登录社区云,与社区用户共同成长
邀请您加入社区
Claude Code、OpenClaw、Cursor不存在绝对的优劣,只存在场景是否匹配。终端复杂流程适合Claude Code,IDE高效编码适合Cursor,24小时无人值守自动化适合OpenClaw。2026年,Skill正在成为AI编程工具的新壁垒。测试工程师的核心能力,正在从“会不会写测试脚本”变成“会不会封装测试Skill”。你今天花30分钟写的一个测试Skill,可以在未来的每一个
上一节让 Agent 自己把需求文档读进来了。文档进了上下文,下一步就该根据需求整理测试用例,并落到文件里。create_deep_agent 的 tools 参数,就是用来扩展这类业务能力的——想让它整理用例并保存成 YAML,提供对应的 Tool 即可。
程序员副业新思路:围绕热门工具(如Codex)提供个性化定制服务,如主题皮肤、桌面宠物等,解决普通用户的安装配置难题。这类服务技术门槛不高但需求明确,可通过开源项目二次开发实现,关键在于提供确定性服务而非单纯代码。成功要素包括发现需求、展示案例、定价包装和获客能力。该模式可复制到其他新兴工具生态,核心是抓住用户"不愿折腾"的痛点,将技术能力转化为可交付的服务或产品。
手续的关于测试的方法论,都是建立在之前的文章里面提到的观点:功能测试不建议做自动化接口测试性价比最高接口测试可以做自动化后面所谈到的 测试自动化 也将围绕着 接口自动化 来介绍。本系列选择的测试语言是 python 脚本语言。由于其官方文档已经对原理有了比较清楚的解释,本文就不做一些多余的翻译工作了。偏向于实战部分,而且为了偏向实战,也会结合 IDE 工具和项目组织来进行讲解。理由如下:1.脚本语
本文提出了一种将AI融入测试体系的工程实践方案,通过SQLAgent和用例生成Agent双系统架构,在不改变现有平台的前提下实现测试用例自动化生成。方案强调结构化数据处理,SQLAgent负责精准读取数据库需求,用例生成Agent输出JSON格式用例,并通过API嵌入现有系统。相比传统RAG方案,该架构具有数据精准、可审计、可批量执行等优势。实施需补足权限隔离、日志追踪和质量评估三块生产环境能力。
1)测试框架的优点代码复用率高,如果不使用框架的话,代码会显得很冗余。可以组装日志、报告、邮件等一些高级功能。提高元素等数据的可维护性,元素发生变化时,只需要更新一下配置文件。使用更灵活的PageObject设计模式。2)测试框架的整体目录【注意】 init.py 文件用以标识此目录为一个python包。
本文介绍如何基于LangChain构建企业级AI自动化测试智能体。该智能体能理解自然语言测试需求,自主分析系统并执行测试,具备动态调整策略的能力。文章详细讲解了核心架构设计,包括任务规划、工具库、执行引擎等模块,并提供了分步搭建指南。通过实战案例演示了电商下单流程的测试过程,展示了智能体在异常检查、结果验证等方面的优势。此外,还探讨了企业级增强特性、落地挑战及效果评估,指出测试智能体可显著提升测试
测试日常工作中,根据产品PRD编写测试用例极其耗时、重复、易错。传统AI工具每次都要粘贴超长提示词,效率极低。本文教你在 AtomCode 中自定义专属测试技能,封装「PRD转标准测试用例」能力,一条命令即可生成:Markdown表格用例 + CSV可导入Excel用例,完全对标企业手工测试用例规范。适用读者:测试工程师、自动化测试、开发、想学AtomCode工程化用法的同学一、痛点背景。
AI 正在改变测试工作的方式,但对于大多数团队来说,更实际的方向,是让 AI 和自动化测试工具各自发挥价值。先把高频、重要的业务流程通过自动化测试工具沉淀下来,再让 AI 参与探索、分析和辅助排障,才是 AI 时代自动化测试更实际的方向。
《智能合同审核系统OpenClaw:技术架构与应用实践》 本文深入探讨了企业法务合同审核的智能化转型方案。针对传统人工审核模式存在的工作量大、标准不一、效率低下等问题,提出基于OpenClaw智能审核平台的解决方案。该系统采用微服务架构,集成OCR、NLP和大语言模型技术,具备多格式解析、风险标记、模板比对和异常检测等核心功能。 关键技术包括:层次化条款切分算法实现合同结构化,规则引擎与LLM协同
