4. Treeify 为什么不只是一个 AI 聊天工具
很多团队已经开始使用 AI 辅助测试工作，但真正落地时，常常会遇到一个问题：
AI 很会回答问题，却不一定真的适合完成测试设计。
这并不是因为 AI 不够强，而是因为测试设计本身并不是一个“问一次、答一次”就能完成的任务。它通常涉及需求理解、上下文吸收、测试对象拆解、测试场景构建、结果评审、持续优化，以及经验沉淀。对于这样的工作，仅靠一次对话式生成，往往很难稳定完成。
Treeify 正是在这个背景下被设计出来的。
我们并不把测试设计理解为一次聊天生成，而是把它看作一个需要过程、结构、上下文和持续优化能力的工作流。也正因为如此，Treeify 和普通 AI 聊天工具在产品形态与能力重点上有着明显不同。
4.1 分阶段测试设计流程
通用 AI 聊天工具更擅长围绕单次输入输出进行响应。你给它一段需求，它可以生成一些测试点、测试用例或建议。但问题在于，这类输出往往依赖当前这一轮对话的表达质量，缺少稳定的过程控制，也很难清楚知道结果是如何一步步形成的。
Treeify 采用的是更适合测试设计的 3 阶段流程：
- 需求分析
- 测试对象生成
- 测试场景生成
这样的设计并不是为了把流程变复杂，而是为了让测试设计更清晰、更可控。
需求分析解决的是“是否真正理解了需求”；
测试对象生成解决的是“是否把测试关注点拆得足够合理”；
测试场景生成解决的是“是否围绕这些对象完成了系统化覆盖”。
把这几个阶段拆开之后，用户不仅更容易检查每一步的质量，也更容易发现问题到底出在哪一层。相比“一次性让 AI 生成最终结果”，这种方式更适合真实项目中的复杂需求，也更适合需要反复迭代和审查的测试设计工作。
4.2 Project 上下文，而不是一次性对话上下文
普通聊天工具的上下文，往往是围绕当前对话临时建立的。虽然你也可以不断补充信息，但这些信息通常是分散地出现在多轮聊天里，随着内容变长，理解成本和维护成本都会快速上升。
Treeify 更强调围绕 Project 组织上下文。
在 Treeify 中，一个 Project 会承载与当前测试设计相关的需求内容、上传文档、生成结果和后续优化过程。这样做的意义在于，AI 的工作不是建立在一次临时提问上，而是建立在一个更完整、更持续的项目背景之上。
这会直接影响测试设计质量。因为测试设计往往不是对一段孤立描述做反应，而是需要结合业务背景、规则约束、文档细节和已有结果持续推进。Project 的存在，让 Treeify 更接近真实团队的工作方式，而不是一次次重新开始的聊天会话。
4.3 面向测试设计的空间，而不是只有一个输入框
通用聊天工具最典型的交互方式，就是一个输入框加一段回复。这种方式很灵活，但在面对复杂测试设计任务时，也很容易变得低效：结果散落在不同回复中，修改动作不聚焦，批量处理能力弱，结构关系不直观。
Treeify 提供的是一个面向测试设计的工作空间，而不只是一个聊天窗口。
在 TestSpace 中，你可以：
- 按阶段查看生成结果
- 在 表格视图 与 思维导图视图 之间切换
- 对选中内容进行批量删除或批量对话修改
- 在左侧对话框中基于上下文继续优化内容
这意味着，测试设计不再只是“和 AI 聊天”，而是进入一个更适合真实工作的空间：你可以看结构、看细节、看批量结果，也可以围绕具体内容直接操作。
对于测试设计这种天然带有层级、关联和覆盖关系的工作来说，这种产品形态比普通聊天工具更自然，也更实用。
4.4 两种对话模式：闲聊模式与 Agent 模式
Treeify 并没有放弃对话能力，相反，我们认为对话仍然非常重要。
但关键不在于“有没有对话”，而在于对话是否真正进入工作流。
因此，Treeify 的左侧对话框并不是一个统一的聊天入口，而是根据使用场景分成两种模式：
闲聊模式
当你没有选中任何生成内容时，对话框处于 闲聊模式。
在这个模式下，你可以把它当作一个通用 AI 助手，用来：
- 查询资料
- 理解需求
- 讨论测试方法
- 梳理背景信息
- 补充思路和上下文
这让 Treeify 保留了足够灵活的探索能力。
Agent 模式
当你选中了表格或思维导图中的具体内容时，对话框会自动进入 Agent 模式。
这时，对话的目标不再是泛泛回答问题，而是围绕选中的内容执行定向修改任务。你可以要求 Treeify：
- 优化当前测试设计内容
- 补充遗漏的边界和异常场景
- 调整结构、表达和覆盖逻辑
- 对一组结果进行聚焦修改
也就是说，在 Agent 模式下，Treeify 不只是“回复你”，而是在真正参与修改工作。
这也是 Treeify 和普通聊天工具的一个关键区别：
聊天工具更像回答者，Treeify 更像进入具体任务的协作执行者。
4.5 Skills：从一次次修改走向能力沉淀
如果说普通 AI 聊天工具最大的局限是什么，那很重要的一点就是：
很多高价值修改，做完就结束了。
你可以在某次对话中把结果改得很好，但这些修改背后的判断逻辑、专业方法和偏好，往往不会被真正沉淀下来。下一次遇到类似问题，你仍然需要重新解释、重新修改、重新引导。
Treeify 希望改变这一点。
在 Treeify 中，我们把高价值的优化过程看作能力沉淀的来源。当用户在 Agent 模式下不断优化结果时，这些修改不仅可以改善当前内容，还可以进一步被总结为 Skills。
我们认为，Skills 是 AI 的语言。
它不是简单的一段提示词，也不是一次临时性的指令，而是专家经验、判断方式和专业方法被结构化之后，形成的、可以被 AI 继续消费和复用的能力表达。
这意味着，Treeify 不只是帮助你完成一轮测试设计，也在帮助你把测试设计中的专业能力逐步积累下来。随着这些 Skills 不断增加，AI 的工作方式也会越来越贴近团队自己的专业标准，而不只是依赖通用模型的默认输出。
4.6 Treeify 想提供的，不只是效率，而是更适合 AI 时代的测试设计方式
从表面看，Treeify 当然也能帮助团队提升效率。
但如果只把它理解为一个“更会生成测试内容的 AI 工具”，那其实低估了它真正的价值。
Treeify 更想提供的是一种新的测试设计方式：
- 不是一次性生成，而是分阶段推进
- 不是零散聊天，而是围绕 Project 持续展开
- 不是只有一个输入框，而是一个可查看、可操作、可优化的设计空间
- 不是做完即结束，而是把高价值经验持续沉淀为 Skills
这也是为什么我们说，Treeify 不只是一个 AI 聊天工具。
它更像一个真正为测试设计而生的 AI 工作台：
既能帮助你完成当前任务，也能帮助你把一次次测试设计中的专业经验，逐步变成未来还可以继续被 AI 消费和复用的能力。