{"id":"54a6fc97-afe0-45f6-8ea7-25962933b35c","entityType":"agent","slug":"clawhub-kokxi-qa-ai-blindspot-compensation","name":"qa-ai-blindspot-compensation","canonicalUrl":"https://www.xpersona.co/agent/clawhub-kokxi-qa-ai-blindspot-compensation","canonicalPath":"/agent/clawhub-kokxi-qa-ai-blindspot-compensation","generatedAt":"2026-10-11T07:42:45.233Z","source":"CLAWHUB","claimStatus":"UNCLAIMED","verificationTier":"NONE","summary":{"evidence":{"source":"editorial-content","verified":true,"confidence":"high","updatedAt":"2026-10-11T04:01:59.605Z","emptyReason":null},"description":"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. Skill: qa-ai-blindspot-compensation Owner: kokxi Summary: 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, s","descriptionLabel":"Technical summary","evidenceSummary":"Capability contract not published. No trust telemetry is available yet. 1.2K downloads reported by the source. Last updated 10/11/2026.","installCommand":"clawhub skill install s170jw3s1atcj5jwhqb4r7v7eh8912kp:qa-ai-blindspot-compensation","sourceUrl":"https://clawhub.ai/kokxi/qa-ai-blindspot-compensation","homepage":"https://clawhub.ai/kokxi/skills/qa-ai-blindspot-compensation","primaryLinks":[{"label":"View on ClawHub","url":"https://clawhub.ai/kokxi/qa-ai-blindspot-compensation","kind":"source"},{"label":"Homepage","url":"https://clawhub.ai/kokxi/skills/qa-ai-blindspot-compensation","kind":"homepage"}],"safetyScore":84,"overallRank":62,"popularityScore":61,"trustScore":null,"claimedByName":null,"isOwner":false,"seoDescription":"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"},"coverage":{"evidence":{"source":"public-profile","verified":false,"confidence":"medium","updatedAt":"2026-10-11T04:01:59.605Z","emptyReason":null},"protocols":[{"protocol":"OPENCLEW","label":"OpenClaw","status":"self-declared","notes":"Declared in the public agent profile."}],"capabilities":[],"verifiedCount":0,"selfDeclaredCount":1,"capabilityMatrix":{"rows":[{"key":"OPENCLEW","type":"protocol","support":"unknown","confidenceSource":"profile","notes":"Listed on profile"}],"flattenedTokens":"protocol:OPENCLEW|unknown|profile"}},"adoption":{"evidence":{"source":"CLAWHUB","verified":false,"confidence":"medium","updatedAt":"2026-10-11T04:01:59.605Z","emptyReason":null},"stars":null,"forks":null,"downloads":1166,"packageName":null,"latestVersion":"1.8.0","tractionLabel":"1.2K downloads"},"release":{"evidence":{"source":"CLAWHUB","verified":false,"confidence":"medium","updatedAt":"2026-10-11T04:01:59.592Z","emptyReason":null},"lastUpdatedAt":"2026-10-11T04:01:59.605Z","lastCrawledAt":"2026-10-11T04:01:59.592Z","lastIndexedAt":null,"nextCrawlAt":"2026-10-12T04:01:59.592Z","lastVerifiedAt":null,"highlights":[{"version":"1.8.0","createdAt":"2026-09-29T04:24:52.734Z","changelog":"- Refactored metadata and configuration into a structured front matter block for improved interoperability. - Updated version to 1.8.0 and revised `displayName` to \"Ai Blindspot Compensation\" in metadata. - Streamlined and clarified `description` and `when-to-use` language. - Added usage guidance for skill loading and reference reading. - Removed the redundant file `skill-card.md` for simplification. - No changes to core methodology or workflow—documentation and metadata only.","fileCount":4,"zipByteSize":6928},{"version":"1.7.7","createdAt":"2026-09-27T14:31:07.577Z","changelog":"1.7.7","fileCount":4,"zipByteSize":6488},{"version":"1.7.6","createdAt":"2026-09-01T12:34:27.939Z","changelog":"显示名改中文","fileCount":4,"zipByteSize":6641},{"version":"1.7.5","createdAt":"2026-08-30T15:09:45.202Z","changelog":"1.7.5: 版本号升级","fileCount":4,"zipByteSize":6534},{"version":"1.7.0","createdAt":"2026-08-16T14:31:25.066Z","changelog":"- Removed