摘要: 《SSL证书全生命周期管理:OpenClaw自动化实践指南》深入探讨了SSL/TLS证书的自动化管理方案。针对手动管理的低效与风险,OpenClaw工具通过闭环生命周期管理(监控、续签、部署、审计)实现全流程自动化。核心功能包括:基于ACME协议的多CA商兼容续签、分级加密的密钥安全存储、零宕期的双缓冲部署,以及混合云环境的跨平台证书同步。文章结合代码示例详解了关键技术实现,并给出企业级实
面向测试工程师的 Agent Skill,用于快速评审 Excel / XMind / Markdown 测试用例,输出可执行的 Markdown 评审报告。
《工程标书智能生成系统OpenClaw的技术突破与实践价值》摘要: OpenClaw系统创新性解决了传统工程标书编制中的三大痛点:40%时间消耗的参数填报、12.7%的资质核验错误率及18.3%的文档结构问题。系统采用微服务架构,集成动态模板引擎(200+行业模板)、智能纠错模型(参数偏差<0.5%)和多源资质验证体系(38类证书接口),实现842页标书参数填充时间从42小时缩短至1.8小时
小微”这件事,不只是微信的 AI 战略。它也是整个软件行业的方向预告。以后软件产品会越来越不像传统软件。用户不再关心按钮在哪。用户只关心一句话能不能完成任务。而测试从业者要关心的是:这句话背后发生了什么?AI 有没有理解错?工具有没有调错?权限有没有越界?数据有没有泄露?结果有没有依据?异常有没有兜底?用户有没有最终控制权?这就是未来测试行业的新战场。AI 不会让测试消失。但会让低水平重复测试越来
这篇文章探讨了如何高质量地构建Agent系统中的Skill模块,而不仅仅是简单封装Prompt。文章指出,Skill应被视为可复用、可验证、可迭代的专家能力包,需要明确触发条件、执行流程、边界处理和验证机制。作者提出九个关键步骤:判断任务是否值得Skill化、提取专家决策逻辑、控制上下文成本、根据任务风险调整自由度、配置工作流、分层组织Skill结构、确保触发质量、建立验证闭环以及使用评测集持续优
系统会按模块统计覆盖率,生成直观的百分比数据。覆盖率低于70%的模块会被标记为重点补充对象。系统会自动识别模块分组和优先级分布,结构化输出JSON数据,方便后续比对。报告按模块分类,附带优先级建议,拿来就能用。
等核心模块,可直接用于后续测试工作。以下是部分内容截图:在实际的使用中,我们可以直接将我们需要的原型内容,一个一个链接提供给ai进行解析,例如我只要需要关注用户管理的这几个原型那么我这边就需要这样子处理,将这4个原型内容的链接进行复制提供给ai这样子生成出来的部分内容效果如下:后续大家要利用这份文档去生成测试用例时,就可以直接在对话框调用“生成测试用例的 skill + 需求文档”,进行生成了。
关注 霍格沃兹软件测试开发 公众号,回复「」, 领取人工智能测试开发技术合集很多人已经开始感觉到不对劲了。AI 写用例、AI 补代码、AI 跑回归,测试效率确实提上去了。但每次上线前,总有几个环节让人心里没底——测试环境里用的那个账号到底有没有生产权限?脱敏数据里会不会混进真实的用户手机号?开发顺手改了一条数据,隔壁团队的自动化用例为什么全红了?这些事,Skill 解决不了。不是工具不够强,是这三
需要注意,AI 永远替代不了人的业务经验,核心场景必须由人来把关。虽然 AI 可以帮我们批量生成、快速补全、标准化校验,但它不懂业务背景、不懂历史坑点、不懂线上风险。真正关键的核心流程、高风险业务、复杂业务规则,最终还是要靠测试工程师的经验来判断、来兜底、来拍板。甚至,我们还可以联动上一篇教程中需求分析阶段搭建好的各类 Skill,实现跨环节协同作业。
FRTO(故障恢复时间目标)是衡量软件系统韧性的核心指标,直接影响业务连续性和用户体验。文章指出FRTO优化对测试从业者的三重价值:风险缓解、成本控制和合规保障,并以行业数据佐证其经济影响。详细阐述了FRTO的度量框架,包括基准设定、混沌测试、压力测试等方法论,强调自动化工具和持续改进的重要性。针对实施挑战,提出测试左移、跨团队协作等解决方案,并通过金融科技、医疗健康等案例验证实践效果。最后展望A
MiniCPM-o4.5多模态模型开源:实时交互与端侧部署的创新实践 面壁智能开源的MiniCPM-o4.5模型(9B参数)突破了传统多模态模型的局限,主打三大工程化能力:1)实时流式交互,支持持续音视频输入与输出同步进行;2)自然对话模式,允许打断和插话;3)端侧友好部署。该模型采用llama.cpp-omni技术路线,实现了输入输出流不阻塞的完整双工机制。对测试领域而言,这标志着测试对象从&q
