360 Secure SkillHub
360 安全技能中心

qa-ai-context-engineering

把需求解构、场景树等上游测试分析产出整理为四层上下文金字塔（业务目标、功能约束、技术细节、输出格式），每条信息标注来源，缺失项显式声明并给出回退建议；本身不产出用例表，供下游提示词策略驱动用例生成。

kokxi
kokxi
热度 59.73
最近更新 2026-09-29 12:27:11
分类：开发依赖：读写文件 / 联网浏览搜索应用场景：模板 / 工作流 / 摘要总结

安装技能

复制下面的话术发给你的 Agent，它会通过 secure-skills 检索并安装该技能。

执行命令安装此 skill： npx secure-skills-cli add qa-ai-context-engineering
Metadata
displayName
AI 测试上下文工程
name
qa-ai-context-engineering
description
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.
license
MIT
allowed-tools
Read Grep Glob WebFetch
metadata
{"slug":"qa-ai-context-engineering","display-name":"AI 测试上下文工程","version":"1.8.0","when-to-use":"用户说\"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","related-skills":"{\"upstream\":[\"qa-req-deconstruction\",\"qa-scenario-tree\",\"qa-boundary-deep-dive\",\"qa-combination-strategy\",\"qa-state-transition\"],\"downstream\":[\"qa-ai-prompt-strategy\"]}","references":"[\"references/window-adaptation.md\",\"assets/context-package.md\"]","input-format":"{\"required\":[{\"name\":\"需求解构表\",\"type\":\"object\",\"description\":\"来自qa-req-deconstruction的需求解构结果\"},{\"name\":\"场景树\",\"type\":\"object\",\"description\":\"来自qa-scenario-tree的场景树结构\"}],\"optional\":[{\"name\":\"边界清单\",\"type\":\"object\",\"description\":\"来自qa-boundary-deep-dive的边界分析结果\"},{\"name\":\"组合矩阵\",\"type\":\"object\",\"description\":\"来自qa-combination-strategy的组合覆盖矩阵\"},{\"name\":\"状态转换图\",\"type\":\"object\",\"description\":\"来自qa-state-transition的状态转换分析\"},{\"name\":\"风险评估\",\"type\":\"object\",\"description\":\"来自qa-risk-intuition的风险评估结果\"}]}","output-format":"{\"traceability\":[\"本技能只打包上下文、不产出新 ID；沿用上游需求ID：REQ-{需求模块缩写}-{序号}、场景ID：SC-{场景模块缩写}-{序号}、边界ID：BD-{模块缩写}-{序号}、风险ID：RISK-{模块缩写}-{风险类型}-{三位序号}、规则ID：RULE-{CAL|VAL|PERM|FLOW}-{序号}\"],\"structure\":[{\"context_package\":\"AI上下文包：四层金字塔（第1层业务目标与用户角色 / 第2层功能描述与约束条件 / 第3层技术细节与历史缺陷（按需）/ 第4层输出格式与质量要求）\"},\"来源标注：每条信息必须标 [用户提供] / [推断] / [假设]；[假设] 项下游必须显式暴露或回上游确认\",\"第1层与第4层必填且永不裁剪；第3层按需，超窗时首个被裁\",\"第4层的 9 列输出格式引用 qa-test-case-design 的真源，本技能不自行定义或改动\",\"缺失的上游必须显式声明并给出回退建议，不得静默假设\",\"本技能不产出 9 列用例表 —— 只打包上下文，用例由下游 qa-ai-prompt-strategy 驱动生成\",\"覆盖率：标注口径（基于已有上游产出），禁止\\\"全覆盖/100%\\\"绝对化表述\"]}","error-recovery-guidance":"{\"on_failure\":\"上下文包不完整时回退到上游分析步骤补充\",\"retry_behavior\":\"补充缺失的上游输入后重新打包上下文\"}","categories":"[\"Development\",\"Testing\",\"AI\"]","depth-requirement":"{\"reference_value\":\"按上游分析的丰富度决定包深度；四层全建为「完整测试」，可只建第1/2/4层为「日常/紧急测试」\",\"minimum\":\"至少包含需求解构表、场景树、边界清单 3 个核心上游输入；缺失项必须显式声明\"}"}