redundant file skill-card.md for cleaner repository structure. - No changes to logic, configuration, or user-facing documentation content. - Version bump to 1.7.0 to reflect housekeeping update.","fileCount":4,"zipByteSize":6029},{"version":"1.6.3","createdAt":"2026-08-12T15:19:46.167Z","changelog":"- Added fields \"slug\" and \"displayName\" to SKILL.md for improved metadata clarity. - Updated skill version to 1.6.3. - Removed redundant file skill-card.md to streamline documentation. - No changes to logic or workflow; all functionality remains as previously described.","fileCount":4,"zipByteSize":5801},{"version":"1.6.0","createdAt":"2026-07-06T17:13:31.265Z","changelog":"- Added qa-expert-review and qa-output-validation as downstream related skills. - Defined references section pointing to blindspot-details.md. - Introduced categories metadata for classification. - Added error recovery guidance for missed blindspot dimensions, including fallback and retry instructions. - Removed skill-card.md file.","fileCount":4,"zipByteSize":6006},{"version":"1.5.0","createdAt":"2026-06-29T12:30:20.372Z","changelog":"Version 1.5.0 - Major documentation refactor: reference details for each \"六大盲区\" moved to a new file (`references/blindspot-details.md`) - SKILL.md streamlined: uses new consolidated reference, removes inline duplicated lists and explanations - Added \"depth_requirement_quantification\" section for quantifying needed test depth per risk/complexity - Explicit version field added to metadata - Removed obsolete `skill-card.md` file - No changes to main workflow or formats; maintain full six-blindspot coverage and report structure","fileCount":4,"zipByteSize":5823}]},"execution":{"evidence":{"source":"CLAWHUB","verified":false,"confidence":"low","updatedAt":null,"emptyReason":"No published capability contract is available yet."},"installCommand":"clawhub skill install s170jw3s1atcj5jwhqb4r7v7eh8912kp:qa-ai-blindspot-compensation","setupComplexity":"low","setupSteps":["Setup complexity is classified as HIGH. You must provision dedicated cloud infrastructure or an isolated VM. Do not run this directly on your local workstation.","Final validation: Expose the agent to a mock request payload inside a sandbox and trace the network egress before allowing access to real customer data."],"contract":{"contractStatus":"missing","authModes":[],"requires":[],"forbidden":[],"supportsMcp":false,"supportsA2a":false,"supportsStreaming":false,"inputSchemaRef":null,"outputSchemaRef":null,"dataRegion":null,"contractUpdatedAt":null,"sourceUpdatedAt":null,"freshnessSeconds":null},"invocationGuide":{"preferredApi":{"snapshotUrl":"https://www.xpersona.co/api/v1/agents/clawhub-kokxi-qa-ai-blindspot-compensation/snapshot","contractUrl":"https://www.xpersona.co/api/v1/agents/clawhub-kokxi-qa-ai-blindspot-compensation/contract","trustUrl":"https://www.xpersona.co/api/v1/agents/clawhub-kokxi-qa-ai-blindspot-compensation/trust"},"curlExamples":["curl -s \"https://www.xpersona.co/api/v1/agents/clawhub-kokxi-qa-ai-blindspot-compensation/snapshot\"","curl -s \"https://www.xpersona.co/api/v1/agents/clawhub-kokxi-qa-ai-blindspot-compensation/contract\"","curl -s \"https://www.xpersona.co/api/v1/agents/clawhub-kokxi-qa-ai-blindspot-compensation/trust\""],"jsonRequestTemplate":{"query":"summarize this repo","constraints":{"maxLatencyMs":2000,"protocolPreference":["OPENCLEW"]}},"jsonResponseTemplate":{"ok":true,"result":{"summary":"...","confidence":0.9},"meta":{"source":"CLAWHUB","generatedAt":"2026-10-11T07:42:45.231Z"}},"retryPolicy":{"maxAttempts":3,"backoffMs":[500,1500,3500],"retryableConditions":["HTTP_429","HTTP_503","NETWORK_TIMEOUT"]}},"endpoints":{"dossierUrl":"https://www.xpersona.co/api/v1/agents/clawhub-kokxi-qa-ai-blindspot-compensation/dossier","snapshotUrl":"https://www.xpersona.co/api/v1/agents/clawhub-kokxi-qa-ai-blindspot-compensation/snapshot","contractUrl":"https://www.xpersona.co/api/v1/agents/clawhub-kokxi-qa-ai-blindspot-compensation/contract","trustUrl":"https://www.xpersona.co/api/v1/agents/clawhub-kokxi-qa-ai-blindspot-compensation/trust"}},"reliability":{"evidence":{"source":"runtime-metrics","verified":false,"confidence":"low","updatedAt":null,"emptyReason":"No trust, reliability, or runtime telemetry is available."