AI 测试盲区补偿

SKILL开发
开发 未标注权限 许可证不明确 已核验
安装这个技能

AI在生成测试用例时存在六大系统性盲区:时序依赖、并发冲突、资源竞争、状态累积、数据一致性、第三方集成差异。评审完AI生成的用例之后,必须用此技能做盲区补盲——因为AI几乎一定会漏掉这些。如果你心里觉得"好像还差点什么但说不上来",这就是答案。每个盲区维度至少补2-3个场景,总补盲数12-18个。 触发场景:还有什么没测到、AI漏了什么、补盲、全面覆盖、是不是不够、哪还没测、盲区分析、遗漏场景、时。 Use when the user asks about: compensating for known blind spots in AI-generated test cases — timing dependencies, concurrency conflicts, resource contention, state accumulation, data consistency, and third-party integration differences.

一句话选型结论

按资料字段整理

AI 测试盲区补偿是开发类的 Agent Skill,安装方式:ClawHub 市场,权限级别未标注,许可证不明确,有可直接复制的安装命令。技能本质是给模型读的说明书,效果取决于模型与客户端;装完先用一个小任务验证,再放进正式流程。

分类开发 安装方式ClawHub 市场 权限级别未标注权限 许可证许可证不明确
累计安装 未标注 本周 未标注
GitHub 星标 未标注 仓库 未标注
下载量 未标注 技能市场下载数
权限级别 未标注权限 安装前请确认风险范围
许可证 许可证不明确 未说明

安装

ClawHub 市场
在支持 Skills 的客户端里执行,装完问一句「你有哪些技能」验证
skillhub install user_8e8e447f/qa-ai-blindspot-compensation
  1. 1
    确认客户端支持

    确认你的客户端支持 Skills(Claude、Codex、Cursor 等),并升级到较新的版本。

  2. 2
    拿到技能文件

    执行上面的命令安装;也可以把仓库里的 SKILL.md 手动放进客户端的 skills 目录。

  3. 3
    刷新技能列表

    重新打开客户端,或刷新技能列表,让新放进来的技能被加载。

  4. 4
    验证是否生效

    问一句「你有哪些技能」,确认列表里出现它,再拿一个小任务试跑。

技能档案

开发
字段来自技能仓库与公开索引,中文说明由本站标注
作者 / 维护方user_8e8e447f仓库 未标注 · 版本 未标注
宿主客户端未标注技能可被这些客户端加载
安装方式ClawHub 市场安装包 clawhub
权限级别未标注权限安装前请确认风险范围
许可证未说明许可证不明确,商用前请自行确认条款
仓库可用性available技能仓库当前是否可访问
最近核验未标注上游最后核验时间 · 数据更新 1791622133
正文体量9.0 KBSKILL.md 原文大小,越大说明说明书写得越细

典型使用场景

3 类
按分类整理的常见用法,具体以 SKILL.md 为准
写代码与改 bug

按需求补代码、定位并修掉报错。

读仓库与生成改动

让模型读懂项目结构,再给出可落地的改动。

跑测试与排查故障

按现象排查问题,补测试用例并复跑。

选择建议

装之前先看这几条
按条目字段给出的判断,不替你决定用不用

值得选的地方

  • 已做过站内核验,页面字段与仓库对得上。
  • 有可直接复制的安装命令,不用自己翻文档找入口。

先想清楚的地方

  • 没有标注权限级别,实际能做什么要装好后确认。
  • 许可证不明确,商用或二次分发前先到仓库确认条款。
  • 技能只是说明书,实际效果取决于模型与客户端,装完先用小任务试一遍。

更适合

  • 需要在开发场景里给模型补一套做法的人。
  • 愿意先读一遍 SKILL.md、确认它会让模型做什么的人。

不太适合

  • 对许可证要求很严、必须明确可商用的人。
  • 只想装完就自动变强、不打算看说明书的人。

同类对比

6 个同类
同分类里挑最接近的几条,字段以各自详情页为准
技能权限级别安装方式累计安装宿主客户端安装命令
AI 测试盲区补偿当前 未标注权限 ClawHub 市场 未标注 未标注 有
技能审查员 浏览器控制 ClawHub 市场 877.9 万 OpenClaw 有
Vercel React 最佳实践 浏览器控制 GitHub 仓库 849.1 万 Codex、Claude、Cursor 有
GitHub 代码协作 联网访问 ClawHub 市场 763.3 万 OpenClaw 有
网页设计指南 联网访问 GitHub 仓库 668.6 万 Codex、Claude、Cursor 有
本体论 只读 ClawHub 市场 663.7 万 OpenClaw 有