⚠️ 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 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。

本技能最大的失败模式是"不标来源"。下游 AI 无法区分"需求文档要求的"和"你编的"， 于是把假设当事实写进用例——这类缺陷到最后都查不出是谁引入的。 每条信息都要标 [用户提供] / [推断] / [假设]。

1. 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（必填，永不裁剪）

【业务背景】业务目标 / 目标用户 / 核心价值
【用户角色】角色A - 核心诉求；角色B - 核心诉求

业务目标丢了，AI 不知道测什么。这一层是包的骨架，不可裁剪。

第 2 层 功能描述与约束条件（必填）

【功能边界】功能名称 / 核心流程 / 输入 / 输出
【非功能需求】性能 / 安全 / 兼容性

业务规则直接引用 qa-req-deconstruction 的 RULE- 清单，不重写。

第 3 层 技术细节与历史缺陷（按需，超窗首个被裁）

【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 + 规避方法

第 4 层 输出格式与质量要求（必填，永不裁剪）

【输出要求】9 列标准用例表（真源：qa-test-case-design/references/output-template-full.md）
           编号 TC_{模块缩写}_{功能缩写}_{三位序号}
           级别占比 P0≤20% / P1≤40% / P2≤30% / P3≤10%
           覆盖率必须标注口径

2. 上下文类型速查

场景类型 建哪几层 关键侧重
日常测试 1 + 2 + 4 功能边界 + 输出格式
紧急测试 1 + 4 业务目标 + 输出格式，依赖假设快速产出
完整测试 全部 4 层 全量信息 + 历史缺陷 + 技术细节
复测回归 1 + 3 + 4 历史缺陷模式 + 输出格式

3. 工作流程

  1. 识别输入类型：直接描述 → 提取关键信息；上传文件 → 读取解析；URL → 获取分析
  2. 核对上游齐备度：逐项列出已收到的上游产出，缺失项显式声明并给出回退建议
  3. 按金字塔构建：四层组织，逐条标来源
  4. 声明缺失：上游没有的不要静默假设，标出来并建议回退到对应技能

4. 加载时机

什么时候读 读哪个
写上下文包 assets/context-package.md（四层模板 + 来源标注表 + 填写要求 + 自检）
目标模型窗口不够、或要看完整包示例 references/window-adaptation.md（窗口适配 + 超窗降级 + 完整示例）

窗口数据是快照值，会过时。用之前核实当前值；不确定目标模型时按 8K-32K 规划—— 按最小窗口设计的包在任何更大窗口里都不会被截断，反之不成立。

5. 产出

四层结构骨架 + 来源标注汇总（示例见 assets/context-package.md）：

📦 AI上下文包（目标模型：X，窗口 YK，预估 ZK token）
├─ 上游齐备度：需求解构 ✓ / 场景树 ✓ / 边界清单 ✓ / 组合矩阵 ○ …
│                缺失：X → 建议先补 qa-xxx
├─ 第1层 业务目标与用户角色        [必填]
├─ 第2层 功能描述与约束条件        [必填]
├─ 第3层 技术细节与历史缺陷        [按需]
├─ 第4层 输出格式与质量要求        [必填]
└─ 来源标注汇总：[用户提供] n 条 / [推断] n 条 / [假设] n 条

本技能不产出 9 列用例表——只打包上下文，用例由下游 qa-ai-prompt-strategy 驱动生成。

6. 四个常见翻车点

  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，按金字塔分层
  2. 假设未标注：AI 不知道哪些是你编的 → 明确标 [假设]，并要求下游暴露
  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 9 列并引用真源

7. 交付前自检

  • 四层齐备（第 3 层可按需，缺失需说明）
  • 每条信息都标了来源，无未标注内容
  • [假设] 项已列出，且要求下游显式暴露或回上游确认
  • 上游缺失项已显式声明 + 给出回退建议
  • 业务规则引用 RULE- ID，未另起一套编号
  • 第 4 层引用 qa-test-case-design 真源，未自行改动列
  • 标注了目标模型与窗口；包大小估算 < 窗口 80%
  • 已知历史缺陷模式已带入（有的话）