BF greenhelix-agent-testing-qa-toolkit
Набор инструментов для тестирования и QA агентов: интеграционное, хаос-тестирование и контрактное тестирование для мультиагентных систем. Комплексный набор инструментов для тестирования систем агентской коммерции: стратегии модульного, интеграционного и сквозного тестирования, стратегии мокирования, хаос-тестирование, контрактное тестирование между агентами, бенчмаркинг производительности, CI/CD для развертывания агентов и канареечные релизы.
машинный переводПоказать оригиналСкрыть оригинал«Agent Testing & QA Toolkit: Integration, Chaos, and Contract Testing f…»
Agent Testing & QA Toolkit: Integration, Chaos, and Contract Testing for Multi-Agent Systems. Comprehensive testing toolkit for agent commerce systems: unit vs integration vs e2e testing strategies, mock strategies, chaos testing, contract testing between agents, performance benchmarking, CI/CD for agent deployments, and canary releases.
Набор инструментов для тестирования и QA агентов: интеграционное, хаос-тестирование и контрактное тестирование для мультиагентных систем.
Как процесс F 49/100 · Не запустится — Скилл ссылается на файлы, которых нет в архиве: input_data
Как улучшить
- Скажите в description, КОГДА применять скилл («используй, когда…», примеры запросов): это главный сигнал для агента.
- Тело SKILL.md длиннее 5 000 токенов: вынесите справочные детали в references/ и подключайте по необходимости.
- В тексте есть ссылки на отсутствующие файлы: добавьте файлы или уберите ссылки.
- 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: 2. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.
По спецификации Agent Skills
- предупреждение
description-no-whendescription не говорит, КОГДА применять скилл (нет "use when / используй когда") - предупреждение
body-longтело SKILL.md ≈ 26064 токенов (рекомендуется < 5000); вынесите детали в references/ - предупреждение
missing-refссылка на отсутствующий файл: input_data - заметка
frontmatter-keyнеизвестное поле фронтматтера "type" - заметка
frontmatter-keyнеизвестное поле фронтматтера "price_usd" - заметка
frontmatter-keyнеизвестное поле фронтматтера "content_type" - заметка
frontmatter-keyнеизвестное поле фронтматтера "executable" - заметка
frontmatter-keyнеизвестное поле фронтматтера "install" - заметка
frontmatter-keyнеизвестное поле фронтматтера "credentials"
Процессный рейтинг: все десять параметров 49/100
- 0Инструменты и файлы. Не хватает 1 файла(ов): input_data
- 0Входы и предусловия. Не сказано, что нужно иметь на входе
- 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
- 10Стоимость исполнения. Тело инструкции 26064 токенов: вытесняет саму задачу из окна
- 30Повторный запуск. Изменяющих операций: 32, без проверки текущего состояния
- 50Когда включается. Не сказано, при каком запросе скилл включается
- 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
- 100Шаги. Шагов: 26
- 100Ошибки и развилки. Развилок: 4, есть раздел про ошибки
- 100Согласованность. Имя и обязательные поля на месте
- medium Правила безопасности и запреты внутри скилла: их место в системном промпте, здесь они не защищают
- low Разделов верхнего уровня: 12. Похоже на несколько доменов в одном скилле
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)
- +2Инструкции на одном языке
- +3Длина description 339 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 48 заголовков
- +3Пошаговые инструкции: 26 пунктов
- +3Формат ответа описан явно
- +4Есть примеры (23 блоков кода)
- +1Лицензия указана
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 57.