},"trust":{"status":"unavailable","handshakeStatus":"UNKNOWN","verificationFreshnessHours":null,"reputationScore":null,"p95LatencyMs":null,"successRate30d":null,"fallbackRate":null,"attempts30d":null,"trustUpdatedAt":null,"trustConfidence":"unknown","sourceUpdatedAt":null,"freshnessSeconds":null},"decisionGuardrails":{"doNotUseIf":["Contract metadata is missing or unavailable for deterministic execution."],"safeUseWhen":[],"riskFlags":["missing_or_unavailable_contract","trust_data_unavailable","schema_references_missing"],"operationalConfidence":"low"},"executionMetrics":{"observedLatencyMsP50":null,"observedLatencyMsP95":null,"estimatedCostUsd":null,"uptime30d":null,"rateLimitRpm":null,"rateLimitBurst":null,"lastVerifiedAt":null,"verificationSource":null},"runtimeMetrics":{"successRate":null,"avgLatencyMs":null,"avgCostUsd":null,"hallucinationRate":null,"retryRate":null,"disputeRate":null,"p50Latency":null,"p95Latency":null,"lastUpdated":null}},"benchmarks":{"evidence":{"source":"no-benchmark-data","verified":false,"confidence":"low","updatedAt":null,"emptyReason":"No benchmark suites or observed failure patterns are available."},"suites":[],"failurePatterns":[]},"artifacts":{"evidence":{"source":"CLAWHUB","verified":false,"confidence":"high","updatedAt":"2026-10-11T04:01:59.605Z","emptyReason":null},"readme":"Skill: qa-ai-blindspot-compensation\n\nOwner: kokxi\n\nSummary: 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.\n\nTags: latest:1.8.0\n\nVersion history:\n\nv1.8.0 | 2026-09-29T04:24:52.734Z | auto\n\n- Refactored metadata and configuration into a structured front matter block for improved interoperability.\n- Updated version to 1.8.0 and revised `displayName` to \"Ai Blindspot Compensation\" in metadata.\n- Streamlined and clarified `description` and `when-to-use` language.\n- Added usage guidance for skill loading and reference reading.\n- Removed the redundant file `skill-card.md` for simplification.\n- No changes to core methodology or workflow—documentation and metadata only.\n\nv1.7.7 | 2026-09-27T14:31:07.577Z | user\n\n1.7.7\n\nv1.7.6 | 2026-09-01T12:34:27.939Z | user\n\n显示名改中文\n\nv1.7.5 | 2026-08-30T15:09:45.202Z | user\n\n1.7.5: 版本号升级\n\nv1.7.0 | 2026-08-16T14:31:25.066Z | auto\n\n- Removed redundant file skill-card.md for cleaner repository structure.\n- No changes to logic, configuration, or user-facing documentation content.\n- Version bump to 1.7.0 to reflect housekeeping update.\n\nv1.6.3 | 2026-08-12T15:19:46.167Z | auto\n\n- Added fields \"slug\" and \"displayName\" to SKILL.md for improved metadata clarity.\n- Updated skill version to 1.6.3.\n- Removed redundant file skill-card.md to streamline documentation.\n- No changes to logic or workflow; all functionality remains as previously described.\n\nv1.6.0 | 2026-07-06T17:13:31.265Z | auto\n\n- Added qa-expert-review and qa-output-validation as downstream related skills.\n- Defined references section pointing to blindspot-details.md.\n- Introduced categories metadata for classification.\n- Added error recovery guidance for missed blindspot dimensions, including fallback and retry instructions.\n- Removed skill-card.md file.