《微服务架构下的故障传播预测与测试转型》摘要:随着微服务架构普及,某电商平台2024年大促期间因支付服务异常引发全链路雪崩,揭示传统测试存在依赖黑洞(仅覆盖63%已知依赖)、传播时延(平均8分钟)和覆盖偏差(单测100%通过模块在链路测试中故障率达34%)三大盲区。文章提出构建服务依赖图谱,通过动态权重算法和隐藏依赖挖掘(占故障链41%),建立四维预测模型(准确率82.1%-93.2%)。测试左移
《AI重构自动化测试:从脚本维护到意图驱动的范式跃迁》 摘要:传统UI自动化测试面临定位器频繁失效、维护成本高企的困境。随着AI技术的渗透,测试范式正从"步骤驱动"转向"意图驱动"。AISkill通过四层架构(意图解析、上下文感知、执行调度、校验反馈)实现动态定位,将测试逻辑与实现细节解耦。数据显示,AI生成测试用例占比已达70%,但多数团队仅将其作为代码补
测试工程师将自身测试经验和技能封装成企业推行的 Skill(技能资产),看似能通过版税、积分等激励获取短期收益,实则陷入企业精心设计的 “慢性裁员” 陷阱:Skill 的高复用性会让 AI 逐步替代人工测试,企业将 Skill 包装为 “知识资产化”,本质是把测试工程师的工作量化为可削减的成本;Skill 激励背后藏着版税衰减、无成本维护、虚假转型通道三大谎言,工程师失去规则制定、风险决策等核心话
清晰的分层与解耦:CrewAI 专注于**“谁来做”和“按什么顺序做”** 的协作。
AI测试用例生成工具摘要: 该工具基于AI技术自动生成结构化测试用例,支持粘贴PRD、Story等需求文档,智能识别业务逻辑并匹配等价类、边界值等8种设计方法。核心功能包括:需求溯源矩阵确保100%覆盖、三层测试模型(L1业务/L2边界/L3安全)、一键导出标准Excel(含10字段规范)。提供new(覆盖)和append(追加)两种模式,通过双击666唤醒,自动生成JSON缓冲文件并支持Pyth
一个资深测试看到接口文档,脑子里会过这些:参数为空要测吗,状态码异常要测吗,鉴权失败要测吗,接口依赖关系怎么处理,前置数据从哪来。真正的分水岭是:当团队在Skill里沉淀了100个测试场景包,当你所在的行业测试用例生成效率已经从“小时”进入“分钟”区间,你是依然在复制粘贴提示词的那个人,还是已经在设计下一版测试系统的Skill的那一个。一个需求快的一两小时,慢的大半天就没了。当你所在团队能把测试设
本文手把手教你20分钟快速创建专属测试用例生成器Skill。通过Agent与Skill协作,将复杂任务拆解与专业能力封装结合,实现测试自动化提效。文章详细演示了使用skill-creator工具从零搭建测试用例生成器的完整流程,包括基础结构、创建步骤、输出示例等,并对比了手动编写与自动生成的效率差异(2-3天 vs 2分钟)。核心优势在于一次性投入20分钟创建Skill后,可永久复用,实现标准化输
则是自行开发的skill,输入指令后,Skill会自动解析接口文档中的所有接口信息——包括请求方法、请求地址、参数、请求头、响应格式等核心内容,无需人工干预,几秒内就能生成一份完整的.jmx脚本文件。主要作用是根据接口文档,自动解析接口信息(URL、请求方式、请求头、参数、响应格式),直接生成jmx文件,支持批量解析多个接口,一次性生成完整的jmeter脚本,导入工具即可使用。手工编写繁琐:需逐一
【摘要】测试行业正经历从传统断言到AI技能(Skill)的范式转变。文章提出三大核心测试Skill:1)自动断言Skill解决AI输出验证难题;2)数据构造Skill实现复杂测试数据一键生成;3)多模态识别Skill处理图像/语音等非结构化验证。通过对比传统手工测试与Skill流水线的效率差异(如代码审查从10分钟降至10秒),揭示Skill库可复用性带来的指数级效能提升。文章提供三步落地路径:从
还在靠手动写提示词、复制粘贴做测试?看懂 Agent+Skill 工作流,告别重复劳作,一键自动生成用例、报告,大幅降低加班成本。
本文详细介绍了OpenClaw工具的进阶使用技巧,重点讲解批量修改文件内容和关键词替换的高效方法。主要内容包括:1) OpenClaw基础功能与安装;2) 文件遍历、内容修改和原子操作等核心技巧;3) 正则表达式实现复杂关键词替换;4) 错误处理与日志记录;5) 数据清洗、文档自动化等实战案例;6) 性能优化与最佳实践。通过大量代码示例和实用建议,帮助用户掌握自动化处理技巧,显著提升工作效率。文章