个人见解
1、把你的问题发给 ai，让他告诉你，你会有一个比较清晰的框架，最好是比较强的模型例如 opus 和 gpt
2、关注一些 skills 市场，上面会有比较多的现成的通用工作流，找高星的复制下来定制化就好了
3、做好历史库的迭代

需要搭建知识库，你需要让模型了解你的产品，知道你希望的设计测试用例的方法论。 这些我再以前的教程，也在我得星球里写过。 比如：

AI 确实能给你唰唰唰写一堆用例，看着像模像样，但真拿去执行，你就会发现用不了。
因为能跑的用例得说清楚点哪个按钮、用什么数据、期望看到什么结果，这些 AI 一个都给不了，全是模模糊糊的描述。
它也不管你测试环境怎么搭、脏数据怎么清，更别提界面一改，你根本分不清哪些用例要改、哪些该删，最后全变成堆在那吃灰的垃圾。

说白了，AI 只是帮你省了 “打字整理” 这点力气，测试真正耗时的部分——想清楚哪里容易出 bug、怎么结合现有情况去做最大程度的验证——它一点没碰。
所以它搞出来的东西，顶多就是给你一种 “测得很全” 的错觉，真用起来全是坑。

另外，很多公司整体研发流程规范化都没有做到，因此各个环节的不清晰是常态，AI 只能作为辅助去帮你测试，但是想用 AI 完成测试工作，目前来说，不可能

AI 只是辅助，我自己用的 AI 流程，直接在场景、测试点就进行人工审核，然后根据知识库去生成用例，否则直接生成出来的用例五花八门的，完全用不了

这个是我们使用的测试用例生成 agent，不造轮子直接用扣子平台的 agent，在测试平台集成扣子的 SDK 即可。
知识库、数据库、文档解析 MCP 全在扣子维护，这个地方只做前端交互页面，不处理任何逻辑，达到的通用可配置化，可以通过 Coze API Token 和 Workspace ID（工作空间）切换自己的扣子平台 agent。并不局限于测试用例生成。我们一致认为搞工具还是往通用化上多思考思考。