SKILL.md 全文

9.0 KB
模型实际读到的说明书原文,来自技能仓库

> ⚠️ 本技能单独使用效果有限,建议配合完整技能集(12 步工作流)使用。安装:npx skills add Kokxi/qa-test-skills

AI 盲区补偿

核心原则

AI有系统性的盲区,专家知道在哪些维度上主动补盲。

关键指标:每个盲区至少补充2-3个测试场景,六大盲区 × 每个2-3个场景 = 至少12-18个补盲用例。

AI 六大已知盲区

> 每个盲区的典型场景、检查清单、补盲问法详见 references/blindspot-details.md。

盲区 AI的典型盲点 补盲方向
时序依赖 不思考"操作顺序变更"的影响 打乱顺序、测试中间状态、验证依赖
并发冲突 不思考"多人同时操作" 多用户并发、多设备操作、锁机制
资源竞争 不思考"资源耗尽" 内存/连接/线程/磁盘不足
状态累积 不思考"长时间运行后漂移" 会话超时、累计操作、缓存过期
数据一致性 不思考"分布式数据问题" 跨服务同步、分布式事务、主从一致
第三方集成 不思考"Mock与真实差异" 第三方异常/超时/变更/降级

> 国内业务常见实例(补盲时优先对照):

盲区 国内业务实例
时序依赖 秒杀活动中"先加购物车后下单"与"直接下单"顺序不同,库存扣减结果差异
并发冲突 双11多用户同时抢同一商品,超卖问题;多人同时编辑同一订单
资源竞争 支付网关连接池耗尽、日志磁盘写满、数据库连接数超限
状态累积 用户会话长期不退出导致 Token 过期/权限漂移;长连接内存泄漏
数据一致性 订单跨服务(订单服务+库存服务+支付服务)分布式事务;主从延迟读
第三方集成 微信支付/支付宝回调超时重试、短信服务商变更、地图/天气第三方异常降级

补盲检查清单

  • [ ] 时序依赖:操作顺序变更是否影响结果?
  • [ ] 并发冲突:多人同时操作是否测试?
  • [ ] 资源竞争:资源耗尽场景是否覆盖?
  • [ ] 状态累积:长时间运行是否测试?
  • [ ] 数据一致性:分布式数据问题是否验证?
  • [ ] 第三方集成:Mock与真实差异是否对比?

输出格式

## 补盲报告

### 盲区覆盖情况
| 盲区类型 | 原有用例 | 补盲用例 | 覆盖状态 |
|---------|---------|---------|---------|
| 时序依赖 | X条 | X条 | ✓/✗ |
| 并发冲突 | X条 | X条 | ✓/✗ |
| 资源竞争 | X条 | X条 | ✓/✗ |
| 状态累积 | X条 | X条 | ✓/✗ |
| 数据一致性 | X条 | X条 | ✓/✗ |
| 第三方集成 | X条 | X条 | ✓/✗ |

### 补盲用例清单
| 用例编号 | 盲区类型 | 测试标题 | 关联需求 |
|---------|---------|---------|---------|
| BS_XXX_001 | 时序依赖 | [标题] | REQ-XXXX |

加载时机

需要时才读,不要一上来全读:

什么时候读 读哪个
知道有六大盲区,但不清楚每类具体漏什么 references/blindspot-details.md(六类盲区的详细判据与示例)

补盲工作流

步骤1:识别盲区

对照六大盲区,检查当前测试场景:
- [ ] 时序依赖:有没有操作顺序影响结果的场景?
- [ ] 并发冲突:有没有多人同时操作的场景?
- [ ] 资源竞争:有没有资源可能耗尽的场景?
- [ ] 状态累积:有没有长时间运行的场景?
- [ ] 数据一致性:有没有分布式数据同步的场景?
- [ ] 第三方集成:有没有依赖外部服务的场景?

