AI需求生成测试用例Agent的Skill该怎么写

def parse_document(file_path: str) -> str:    """按文件类型选择解析器"""    ext = Path(file_path).suffix.lower()    parsers = {        ".md": parse_markdown,        ".txt": parse_text,        ".docx": parse_docx,        ".pdf": parse_pdf,        ".xlsx": parse_excel,        ".xmind": parse_xmind,        ".png": parse_image,  # 多模态，直接调VLM    }    parser = parsers.get(ext)    if not parser:        raise ValueError(f"不支持的文件格式: {ext}")    return parser(file_path)

def split_by_modules(doc_text: str) -> list[dict]:    """按功能模块拆分长文档"""    # 先提取标题层级    sections = extract_sections(doc_text)    modules = []    for section in sections:        if section.level <= 2:  # 只拆到二级标题            modules.append({                "module_name": section.title,                "content": section.text,                "sub_modules": [s.title for s in section.children]            })    return modules

{  "modules": [    {      "name": "用户登录",      "description": "支持手机号+验证码和账号密码两种登录方式",      "business_rules": [        "验证码60秒有效期",        "密码错误5次锁定30分钟",        "首次登录强制修改密码"      ],      "dependencies": ["短信服务", "用户中心"],      "abnormal_scenarios": [        "网络超时",        "验证码过期",        "账户冻结"      ]    }  ],  "cross_module_flows": [    "登录成功后跳转首页，首页需显示用户昵称"  ],  "implicit_requirements": [    "切换登录方式时已输入的内容需清空"  ]}

TEST_DESIGN_PRINCIPLES = """测试点提取需遵循以下原则：1. 等价类划分：每个输入字段至少覆盖有效等价类和无效等价类各一个2. 边界值分析：数值类字段测试最小值、最小值-1、最大值、最大值+13. 状态转换：有状态流转的功能，每个状态转换都应覆盖4. 错误推测：根据业务经验推测可能的错误场景5. 组合场景：多个条件组合时，重点覆盖条件交叉的情况"""

def build_testpoint_prompt(module: dict, kb_results: list = None) -> str:    prompt = f"""基于以下需求模块提取测试点：模块名称：{module['name']}模块描述：{module['description']}业务规则：{module['business_rules']}异常场景：{module['abnormal_scenarios']}"""    if kb_results:        prompt += f"""【历史相关Bug】{format_kb_results(kb_results)}请参考历史Bug，针对性补充测试点。"""    prompt += """请按以下格式输出测试点：- 测试点编号- 测试类型（功能/边界/异常/兼容/性能）- 测试描述- 优先级（P0/P1/P2）"""    return prompt

def multi_round_extraction(module: dict) -> list:    # 第一轮：基础测试点    round1 = extract_testpoints(module, focus="basic")    # 第二轮：补充边界和异常    round2 = extract_testpoints(        module,         focus="boundary_and_exception",        context=f"已提取的测试点：{round1}"    )    # 第三轮：去重合并    all_points = round1 + round2    final = deduplicate(all_points)    return final

{  "module": "用户登录",  "test_points": [    {      "id": "LOGIN-001",      "type": "功能",      "description": "手机号+验证码正常登录",      "priority": "P0"    },    {      "id": "LOGIN-002",      "type": "边界",      "description": "验证码输入第59秒仍有效，第61秒失效",      "priority": "P1"    },    {      "id": "LOGIN-003",      "type": "异常",      "description": "密码错误第5次触发锁定，第4次不锁定",      "priority": "P1"    },    {      "id": "LOGIN-004",      "type": "异常",      "description": "登录过程中网络断开，重连后状态恢复",      "priority": "P2"    }  ]}

TESTCASE_SCHEMA = {    "case_id": {"type": "string", "pattern": r"^[A-Z]+-\d{3}$"},    "module": {"type": "string", "max_length": 20},    "description": {"type": "string", "max_length": 100},    "precondition": {"type": "string", "required": True},    "steps": {        "type": "array",        "items": {            "step_no": {"type": "integer"},            "action": {"type": "string", "required": True},            "expected": {"type": "string", "required": True}        },        "min_items": 1    },    "priority": {"type": "string", "enum": ["P0", "P1", "P2", "P3"]},    "status": {"type": "string", "enum": ["执行", "不执行", "调试"]},    "remark": {"type": "string", "default": ""}}

