数据。

输入：自然语言"当前迭代的测试情况怎么样？"

输出：AI 自动调用 MCP 工具查询数据并返回结果。

这个场景很常见，每天站会前都要查测试状态，手动查费时费力，交给 AI 一句话搞定。

代码实现

下面是一个可运行的 MCP Server 框架。函数体里是示例数据，你需要替换成自己实际的查询逻辑（比如对接 JIRA API、禅道 API、内部测试平台等），但框架本身是完整的，跑起来就能被 AI 调用。

from mcp.server.fastmcp import FastMCP

mcp = FastMCP("Test Stats")

@mcp.tool()
def get_test_stats(sprint: str) -> str:
    """获取指定迭代的测试统计数据，包括用例执行情况和缺陷分布"""
    # 替换成你实际的查询逻辑，比如调用 JIRA/禅道 API
    import requests
    # resp = requests.get(f"https://your-jira/api/sprint/{sprint}/stats",
    #                     headers={"Authorization": "Bearer xxx"})
    # data = resp.json()
    # 下面是示例数据，实际使用时替换为上面的查询结果
    return f"{sprint} 迭代：用例通过 156 个，失败 8 个，关闭率 95.1%"

@mcp.tool()
def get_recent_failures(days: int = 7) -> str:
    """获取最近N天测试失败的用例列表及失败原因"""
    # 同理，替换成你实际的查询逻辑
    return f"最近 {days} 天共有 15 个用例失败，其中 12 个已确认修复，3 个待排查"

if __name__ == "__main__":
    mcp.run()

几个关键点说一下：

FastMCP 是 Python SDK 的简易封装，几行就能起一个 Server，不需要从零搭建通信层。

@mcp.tool() 装饰器把函数变成 AI 可调用的工具，不需要额外写接口定义。

函数的参数和 docstring 会被自动解析为 AI 理解的工具描述，所以 docstring 一定要写清楚，AI 靠它来决定什么时候调用这个工具。

配置到 Claude Code

{
  "mcpServers": {
    "test-stats": {
      "command": "python",
      "args": ["path/to/your/server.py"]
    }
  }
}

配置完直接问 AI："当前迭代测试情况怎么样？"AI 会自动调用 get_test_stats 工具，不需要你写任何胶水代码。笔者第一次跑通的时候，确实有种"原来就这么简单"的感觉。

Skill 跟 MCP 的区别

很多人问 MCP 和 Skill 的区别，这里统一说明。

一个类比：MCP 是螺丝刀，Skill 是安装说明书。螺丝刀管"能不能做"，安装说明书管"怎么做"。

	MCP	Skill
本质	通信协议	行为指令
定义	工具的输入/输出格式	怎么做任务的步骤
例子	api-tester-mcp 暴露了 10 个工具	"先读 Swagger，再生成代码，再执行"
复用范围	任何 MCP 客户端	Claude Code / Cursor 等特定工具

MCP 给 AI 提供了"能做什么"，Skill 告诉 AI"应该怎么做"。两者结合才是完整的测试自动化方案。

至于怎么用 Skill 把测试流程标准化、怎么保证 Skill 的质量，那是下一期的内容了。

后记

这篇给了三个现成的 MCP 工具，Playwright MCP 测 UI、api-tester-mcp 测接口、mcp-swagger-server 活用 API 文档，配置完就能上手。然后带各位了解了如何搭建 MCP Server 的框架，代码量不大，核心是搞清楚 @mcp.tool() 装饰器和 docstring 的作用，替换成你自己的查询逻辑就能用。笔者希望各位读完之后能真正动手跑一下，光看不练等于没看。最后把 MCP 和 Skill 的区别理清了，MCP 是工具协议，Skill 是行为指令，别再混为一谈。

下期预告：Skill 深度实战——如何把一套测试流程封装成可复用的 Skill。

君子性非异也，善假于物也。

↙↙↙阅读原文可查看相关链接，并与作者交流

前言