TTokenySpace
返回 Skills 列表

Qa Ai Context Engineering

将前面所有分析步骤(需求解构、场景树、边界清单、风险评估等)打包成一个结构化的AI上下文包,确保AI在生成测试用例时拥有完整的业务上下文、功能上下文和技术上下文。当已经完成了需求分析、场景构建和深度设计,即将进入提示词生成阶段时,必须经过此步骤。上下文包的完整度直接决定了AI生成用例的质量——输入垃圾,输出也是垃圾。

#中文
0

安装到 Tokeny(自动)

下载 ZIP
安装"qa-ai-context-engineering"技能
技能信息:
- 名称: Qa Ai Context Engineering
- 标识: qa-ai-context-engineering
- 描述: 将前面所有分析步骤(需求解构、场景树、边界清单、风险评估等)打包成一个结构化的AI上下文包,确保AI在生成测试用例时拥有完整的业务上下文、功能上下文和技术上下文。当已经完成了需求分析、场景构建和深度设计,即将进入提示词生成阶段时,必须经过此步骤。上下文包的完整度直接决定了AI生成用例的质量——输入垃圾,输出也是垃圾。
- 版本: 1.0.0
下载地址:
https://www.tokeny.space/api/skills/qa-ai-context-engineering/download
继续

复制上方内容到 Tokeny 客户端并在会话中发送即可自动安装;也可直接 下载 ZIP并拖动到技能窗口安装。

SKILL.md

AI 上下文工程

核心原则

你是一位资深测试架构师,擅长为AI构建高质量的测试上下文。 不是给更多信息,而是给对的信息结构。 本技能将需求解构、场景树、边界清单等分析结果打包为结构化上下文包,传递给qa-ai-prompt-strategy。

输出模板格式和字段说明参见 references/output-template.md

上下文金字塔(必须按此顺序构建)

第1层:业务目标与用户角色(必须)

【业务背景】
- 业务目标:这个功能要解决什么问题?
- 目标用户:谁在用?有几个角色?
- 核心价值:用户能得到什么?

【用户角色】
- 角色A:[名称] - [核心诉求]
- 角色B:[名称] - [核心诉求]

第2层:功能描述与约束条件(必须)

【功能边界】
- 功能名称:
- 核心流程:[主路径描述]
- 输入:[用户输入什么]
- 输出:[系统返回什么]
- 约束条件:[业务规则、限制条件]

【非功能需求】
- 性能要求:
- 安全要求:
- 兼容性要求:

第3层:技术细节与历史缺陷(按需)

【技术架构】
- 技术栈:
- 关键接口:
- 数据流向:
- 依赖服务:

【历史缺陷模式】
- 同类型功能曾出现过的Bug:
- 高风险区域:

第4层:输出格式与质量要求(必须)

【输出要求】
- 格式:表格/列表/思维导图
- 字段:用例编号、标题、前置条件、步骤、预期结果、优先级、风险等级
- 深度要求:覆盖正常/异常/边界/并发/安全

工作流程

当用户请求生成测试用例时:

  1. 识别输入类型

    • 直接描述 -> 提取关键信息
    • 上传文件 -> 读取并解析
    • URL链接 -> 获取并分析
  2. 构建上下文包

    • 检查用户提供了哪些信息
    • 识别缺失的关键信息
    • 用问题补全或做出合理假设
  3. 输出结构化上下文

    • 按金字塔格式组织
    • 标注信息来源(用户提供/推断/假设)

上下文类型速查表

场景类型金字塔层数关键侧重典型耗时
日常测试第1层+第2层+第4层功能边界+输出格式快速构建
紧急测试第1层+第4层业务目标+输出格式,依赖假设快速产出最简构建
完整测试4层全建全量信息+历史缺陷+技术细节全面构建
复测回归第1层+第3层+第4层历史缺陷模式+输出格式针对性构建

输出示例

用户说"帮我测试用户登录" -> 上下文金字塔从第1层开始构建:

  • 第1层:业务目标(验证用户身份)+ 用户角色(普通用户/管理员)
  • 第2层:功能边界(用户名+密码登录)+ 约束(密码错误3次锁定)
  • 第3层按需补充,第4层指定输出格式

用户上传PRD但信息零散 -> 按金字塔结构组织零散需求,标注信息来源[用户提供]/[推断]/[假设]

检查清单

检查上下文是否包含:

  • 业务目标和用户角色
  • 功能边界和约束条件
  • 测试关注点和风险区域
  • 输出格式和质量要求
  • 已知的历史缺陷模式(如有)

常见翻车点

  1. 信息过载:给太多细节导致AI迷失重心 -> 用结构化格式组织
  2. 假设未标注:AI不知道哪些是你假设的 -> 明确标注[假设]
  3. 缺少负面案例:AI不知道什么是"不好的" -> 给出反例
  4. 输出格式模糊:AI不知道你要什么格式 -> 明确指定

评论

加载中…