预期结果（错误示范）：登录成功预期结果（正确示范）：页面跳转至首页，首页顶部显示用户昵称，底部Tab栏选中"首页"图标

def validate_against_prd(testcase: dict, prd_text: str) -> dict:    """校验用例预期结果是否有PRD依据"""    for step in testcase["steps"]:        expected = step["expected"]        # 简单的关键词匹配，复杂场景可走语义检索        if not has_prd_basis(expected, prd_text):            step["review_flag"] = "待确认：预期结果未在需求中找到依据"    return testcase

def check_step_granularity(steps: list) -> list:    """检查步骤粒度是否足够细"""    refined = []    split_keywords = ["并且", "然后", "接着", "之后", "同时"]    for step in steps:        if any(kw in step["action"] for kw in split_keywords):            # 按连接词拆分            sub_steps = split_by_keywords(step, split_keywords)            refined.extend(sub_steps)        else:            refined.append(step)    # 重新编号    for i, step in enumerate(refined, 1):        step["step_no"] = i    return refined

def check_completeness(modules: list, testcases: list) -> list:    """检查测试点覆盖完整性"""    issues = []    for module in modules:        module_cases = [tc for tc in testcases if tc["module"] == module["name"]]        # 检查异常场景覆盖        for scenario in module.get("abnormal_scenarios", []):            covered = any(scenario in tc["description"] for tc in module_cases)            if not covered:                issues.append({                    "module": module["name"],                    "issue": f"异常场景未覆盖: {scenario}",                    "severity": "高"                })        # 检查业务规则覆盖        for rule in module.get("business_rules", []):            covered = any(rule[:10] in tc["description"] for tc in module_cases)            if not covered:                issues.append({                    "module": module["name"],                    "issue": f"业务规则未覆盖: {rule}",                    "severity": "中"                })    return issues

VAGUE_ASSERTIONS = ["功能正常", "操作成功", "页面正常", "显示正常", "正常运行", "正常响应"]def check_assertion_quality(testcases: list) -> list:    """检查断言质量"""    issues = []    for tc in testcases:        for step in tc["steps"]:            expected = step["expected"]            if any(vague in expected for vague in VAGUE_ASSERTIONS):                issues.append({                    "case_id": tc["case_id"],                    "step": step["step_no"],                    "issue": f"断言过于模糊: '{expected}'",                    "suggestion": "补充具体的视觉特征或数值指标"                })    return issues

def deduplicate_cases(testcases: list, threshold: float = 0.85) -> list:    """语义去重"""    unique = []    for tc in testcases:        key = f"{tc['module']}_{tc['description']}"        is_dup = False        for existing in unique:            existing_key = f"{existing['module']}_{existing['description']}"            sim = semantic_similarity(key, existing_key)            if sim > threshold:                is_dup = True                break        if not is_dup:            unique.append(tc)    return unique

需求文档 → [需求分析Skill] → 模块摘要(JSON)模块摘要 → [测试点提取Skill] → 测试点清单(JSON)测试点清单 → [用例生成Skill] → 待审用例集(JSON)待审用例集 → [用例评审Skill] → 最终用例 + 评审清单

def run_full_pipeline(file_path: str, use_kb: bool = False) -> dict:    """完整流水线"""    # Stage 1: 需求分析    doc_text = parse_document(file_path)    modules = analyze_requirements(doc_text)    # Stage 2: 测试点提取    all_testpoints = []    for module in modules:        kb_context = retrieve_from_kb(module["name"]) if use_kb else None        points = extract_testpoints(module, kb_context)        all_testpoints.extend(points)    # Stage 3: 用例生成    testcases = []    for point in all_testpoints:        case = generate_testcase(point, doc_text)  # 传入原文做幻觉校验        case = validate_schema(case)                # 格式校验        case = check_step_granularity(case)          # 步骤粒度检查        testcases.append(case)    # Stage 4: 用例评审    review_result = review_testcases(testcases, modules)    final_cases = review_result["passed"]    review_list = review_result["pending_review"]    return {        "testcases": final_cases,        "review_list": review_list,        "stats": {            "total_modules": len(modules),            "total_testpoints": len(all_testpoints),            "total_cases": len(final_cases),            "pending_review": len(review_list)        }    }

