(转载)Prompt、Skills、MCP 区别
有没有在接触到 AI 时，遇到这些困惑：
- Prompt 会写，但用得「很零散」，无法形成体系；
- Skills、MCP 听起来很高级，和 Prompt 到底有啥本质区别？
- 什么时候只用 Prompt，什么时候该上 Skills，什么时候要搞 MCP？
下面将站在测试工程师视角，结合落地过的实战场景（测试工具网站、流程图、用例生成、MCP+设计稿），把这三者的区别、应用场景及组合方式讲清楚，帮大家快速理清逻辑、高效应用。
Prompt
Prompt（提示词/规则）就像「写得更严谨的聊天内容」，是 AI 辅助测试的基础，上手门槛最低。
1. 核心适用场景
适合解决「一次性」「轻量级」的测试相关工作，无需复杂配置，直接描述需求即可。
- 案例 1：AI 辅助开发测试工具网站
- 让 AI 设计网站结构（用例生成页、接口调试页、日志分析页等）；
- 生成简单前端代码，快速搭建基础框架；
- 全程通过反复迭代 Prompt，明确需求和期望效果即可完成。
- 案例 2：快速绘制业务流程图/时序图
在 Prompt 中清晰说明业务流程、接口调用顺序，包括输入/输出、分支条件、关键校验点，AI 可直接生成符合需求的图表，用于测试分析或评审。
Skills
当某类Prompt被高频复用，即可升级为Skills——它结合Prompt与工具资源，可添加Python、JavaScript等脚本，实现AI单独无法完成的特定格式文档输出（如XMind），让AI从文本响应落地为实际执行。
1. 核心适用场景
针对高频、标准化的测试工作，封装成可直接调用的能力包，提升团队效率、统一输出标准。
场景 1：生成 XMind 测试用例的 Skill 包
- 输入：需求文档
- 输出：XMind 格式的测试用例树，可直接导出本地打开，用于用例设计、评审等工作，无需手动整理格式。
场景 2：生成 JMeter 脚本的 Skill 包
- 输入：接口文档；
- 输出：初版 JMeter 脚本（包含多接口串联、参数化、基本断言），可直接导入 JMeter，测试工程师仅需做微调和压测配置即可使用。
MCP
Prompt 和 Skills 仅能让 AI 在「文本世界」提供帮助，但真实测试工作离不开各类外部系统（设计工具、接口平台、浏览器、自动化框架等）。MCP 的核心作用，就是将这些外部工具/系统与 AI 打通，让 AI 能像脚本一样，直接读取、调用、执行外部操作。
1. 核心适用场景
场景 1：MySQL MCP + 自然语言读取数据库
- AI 通过 MySQL MCP 直接连接目标数据库，获取数据库表结构、字段含义及数据关联关系；
- 测试工程师输入自然语言需求（如「查询近30天接口报错次数Top5的异常数据」），AI 自动解析需求；
- 生成符合需求的查询结果，无需手动编写SQL，大幅提升数据测试、问题排查的效率。
场景 2：Cursor+Playwright mcp 生成测试代码
- AI 根据需求或测试用例，调用 Playwright MCP 自动生成测试代码；
- 测试工程师再进行最终的 review 和优化，大幅减少代码编写工作量。
Skills + MCP
将 Skills 的「复用性」与 MCP 的「外部操作能力」结合，可实现测试工作流的进一步优化，解决更多复杂场景的提效需求。
- 场景 1：基于Figma封装的skills（用于大模型快速获取Figma原型需求或UI稿件）
- MCP：负责从Figma读取原型的所有信息（页面、交互、文案等）；
- Skill：按照团队规范，将读取到的信息结构化整理成可直接评审的需求文档；
- 价值：无需自己手动复制或截图原型内容给 AI，直接生成标准化文档，让 AI 自己读取，节省大量时间。
- 场景 2：基于Confluence + MCP 封装的检索 Skills（用例上下文管理）
- MCP：负责连接 Confluence 笔记库，实现对笔记内容的读取、检索与交互；
- Skill：封装 Confluence 检索能力，统一管理生成测试用例所需的上下文知识（如需求细节、历史用例、业务规则、异常场景总结等），规范知识存储与检索逻辑；
- 价值：测试工程师在 AI 工具中调用该 Skill，通过 MCP 快速检索 Confluence 中的相关上下文知识，为用例生成提供更全面、精准的信息支撑，提升用例覆盖率与准确性。
五、测试工程师实战学习路径
阶段一：熟练撰写清晰、精准的 Prompt，解决单人轻量级测试工作，打好基础；
阶段二：将高频、高质量的 Prompt 整理封装成 Skills，实现个人能力复用，逐步推广到团队；
阶段三：用 MCP 打通代码库、接口平台、用例/缺陷系统等外部工具，结合 Skills 实现测试全流程自动化，最大化提效。