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。
