AC qa-ai-context-engineering
Упакуйте все предыдущие шаги анализа (декомпозиция требований, дерево сценариев, список границ, оценка рисков и т. д.) в структурированный пакет контекста ИИ, чтобы гарантировать, что ИИ имеет полный бизнес-, функциональный и технический контекст при генерации тестовых случаев. Этот шаг необходимо выполнить после завершения анализа требований, построения сценариев и глубокого проектирования, перед переходом к генерации подсказок. Полнота пакета контекста напрямую определяет качество тестовых случаев, генерируемых ИИ — на вход мусор, на выходе мусор. При отсутствии вышестоящего анализа этот навык прочитает загруженный пользователем файл требований или получит URL, предоставленный пользователем, для дополнения контекста и выполнит структурированный разбор исходного описания для включения в пакет контекста, но это не заменит вышестоящие шаги анализа — недостающие элементы по-прежнему будут отмечены и будет предложено вернуться для их дополнения. Триггерные сценарии: Инженерия контекста, Построение контекста, Пакет контекста, Контекст тестирования, Структурированный контекст, Недостаточно контекста, Когда анализ требований и построение сценариев завершены и требуется упаковка контекста. Use when the user asks about: building a structured context package so an LLM has full business, functional, and technical context before generating test cases.
машинный переводПоказать оригиналСкрыть оригинал«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…»
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。当上游分析缺失时，本技能会读取用户上传的需求文件或fetch用户提供的URL以补充上下文，并对原始描述做结构化解析后并入上下文包，但不会替代上游分析步骤——缺失项仍需标注并建议回退补充。 触发场景：上下文工程、构建上下文、上下文包、测试上下文、结构化上下文、上下文不够、已完成需求解构和场景构建需要打包上下文时。 Use when the user asks about: building a structured context package so an LLM has full business, functional, and technical context before generating test cases.
Упакуйте все предыдущие шаги анализа (декомпозиция требований, дерево сценариев, список границ, оценка рисков и т.
Как процесс C 59/100 · Есть пробелы — слабые места: результат и критерий готовности, входы и предусловия, ошибки и развилки
Как улучшить
- Свои кейсы (evals/evals.json, 4–6 реальных запросов с ожидаемыми ответами): тогда полная проверка прогонит именно их, а не черновик от модели.
- spec.yaml с триггерными фразами и утверждениями — контракт поведения для CI; `skilltest init` создаст шаблон.
Находки guard · 0
✓ Критических и высоких находок нет
Просканировано файлов: 4. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.
По спецификации Agent Skills
✓ По спецификации Agent Skills замечаний нет
Процессный рейтинг: все десять параметров 59/100
- 0Результат и критерий готовности. Не сказано, что считать результатом
- 0Входы и предусловия. Не сказано, что нужно иметь на входе
- 0Ошибки и развилки. Линейный процесс без обработки сбоев
- 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
- 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
- 100Инструменты и файлы. Инструменты объявлены во frontmatter
- 100Шаги. Шагов: 16
- 100Согласованность. Имя и обязательные поля на месте
- 100Стоимость исполнения. Тело инструкции 632 токенов
- 100Повторный запуск. Изменяющих операций нет
Всё перечисленное измерено по тексту скилла, а не оценено моделью: цифры проверяемы. Вес параметра тем больше, чем чаще из-за него процесс встаёт.
Сигналы качества
- +5В description нет примеров фраз, по которым скилл должен срабатывать
- +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
- +3Формат ответа не описан: модель каждый раз решает сама
- +2Инструкции на одном языке
- +3Длина description 476 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 13 заголовков
- +3Пошаговые инструкции: 16 пунктов
- +4Есть примеры (5 блоков кода)
- +4Справочные файлы упоминаются в инструкциях (1 из 1)
- +1Лицензия указана
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 89.