步骤2:生成补盲场景

对每个识别出的盲区,生成专项测试场景:

时序依赖补盲:
1. 打乱操作顺序,验证结果
2. 测试操作中间状态
3. 验证操作依赖关系

并发冲突补盲:
1. 多用户同时编辑同一数据
2. 同一用户多设备同时操作
3. 并发请求导致数据不一致

资源竞争补盲:
1. 模拟内存不足
2. 模拟连接池耗尽
3. 模拟线程池满

状态累积补盲:
1. 长时间运行测试
2. 会话超时测试
3. 累计操作测试

数据一致性补盲:
1. 跨服务数据同步测试
2. 分布式事务测试
3. 缓存一致性测试

第三方集成补盲:
1. Mock与真实行为对比
2. 第三方异常模拟
3. 第三方降级测试

步骤3:标注补盲场景

为每个补盲场景标注:
- 盲区类型:[时序/并发/资源/状态/数据/第三方]
- 风险等级:高/中/低
- 测试难度:高/中/低
- 建议测试深度:深测/常规/冒烟

逐项检查清单

测试完成后,逐项检查:

时序检查

  • [ ] 操作顺序变更会怎样?
  • [ ] 操作中间状态会丢失吗?
  • [ ] 有操作依赖关系吗?

并发检查

  • [ ] 多人同时操作会怎样?
  • [ ] 多设备同时操作会怎样?
  • [ ] 并发请求会冲突吗?

资源检查

  • [ ] 内存会泄漏吗?
  • [ ] 连接会耗尽吗?
  • [ ] 线程会满吗?
  • [ ] 磁盘会满吗?

状态检查

  • [ ] 长时间运行会出问题吗?
  • [ ] 会话超时会怎样?
  • [ ] 累计操作会影响什么?

数据检查

  • [ ] 跨服务数据同步正常吗?
  • [ ] 分布式事务会失败吗?
  • [ ] 缓存与数据库一致吗?

第三方检查

  • [ ] Mock与真实行为一致吗?
  • [ ] 第三方异常会怎样?
  • [ ] 第三方降级会怎样?

输出示例

AI生成了一组登录功能测试用例
→ 扫描六大盲区:
- 时序盲区:未测试"登录中切换页面"场景
- 并发盲区:未测试"多设备同时登录"场景
→ 为每个盲区补充2-3个测试场景,标注风险等级

用户说"还有没有遗漏"
→ 启动六大盲区逐一排查,输出补盲报告
→ 每个补盲用例带唯一ID(BS-XXXX)并关联原始用例

检查清单

补盲完成后检查:
- [ ] 是否覆盖了六大盲区?
- [ ] 补盲场景是否可执行?
- [ ] 补盲场景风险是否标注?
- [ ] 补盲场景优先级是否合理?

常见问题

5 问
答案由本站依据条目字段整理
AI 测试盲区补偿怎么安装?

在支持 Skills 的客户端里执行:skillhub install user_8e8e447f/qa-ai-blindspot-compensation。安装方式为ClawHub 市场。装完刷新技能列表或重开客户端。

AI 测试盲区补偿支持哪些客户端?

资料没有标注宿主客户端,但只要客户端支持 Skills(Claude、Codex、Cursor 等),一般都能加载。

AI 测试盲区补偿权限高吗,安全吗?

权限级别为未标注权限。安装前先看它会读取或写入哪些内容。

AI 测试盲区补偿收费吗?

本站不代收费用,也没有标注具体价格。是否收费取决于技能本身和所用的模型或客户端,正式使用前按作者说明确认。

AI 测试盲区补偿用什么许可证?

许可证标注为 未说明(许可证不明确)。商用或二次分发前请到仓库确认条款原文。

热门专题

按场景挑技能
全部专题 →

技能内容以作者仓库为准;分类、权限级别与许可证状态的中文说明为中文整理,最近核验 未标注。