输入 PRD→ 评审问题→ 测试点→ 收敛→ 用例→ 自检但演练后发现，这个 Skill 太重了。一次完整流程输出太长，中间还需要人工纠偏，Dashboard 甚至出现过输出截断。Skill作用需求评审问题生成与收敛测试点设计、收敛与可入库筛选正式用例生成、自检与修正每个 Skill 只做一个阶段；输出不容易超长截断；用户可以从任意阶段开始；人工纠偏节点更清晰；后续维护成本更低。这也符合 Agen

这一步的重点不是建数据库，而是先把测试工作中的关键对象和关系显式表达出来。我们先定义5 类对象：Requirement、Release、Module、TestCase、Bug。对象含义示例需求报销审批规则优化Release版本REL-1.2.0Module模块H5端、数据导出、报销审批TestCase测试用例H5端提交报销后状态变为审批中Bug缺陷H5端提交报销后状态未刷新关系含义版本包含需求需求

这一步的重点不是建数据库，而是先把测试工作中的关键对象和关系显式表达出来。我们先定义5 类对象：Requirement、Release、Module、TestCase、Bug。对象含义示例需求报销审批规则优化Release版本REL-1.2.0Module模块H5端、数据导出、报销审批TestCase测试用例H5端提交报销后状态变为审批中Bug缺陷H5端提交报销后状态未刷新关系含义版本包含需求需求

这一步的重点不是建数据库，而是先把测试工作中的关键对象和关系显式表达出来。我们先定义5 类对象：Requirement、Release、Module、TestCase、Bug。对象含义示例需求报销审批规则优化Release版本REL-1.2.0Module模块H5端、数据导出、报销审批TestCase测试用例H5端提交报销后状态变为审批中Bug缺陷H5端提交报销后状态未刷新关系含义版本包含需求需求

AI Agent 不知道怎么「看懂」一个代码库。把代码变成图谱，把图谱通过 MCP 提供给 Agent。快：毫秒级查询，3 分钟索引 Linux 内核省：99% token 节省，2.1x 更少工具调用简：单文件二进制，零依赖，一行安装通：158 语言，11 个主流 Agent 自动适配对于日常使用 AI Agent 做开发的工程师来说，这是一个「装了就回不去」的工具。

网络是否可达路径是否正确鉴权是否通过是否支持 Anthropic Messages API非流式是否有真实内容流式 SSE 是否正常system prompt 是否兼容模型上下文窗口是否足够当 Claude 卡在时，不要只在前端反复点击Try again。先用脚本把 Gateway 打穿一遍，基本就能判断问题是在前端、网关、模型路由，还是上下文窗口。是 Claude 第三方 Gateway 接入的

Claude Cowork 像办公代理，Codex 像研发代理，OpenClaw 像个人助理平台，Hermes 像会成长的 Agent 系统。我现在最想让 AI 替我完成哪类工作？这个问题答对了，工具基本就选对了一半。

经过自检后，正式用例可以分成三类。问题；测试点；用例；自检结论。哪些规则已经明确；哪些问题必须评审确认；哪些用例能入库；哪些预期不可验证；哪些内容只是 AI 的合理猜测。这不是 OpenClaw 的缺点，而是 AI 测试工作流必须保留的人为把关。这次实操让我更明确一件事：AI 工具真正进入测试工作，不是靠一句“帮我生成测试用例”。先问问题再拆测试点再收敛范围再筛选入库再生成用例最后做自检每一步都让

这篇继续往下走，不再讲“为什么要做 Skill”，而是讲：怎么把这 3 个测试 Skill 放进 OpenClaw 的本地工作区，并完成一轮验证。目标不是一次性做成完美 Skill，而是先完成一个最小可用版本。

产品Token 优化思路有后处理压缩？有专用压缩模型？HeadroomML 模型 + 结构化 + 代理✅Prompt caching + 对话摘要❌❌CodexPrompt caching + 子代理隔离❌❌Cursor语义检索 + 自有模型❌❌CopilotEmbedding 语义搜索❌❌Agent 看到太多无用信息，浪费 token。不无脑压缩——ContentRouter 区分 6+ 种内容