AI 辅助生成用例方案使用说明
本文目的：
本文主要给大家介绍下「AI辅助生成用例」这个系列下的相关文章和实现方案对比，解释各方案的核心流程、优势、不足及适用场景，方便大家根据自身情况、业务需求选择合适的学习和落地方案，后续若有方案更新或新增，将统一补充说明。
主要围绕三大模块展开对比讲解：
需求文档读取
测试用例生成
知识库 & RAG 业务复用
一、【需求文档读取】
在使用 AI 辅助生成测试用例时，第一步需要先获取完整需求内容。目前很多公司常用飞书文档、蓝湖、Figma、Axure 等原型 / 文档工具，但多数 AI 工具不支持直接读取这些平台的链接内容，需要人工复制文字、截图并粘贴到 AI 工具，操作繁琐、效率低，还容易出现信息遗漏。
为解决这一问题，我们在 AI 工具中接入主流文档 / 原型平台的 MCP 能力，支持一键拉取需求文字与图片，自动生成本地 MD 文档，作为生成测试用例的完整上下文，大幅提升用例编写效率。
目前已支持平台与教程（持续更新中）
【需求文档读取】Figma：读取Figma生成需求文档Skill
【需求文档读取】飞书文档：飞书CLI+Skill读取飞书文档
使用选择建议
按公司实际使用的文档 / 原型工具选择对应教程即可；
若平台未收录，可参考现有教程自行尝试接入；
注：并非所有工具都提供 MCP 能力（如墨刀），相关调研说明：https://t.zsxq.com/HX0XE
Raina也会持续跟进各平台官方能力更新，不断完善与迭代相关平台的接入方案。
二、【测试用例生成】
目前已出的教程有这些：
【Excel用例生成】基于skills：生成Excel测试用例的Skills包
【Excel用例生成】基于规则：使用Cursor生成Excel格式测试用例
【Xmind 用例生成】基于skills：生成xmind测试用例的Skills包
【Xmind 用例生成】基于规则：使用Cursor自动生成Xmind测试用例
【Xmind 用例生成】基于工作流：从零搭建生成测试用例的coze工作流
【Xmind 用例生成】基于智能体：使用Coze搭建一个测试用例智能体
方案对比与选择：
基于 Skills：最新主流方案（推荐）
Skill 是 AI Agent 生态的通用能力复用规范，也是目前比较推荐的用例生成方式。
它自带完整的文件包：包含入口、执行脚本、参考模板、资源配置等，相当于一个开箱即用的工具合集，我们可以直接生成对应格式的文件到本地，比如xmind、excel等，打开即可用。
跨平台兼容：遵循通用规范，可直接在不同 AI 平台 / 工具中调用，无需重复适配。
使用体验：输入需求 + 对应 Skill，即可按预设规则和脚本快速产出用例，速度快、格式稳定、token成本低，还能直接分享给团队复用。
基于规则 / Rules：早期基础方案（适合入门学习）
这是去年推出的旧方案，常被新手和 Skill 混淆。
本质是带业务约束的提示词模板，但不同平台没有统一叫法：Cursor/Trae 叫 Rules，Kiro 叫 Steering，通用性弱。
定位：可以理解为 Skill 的 “前身”，适合作为基础学习方案，帮你熟悉 AI 生成用例的规则逻辑。
基于工作流 / 智能体：流程化搭建方案（不推荐日常使用）
同样是去年推出的旧方案，上手难度偏高。
平台差异：Coze 内置大模型较少，Dify 支持自定义模型 Key；两者都需要手动编排流程节点。
灵活性：支持自定义上传格式、输出格式，还能搭配第三方插件扩展能力，但搭建成本高、维护麻烦。
适用场景：不推荐日常用例生成使用，仅适合感兴趣学习流程搭建逻辑，或公司有强制自动化要求的同学。
基于 Opentest：整合型流程方案（推荐进阶改造）
严格来说，这不是一种独立的用例生成方案，而是基于 Skill 能力的全流程整合规范。
核心逻辑：把需求分析、测试点拆解、用例生成、甚至缺陷提交等环节，用对应的 Skill 串联起来，形成一套完整的测试链路。
这是我日常用得比较多的方式，因为实际测试流程中，需求分析、测试点梳理等环节必不可少，Opentest 刚好能把这些环节打通。
建议用法：不要直接照搬，而是基于 Opentest 的流程框架做改造 —— 比如接入你公司的需求文档拉取、缺陷提交等场景化 Skill，打造适配自己业务的专属流程。
快速选择建议
新手 / 追求效率：优先选「基于 Skills」，一键生成、零门槛复用。
入门学习：可以先用「基于规则 / Rules」，熟悉逻辑后再升级到 Skill。
流程学习 / 公司要求：再考虑「基于工作流 / 智能体」，重点学习搭建逻辑即可。
进阶自动化：基于「Opentest」改造，打造团队专属的全流程测试用例生成体系。
三、【知识库 & RAG 业务复用】
在使用 AI 辅助生成测试点、测试用例时，大家常会遇到一个共性痛点：需求文档不规范、描述模糊、信息缺失，导致 AI 生成的结果脱离业务实际，需要反复核对修改，反而增加了额外工作量。
为解决这一问题，我们需要引入知识库 & RAG（检索增强生成）方案：将业务相关资料集中管理，让 AI 在生成内容时，能自动获取全面、精准的上下文信息，提升输出结果的准确性与业务贴合度，减少人工返工成本。
方案对比与选择：
Dify知识库：
Dify 是企业场景中常用的 RAG 方案，核心优势是支持语义检索能力，能够精准理解业务意图，摆脱关键词字面匹配的局限，无论是同义、近义还是不同表述的同类内容，都能高效召回，适配精细化业务查找需求。
此外，它还支持 PDF、Word、Excel、Markdown 等多种文件格式上传，无需额外转换；内置多模型支持，可根据需求灵活切换 Embedding 和 LLM 模型，适配不同业务场景。
不足在于，前期搭建流程相较于 Obsßidian、Notion 更为繁琐；若需接入 Cursor 等 IDE 使用，需先将其封装成 MCP 才能调用。
适用场景：推荐用于业务需求复杂、业务规则较多的场景，能更好地满足精准检索和多场景适配需求。
Obsidian/Notion知识库：
Obsidian和免费版本的Notion属于传统文本型知识库，核心依赖关键词、正则、精确文本匹配进行文档检索，通俗来说就是“只会找关键词”。
其局限性明显：仅能机械匹配文字一致性，无法理解检索需求的真实语义和背后的业务意图，导致同义不同字、意思相近但表述不同的内容无法检索到，常出现搜不到、搜不准、漏内容的问题，难以满足精细化业务查找需求。
优势在于配置流程相对简单，直接接入 MCP 即可使用。
适用场景：适合日常需求业务不复杂、需求文档相对规范的场景，无需复杂配置，可快速投入使用。
总结
AI 辅助生成测试用例，早已不是简单「输一段话出用例」的浅层次玩法，而是一套多平台需求直读 + 标准化生成方案 + 业务知识库沉淀的完整工程化链路。
先打通飞书、蓝湖、Figma 等需求源头，告别复制粘贴；再根据自身情况选对 Skill / Rules / 工作流 / OpenTest 生成方案；最后通过 RAG 知识库沉淀业务资产，让 AI 持续学习、越用越贴合项目。
新手优先从「多平台直读 + Skill 生成」起步，业务复杂再逐步接入 Dify RAG 知识库；有团队标准化需求的，可以基于 OpenTest 框架做定制改造，真正把 AI 融入日常测试流程，实现稳定提效、减少重复机械工作。