打造专属 MCP Server 测试自动化的私有化解决方案

打造专属 MCP Server：测试自动化的私有化解决方案

一、为什么要自建 MCP Server

MCP Server 生态虽然丰富，但组织内部的私有系统------如测试管理系统、性能测试库、接口测试库、UI 自动化测试库等------仍需自行封装。这些内部系统无法通过开源方案解决，必须针对特定业务场景开发专属的 MCP Server，才能真正释放大模型在测试领域的潜力。

本文将介绍两个实战案例：Allure 测试报告读取服务和 JaCoCo 代码覆盖率分析服务，展示如何将内部测试资源转化为大模型可调用的标准化工具。

二、案例一：Allure 测试报告读取服务

业务痛点

某团队每天运行逾 10 万条接口测试脚本进行回归测试。虽然测试执行已自动化，但报告分析环节成为瓶颈：

手动翻阅大量 Allure 报告，逐一分析失败用例
人为错误风险高，且耗时严重
在快节奏的 DevOps 环境中，低效分析延缓反馈循环

Allure 报告数据结构

Allure 报告的 data 目录包含以下关键文件：

文件	用途
categories.json	测试结果分类和筛选配置
suites.json	测试套件层级树（包 → 模块 → 类/方法）
behaviors.json	按 Epic/Feature/Story 叙事层分组
package.json	按包/模块组织用例
test-cases/*.json	单个用例的详细记录

核心实现逻辑

为什么不直接将 HTML 报告给大模型？HTML 包含大量标签和样式信息，占用上下文却无语义价值。因此需要一个"翻译官"，将 Allure 报告转为大模型友好的 JSON 格式。

python 复制代码

class AllureSuiteParser:
    def __init__(self, allure_report_dir: str):
        self.report_dir = allure_report_dir
        self.data_dir = os.path.join(allure_report_dir, 'data')
        self.suites_file = os.path.join(self.data_dir, 'suites.json')
        self.test_cases_dir = os.path.join(self.data_dir, 'test-cases')
    
    def parse(self) -> Dict[str, Any]:
        with open(self.suites_file, 'r', encoding='utf-8') as f:
            suites_data = json.load(f)
        return {"test-suites": self._parse_suites(suites_data.get('children', []))}
    
    def _parse_test_case(self, case: Dict) -> Dict[str, Any]:
        case_uid = case.get('uid', '')
        case_file = os.path.join(self.test_cases_dir, f"{case_uid}.json")
        # 提取用例详情：名称、状态、步骤、附件等

解析流程采用递归设计：

parse() 读取 suites.json 作为入口
_parse_suites() 递归遍历 children 分支
_parse_test_case() 用 uid 从 test-cases 目录提取详情
_parse_steps() 递归拆解步骤树

MCP Server 封装

python 复制代码

from mcp.server import FastMCP
from allure_html import AllureSuiteParser

MCP_SERVER_NAME = "mcp-allure-server"
mcp = FastMCP(MCP_SERVER_NAME)

@mcp.tool()
async def get_allure_report(results_dir: str) -> str:
    parser = AllureSuiteParser(results_dir)
    return json.dumps(parser.parse(), indent=2, ensure_ascii=False)

if __name__ == '__main__':
    mcp.run(transport='stdio')

配置方式（STDIO 模式）：

json 复制代码

{
  "mcpServers": {
    "mcp-allure-server": {
      "command": "uv",
      "args": [
        "run", "--with", "mcp[cli]", "mcp", "run",
        "/mcp-allure/mcp-allure-server.py"
      ]
    }
  }
}

三、案例二：JaCoCo 代码覆盖率读取服务

业务痛点

接口测试完成后，常发现增量代码未被覆盖。传统流程中，测试工程师需与开发工程师预约会议讨论未覆盖原因，导致：

从"即时聊天"变为"会议预约剧场"
邮件、拉群、调日历，耗时严重
接口测试流水线卡在半道，影响 DevOps 效率

解决方案

让大模型直接读取 JaCoCo 覆盖率报告，自动识别"漏网之鱼"，给出补充修复建议。

技术选型

选择 XML 格式而非 HTML，因为：

XML 结构严谨，受 DTD 管辖，易于解析
HTML 标签冗余，长报告会导致 token 爆表
大模型有上下文窗口限制，需精简输入

核心实现

python 复制代码

from mcp.server import FastMCP
from jacoco_reporter import JaCoCoReport

MCP_SERVER_NAME = "mcp-jacoco-reporter-server"
mcp = FastMCP(MCP_SERVER_NAME)

# 环境变量控制过滤类型：nocovered / partiallycovered / fullcovered
COVERED_TYPES = os.environ.get("COVERED_TYPES", "no").split(",")

@mcp.tool()
async def jacoco_reporter_server(jacoco_xmlreport_path: str, 
                                  covered_types=COVERED_TYPES) -> json:
    jac = JaCoCoReport(jacoco_xmlreport_path, covered_types)
    return jac.jacoco_to_json()

if __name__ == '__main__':
    mcp.run(transport='stdio')

配置示例：

json 复制代码

{
  "mcpServers": {
    "mcp-jacoco-reporter-server": {
      "command": "uv",
      "args": [
        "run", "--with", "mcp[cli]", "mcp", "run",
        "/path/to/mcp-jacoco-reporter-server.py"
      ],
      "env": {
        "COVERED_TYPES": "nocovered,partiallycovered,fullcovered"
      }
    }
  }
}

四、设计要点总结

数据转换原则

原始格式	问题	转换目标
HTML 报告	标签冗余，token 浪费	结构化 JSON
XML 报告	结构完整但冗长	按需过滤的精简 JSON

MCP Server 开发模式

解析层：读取原始数据，提取关键信息
过滤层：根据业务需求筛选数据，控制输出大小
封装层：用 FastMCP 装饰器注册为可调用的 Tool
配置层：STDIO 模式适合本地集成，HTTP 模式适合远程访问

五、结语

MCP Server 为大模型提供延伸能力的趋势已成熟，但针对组织内部私有系统的定制化开发仍是刚需。通过 Allure 报告解析和 JaCoCo 覆盖率分析两个案例，可以看到 MCP Server 在测试自动化中的"解题"魅力：

从繁琐手动到 AI 驱动闭环
显著提升效率与准确性
测试工程师从"执行者"转变为"策略设计者"

这种范式转变不仅解决了具体的技术痛点，更重要的是重新定义了测试工程师在 DevOps 流程中的角色定位。