skills/├── requirement-analysis/                    # Skill 1: 需求分析│   ├── SKILL.md                             # 能力描述、触发条件、输入输出格式│   ├── references/│   │   ├── implicit_req_rules.md            # 隐性需求推断规则（从哪些信号推断隐性需求）│   │   └── doc_format_guide.md              # 各格式文档的解析要点（Excel合并单元格怎么处理等）│   └── scripts/│       └── parse.py                         # 多格式文档解析（md/docx/pdf/xlsx/xmind/png）│├── testpoint-extraction/                    # Skill 2: 测试点提取│   ├── SKILL.md│   ├── references/│   │   ├── test_design_principles.md        # 测试设计原则（等价类/边界值/状态转换/错误推测）│   │   ├── boundary_rules.md                # 常见边界值规则（数值/字符串/日期/列表类字段）│   │   └── exception_patterns.md            # 异常场景模式库（网络/数据/状态/权限异常）│   └── scripts/│       └── extract.py                       # 多轮提取+去重合并│├── testcase-generation/                     # Skill 3: 用例生成│   ├── SKILL.md│   ├── references/│   │   ├── testcase_template.md             # 用例模板规范（9字段定义+命名规则）│   │   ├── assertion_examples.md            # 断言写法正反示例（模糊断言 vs 具体断言）│   │   └── step_granularity_rules.md        # 步骤粒度规则（连接词拆分、原子操作判定）│   └── scripts/│       └── generate.py                      # Schema校验+幻觉校验+粒度检查│└── testcase-review/                         # Skill 4: 用例评审    ├── SKILL.md    ├── references/    │   ├── vague_assertion_list.md           # 模糊断言黑名单（"功能正常""操作成功"等）    │   ├── review_checklist.md              # 评审检查项（完整性/质量/重复三维度）    │   └── dedup_guideline.md               # 去重判定指南（语义相似度阈值+人工兜底规则）    └── scripts/        └── review.py                        # 完整性检查+质量检查+去重

你需要完成一个需求到测试用例的全流程任务。请按以下步骤依次执行：【第1步：需求分析】使用 requirement-analysis Skill，分析我提供的需求文档。输出：结构化的模块摘要（包含模块名、业务规则、异常场景、隐性需求）。【第2步：测试点提取】使用 testpoint-extraction Skill，基于第1步输出的模块摘要提取测试点。要求：先做一轮基础提取，再补充一轮边界和异常场景，最后去重合并。如果知识库中有历史Bug记录，优先参考。输出：按模块组织的测试点清单（含类型、描述、优先级）。【第3步：用例生成】使用 testcase-generation Skill，将第2步的测试点转化为结构化测试用例。要求：严格遵循9字段模板格式，预期结果必须具体可验证（不能出现"功能正常"这种模糊断言），所有断言必须在原文中有依据，步骤粒度要拆到原子操作级别。输出：待审用例集。【第4步：用例评审】使用 testcase-review Skill，对第3步生成的用例做评审。检查三个维度：完整性（模块摘要中的业务规则和异常场景是否都有用例覆盖）、质量（断言是否模糊、步骤是否太粗）、重复（语义相似的用例去重）。输出：最终通过用例 + 待人工确认的评审清单。【约束条件】1. 每一步的输出必须是结构化JSON，直接作为下一步的输入，不要丢失格式2. 原始需求文档全文必须贯穿始终，后面步骤需要回溯原文做校验3. 第3步生成的用例，预期结果中如果找不到PRD依据，必须标记为"待确认"4. 第4步评审清单单独输出，人工只需审这份清单【需求文档】{这里粘贴需求文档内容，或告诉Agent文档路径}

全流程执行需求到用例：requirement-analysis → testpoint-extraction → testcase-generation → testcase-review需求文档：{文档路径}输出：最终用例Excel + 评审清单