关于 TestRail MCP Server
TestRail MCP Server 是面向 TestRail 的 MCP 服务,让 MCP 客户端通过标准协议访问 TestRail 的核心实体。它适用于需要在 AI 工具中查询或管理测试数据的团队,并可配合 Claude Desktop、Cursor、Windsurf 等客户端使用。
主要功能
- 01通过 API Key 认证 TestRail
- 02访问 Projects、Cases、Runs、Results 和 Datasets
- 03兼容多种 MCP 客户端
- 04支持 MCP Inspector 调试
适用场景
- 01在 AI 客户端中查询 TestRail 项目与测试用例
- 02读取测试运行及其执行结果
- 03在编码 Agent 中辅助分析测试数据
MCP 相关
该项目是一个 MCP 服务,向 MCP 客户端暴露 TestRail 的项目、用例、运行、结果和数据集等实体。
配置
本地服务的配置在各客户端中通用,复制后粘贴到客户端的 MCP 配置文件即可。
工具
本地服务需要在你的电脑上运行后才能读取工具,维护者暂未提供工具列表。
详细介绍
TestRail MCP 服务
适用于 TestRail 的 Model Context Protocol(MCP)服务,可通过标准化协议与 TestRail 的核心实体交互。
功能
- 使用 TestRail API 进行身份验证
- 访问 TestRail 实体:
- 项目
- 用例
- 运行
- 结果
- 数据集
- 完整支持 Model Context Protocol
- 兼容任何 MCP 客户端(Claude Desktop、Cursor、Windsurf 等)
查看它与 Octomind MCP 协同工作的实际效果
安装
通过 Smithery 安装
通过 Smithery 为 Claude Desktop 自动安装 testrail-mcp:
npx -y @smithery/cli install @sker65/testrail-mcp --client claude
手动安装
-
克隆此仓库:
git clone https://github.com/yourusername/testrail-mcp.git cd testrail-mcp -
创建并激活虚拟环境:
python -m venv .venv source .venv/bin/activate # On Windows: .venv\Scripts\activate -
安装依赖:
pip install -e .
配置
TestRail MCP 服务需要特定的环境变量才能通过身份验证连接到你的 TestRail 实例。运行服务前必须设置这些变量。
-
在项目根目录中创建
.env文件:TESTRAIL_URL=https://your-instance.testrail.io [email protected] TESTRAIL_API_KEY=your-api-key重要说明:
TESTRAIL_URL应为 TestRail 实例的完整 URL(例如,https://example.testrail.io)TESTRAIL_USERNAME是你用于登录的 TestRail 邮箱地址TESTRAIL_API_KEY是你的 TestRail API 密钥(不是密码)- 要生成 API 密钥,请登录 TestRail,前往“My Settings”>“API Keys”,然后创建新密钥
-
确认配置已正确加载:
uvx testrail-mcp --config这将显示你的 TestRail 配置信息,包括 URL、用户名以及 API 密钥的前几个字符,以供验证。
如果你通过 Claude Desktop 或 Cursor 等客户端使用此服务,请确保运行服务的进程可以访问这些环境变量。你可能需要在系统环境中设置这些变量,或确保它们从 .env 文件加载。
使用方法
运行服务
可以直接使用已安装的脚本运行服务:
uvx testrail-mcp
这将以 stdio 模式启动 MCP 服务,可与支持 stdio 通信的 MCP 客户端配合使用。
与 MCP 客户端配合使用
Claude Desktop
在 Claude Desktop 中,添加新服务并使用以下配置:
{
"mcpServers": {
"testrail": {
"command": "uvx",
"args": [
"testrail-mcp"
],
"env": {
"TESTRAIL_URL": "https://your-instance.testrail.io",
"TESTRAIL_USERNAME": "[email protected]",
"TESTRAIL_API_KEY": "your-api-key"
}
}
}
}
Cursor
在 Cursor 中,添加新的自定义工具并使用以下配置:
{
"name": "TestRail MCP",
"command": "uvx",
"args": [
"testrail-mcp"
],
"env": {
"TESTRAIL_URL": "https://your-instance.testrail.io",
"TESTRAIL_USERNAME": "[email protected]",
"TESTRAIL_API_KEY": "your-api-key"
}
}
Windsurf
在 Windsurf 中,添加新工具并使用以下配置:
{
"name": "TestRail MCP",
"command": "uvx",
"args": [
"testrail-mcp"
],
"env": {
"TESTRAIL_URL": "https://your-instance.testrail.io",
"TESTRAIL_USERNAME": "[email protected]",
"TESTRAIL_API_KEY": "your-api-key"
}
}
使用 MCP Inspector 进行测试
你可以使用 MCP Inspector 进行测试和调试:
npx @modelcontextprotocol/inspector \
-e TESTRAIL_URL=<your-url> \
-e TESTRAIL_USERNAME=<your-username> \
-e TESTRAIL_API_KEY=<your-api-key> \
uvx testrail-mcp
这将打开一个 Web 界面,你可以在其中查看和测试所有可用的工具和资源。
开发
此服务使用以下组件构建:
- FastMCP - 用于构建 MCP 服务的 Python 框架
- Requests - 用于与 TestRail API 进行 HTTP 通信
- python-dotenv - 用于管理环境变量
许可证
MIT
评论
一个开放协议,规定了 AI 应用如何以统一方式连接外部工具与数据源。客户端负责与模型对话,MCP 服务负责提供工具、资源和提示模板,两者通过标准消息通信,同一个服务可以被不同客户端复用。
