当下测试工程师最容易混乱的5个技术方向：Agent、Harness、MCP、RAG、知识图谱

最近半年，测试工程师学AI有个越来越明显的感觉：

不是没东西学，是东西太多了。

前脚还在学Prompt，后脚开始讲Agent；

MCP刚搞明白一点，又开始聊Skills、Harness、RAG、知识图谱。

每一个单独看好像都懂。

但放回测试工作里，很多人又会问一句：

这些东西到底跟我有什么关系？

比如最常见的测试用例。

以前我们拿到需求，人工拆测试点、补边界、写用例。

现在最简单的方法，是直接把需求扔给大模型：

“帮我生成一份测试用例。”

能生成。

但真正用起来，很快就会碰到问题：

历史Bug它不知道，业务规则它不知道，公司的历史用例它也不知道。

复杂一点的业务，覆盖度还是非常依赖人。

这也是为什么现在的AI测试，正在从单纯的“大模型生成”，往智能体 + 工具 + 企业知识这条路走。

所以这次，我们想拿“测试用例生成”把这些东西串起来

9月22日、23日，连续2天。

霍格沃兹测试开发学社准备了一场：

智能化测试用例生成公益训练营。

这次不准备把Agent、MCP、RAG、Harness拆成一堆孤立的概念讲。

我们更想从测试工程师熟悉的场景出发：

如果真的要让AI参与测试用例设计，它到底需要哪些能力？

你会发现，这几个最近特别火的技术方向，慢慢就串起来了。

第一层：大模型为什么还不够？

模型可以理解需求、生成内容。

但一个真正能完成任务的智能体，还需要知道：

下一步干什么？

什么时候调用工具？

拿到结果之后怎么继续？

失败了怎么办？

这里就会涉及到Agent、Harness以及智能体工具体系。

简单理解，模型负责推理，而Harness负责把文件、工具、命令、上下文等能力组织起来，让模型从“会回答”，进一步走向“能执行任务”。

这次我们会把这套思路放进测试用例生成场景里理解。

第二层：MCP、RAG、知识图谱到底干什么？

这是很多测试同学容易混乱的地方。

简单理解：

MCP解决的是智能体怎么使用外部工具；

RAG解决的是怎么把需要的知识找回来交给模型；

而知识图谱，则可以进一步帮助模型理解复杂业务之间的关系。

比如生成支付测试用例。

除了当前需求，还可能需要历史用例、业务规则、接口信息、过去出现过的Bug。

这也是RAG和知识图谱在测试场景里真正有价值的地方：

不是让AI凭空“猜怎么测”，而是尽可能让它基于已有业务知识来生成。

把它们放到一个完整流程里，大概就是：

需求解析 → 知识检索 → 用例生成 → 结构化输出

很多原本零散的AI技术，到这里就开始串起来了。

两天训练营，主要聊这些

行业大模型特性介绍

大模型能力排行榜与测评

智能体工具 & Agent Harness工程

智能体技能与工具体系（CLI/MCP）

RAG检索增强生成 + 知识图谱

测试用例生成智能体实战

当然，我们也不可能要求大家用两天时间，把这一整套技术栈全部学会。

更重要的是，借测试用例生成这个具体场景，把AI测试开发现在这套技术地图真正看明白，逐步构建起AI测试开发的系统性思维。

知道Agent在干什么。

知道Harness解决什么问题。

知道什么时候会用到MCP。

也知道为什么企业自己的需求、历史用例和业务知识，需要通过RAG等方式接进来。

这堂课适合谁听

如果你现在已经在用DeepSeek、Cursor之类的AI工具，但基本还是“帮我写代码、帮我写用例”；

或者你本身就在做自动化、测试开发，想继续往AI测试开发方向走；

又或者最近被Agent、MCP、RAG、Harness这些技术刷屏，想找个机会一次把它们之间的关系捋顺。

都可以来听听。

本次分享嘉宾依然是思寒老师：

测吧CTO、资深测试架构师 高级测试开发工程师，15年+从业经验 AI测试框架、AI测试平台架构师 曾就职于阿里、百度等一线名企