Claude Code + Agent：打造AI全自动测试闭环

为什么测试开发需要关注终端型 Agent

测试开发岗位长期被重复性编码和调试工作占据，而 AI 编程工具的成熟正在改变这一局面。在 B 站一门面向测开进阶的课程中，讲师提出了一个明确的技术路线：使用 Claude Code 搭配 Agent 能力，把测试流程从手动敲代码推进到自动化闭环。这个方案的出发点并不是追逐热点，而是解决一个现实问题——如何让 AI 在企业项目中安全、可控地承担实际工作。

课程首先澄清了一个容易混淆的概念：Claude Code 是 Anthropic 公司推出的命令行编程工具，在终端中运行，而非聊天窗口里的对话式助手。Anthropic 本身在 AI 编码领域积累深厚，其模型在编码能力上处于顶尖水平，MCP、Skills 等被广泛讨论的术语也由这家公司率先提出和推广。选择它，本质上是选择了一条经过验证的技术底座。

终端型 Agent 与设备型 Agent 的关键分野

要理解 Claude Code 的价值，需要先看清 Agent 的两大类别。课程将 Agent 分为终端型和设备型，二者的核心差异在于权限边界。

终端型 Agent：以项目为单位的可控协作

终端型 Agent 在命令行中使用，作用范围限定在当前项目或目录。电脑并没有完全交给 AI 控制，人仍然是最高决策者，只把某一个目录或项目开放给 AI。这种设计贴合企业实际——电脑是资产，不能随意托付给不确定的 AI。讲师强调，这目前是企业中最主流、最让人放心的应用方式。因为以项目为单位管理，同一台电脑上不同项目可以有不同配置、执行不同命令，全局把控权始终在人手里。

知名的终端型 Agent 包括 Claude Code、Codex 和 Gemini CLI，它们由商业公司推出，使用工具时通常绑定自家模型。开源阵营也有 Open Code、Open Claude 等对标产品，名字本身就透露出对 Claude Code 的参考与致敬。选择空间并不狭窄。

MCP（Model Context Protocol，模型上下文协议） 是由 Anthropic 提出并开源的一套标准化协议，用于让 AI 模型安全、结构化地访问外部工具、数据源和服务。可以把 MCP 理解为 AI 与外部世界之间的“通用接口”：通过定义统一的 Server 端与 Client 端交互规范，模型无需为每个工具单独编写集成代码，就能调用文件系统、数据库、Git 仓库、内部 API 等资源。对终端型 Agent 而言，MCP 的价值在于把“AI 能做什么”变成可声明、可审计的配置，项目可以只挂载必要的 MCP Server，从而在扩展能力的同时收窄权限面。这也是 Claude Code 生态成熟的重要支撑——大量第三方工具已提供官方或社区 MCP 实现，开发者能够按项目需要拼装能力，而不是把整台设备交给 AI。

Skills（技能） 是 Anthropic 在 Claude 生态中推广的一种能力封装机制，通常以一组文件与说明构成，描述某类任务的标准操作流程、注意事项和可用工具。与直接对话不同，Skills 把领域知识固化成可复用的“操作手册”，Agent 在遇到匹配场景时会自动加载并遵循。对测试开发而言，这意味可以把接口测试规范、用例编写模板、环境切换步骤等沉淀为 Skill，让 Agent 按团队既定流程执行，减少自由发挥带来的不确定性。Skills 与 MCP 形成互补：MCP 解决“能访问什么”，Skills 解决“应该怎么做”，二者结合使终端型 Agent 的行为更可预期、更贴近工程规范。

设备型 Agent：便利背后的权限风险

设备型 Agent 通常通过 IM 工具（如微信、飞书、钉钉）调用，门槛低、上手快，不需要打开电脑或熟悉命令。但便利的代价是权限的扩张：指令被发送到后台网关，AI 需要从聊天工具接收消息并完成复杂任务，此时它往往拥有整台设备的全部权限。

课程指出了这类方案的风险案例——删掉系统文件导致系统崩溃、泄露机密信息。在三四月份“小龙虾”类工具走红时，国家安全部门也曾发出提醒。因此，企业环境中常见的要求是不要在项目中使用 Open Claude 这类设备型工具，因为把公司资产甚至机密托管给 AI 的不确定性太大。设备型 Agent 更适合个人自用，比如给自己部署一个 AI 助理。

为什么最终落在 Claude Code

在设备型 Agent 中，Open Claude 和较新的 Elmas 各有特点，后者具备自我进化能力，token 消耗更高但潜力更大。不过自我进化也意味着更多不确定性。对企业项目而言，可控性是第一位的——在保持优秀能力的基础上，不能出现“第二天电脑炸了”的情况。这正是课程选择终端型 Agent，并最终选定 Claude Code 的原因：它足够优秀，且有大量开源作品以它为参考，生态成熟。

Codex 与 Gemini CLI 是与 Claude Code 同属终端型阵营的两款代表性工具。Codex 最初是 OpenAI 的代码生成模型，后延伸为命令行编程代理形态；Gemini CLI 则是 Google 推出的终端 Agent，绑定 Gemini 模型。三者定位相似——在命令行中运行、以当前目录为作用域、由人保留最终决策权——但底层模型、工具调用协议和生态扩展方式各不相同。理解这一格局有助于避免把“终端型 Agent”等同于某个具体产品：选型时既要看模型编码能力，也要看其是否支持 MCP 等开放协议、能否接入企业内部工具链，以及社区是否有足够的实践参考。

技术选型之后：环境准备与落地路径

确定技术方向后，课程进入环境搭建环节。第一步是安装 Node.js，这是 Claude Code 运行的基础依赖。讲师提到，如果电脑上已经装过 Node.js，这一步可以跳过。后续还将引入 DeepSeek^广告 作为 AI 大模型，与 Claude Code 配合完成测试任务的推进。

从课程透露的框架看，这套方案的核心逻辑是：由 Claude Code 作为终端型 Agent 承接任务，Agent 自行思考、推进并完成任务闭环，测试开发者从逐行敲代码转向任务设计与结果把控。对于希望进阶的测试开发人员，理解 Agent 的权限模型和选型逻辑，比急于上手某个工具更重要——选错类别，风险和省力的方向可能完全相反。

课程中也留出了互动空间，学习过程中遇到概念性或名词性问题可以在评论区向讲师提问，这说明内容面向的是对 AI 工具链尚不熟悉的测开人群。