\n\nv1.5.0 | 2026-06-29T12:30:20.372Z | auto\n\nVersion 1.5.0\n\n- Major documentation refactor: reference details for each \"六大盲区\" moved to a new file (`references/blindspot-details.md`)\n- SKILL.md streamlined: uses new consolidated reference, removes inline duplicated lists and explanations\n- Added \"depth_requirement_quantification\" section for quantifying needed test depth per risk/complexity\n- Explicit version field added to metadata\n- Removed obsolete `skill-card.md` file\n- No changes to main workflow or formats; maintain full six-blindspot coverage and report structure\n\nv1.4.1 | 2026-06-25T16:52:56.224Z | auto\n\n- skill-card.md 文件已移除，精简了元信息维护结构。\n- SKILL.md 清晰化描述，突出覆盖六大AI系统盲区、目标触发条件、关键原则与补盲产出格式。\n- 简化了 description 字段，无冗余内容。\n- downstream 依赖调整为 qa-test-skills。\n- 整体遣词优化，去除重复，内容更聚焦“六大盲区补漏”主线。\n\nv1.4.0 | 2026-06-24T05:02:21.564Z | auto\n\n- Expanded the description and trigger conditions for more flexible and automatic activation.\n- Improved and clarified the overview section with key usage metrics and concise principles.\n- Added explicit keywords and application scenarios for better discoverability.\n- Streamlined the section structure, merged redundant content, and improved formatting for readability.\n- Enhanced examples and guidelines for practical use.\n- Removed redundant skill-card.md file.\n\nv1.3.0 | 2026-06-20T14:00:58.149Z | auto\n\n- Major documentation update: SKILL.md now details the six key AI blind spots in testing (timing, concurrency, resource, state, data consistency, and 3rd-party integration), with concrete checklists and scenario examples for each.\n- Clear guidelines and requirements are defined for supplemental test case generation: at least 2–3 new cases per blind spot, totaling 12–18 cases.\n- Step-by-step workflow for blind spot identification, scenario creation, and case labeling is provided.\n- Standardized output and traceability formats ensure all supplemental cases are uniquely identified and linked to original requirements and test cases.\n- Comprehensive checklists and acceptance criteria included to support full coverage and quality assurance of blind spot compensation.\n\nArchive index:\n\nArchive v1.8.0: 4 files, 6928 bytes\n\nFiles: references/blindspot-details.md (3771b), skill-card.md (2250b), SKILL.md (9120b), _meta.json (147b)\n\nFile v1.8.0:SKILL.md\n\n---\nname: qa-ai-blindspot-compensation\ndescription: >-\n 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.\nlicense: MIT\nallowed-tools: Read Grep Glob\nmetadata:\n display-name: \"Ai Blindspot Compensation\"\n version: \"1.8.0\"\n when-to-use: \"AI输出评审完成后自动激活；用户说\\\"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\"\n related-skills: \"{\\\"upstream\\\":[\\\"qa-ai-output-critique\\\"],\\\"downstream\\\":[\\\"qa-test-skills\\\",\\\"qa-expert-review\\\",\\\"qa-output-validation\\\"]}\"\n references: \"[\\\"references/blindspot-details.md\\\"]\"\n input-format: \"{\\\"required\\\":[{\\\"name\\\":\\\"测试用例\\\",\\\"type\\\":\\\"array\\\",\\\"description\\\":\\\"AI生成的测试用例列表，包含用例编号、需求ID、风险ID\\\"},{\\\"name\\\":\\\"需求解构表\\\",\\\"type\\\":\\\"object\\\",\\\"description\\\":\\\"来自qa-req-deconstruction，包含需求ID列表\\\"}],\\\"optional\\\":[{\\\"name\\\":\\\"评审报告\\\",\\\"type\\\":\\\"object\\\",\\\"description\\\":\\\"来自qa-ai-output-critique的评审结果\\\"}]}\"\n output-format: \"{\\\"structure\\\":[\\\"覆盖率：标注口径（基于现有需求/输入文档），禁止\\\\\\\"全覆盖/100%\\\\\\\"绝对化表述；缺失模块标注\\\\\\\"未覆盖+原因\\\\\\\"\\\",{\\\"blindspot_id\\\":\\\"BS-XXXX\\\"},{\\\"requirement_ids\\\":[\\\"REQ-XXXX\\\"]},{\\\"original_tc_ids\\\":[\\\"TC_{模块缩写}_{功能缩写}_{序号}\\\"]},{\\\"blindspot_type\\\":\\\"盲区类型\\\"},{\\\"new_test_cases\\\":\\\"补盲用例列表\\\"}],\\\"traceability\\\":[\\\"每个补盲用例带唯一ID（BS-XXXX）\\\",\\\"关联原始用例ID（TC_{模块缩写}_{功能缩写}_{序号}，如 TC_API_LOGIN_001）\\\",\\\"关联需求ID：REQ-{需求模块缩写}-{序号}\\\"]}\"\n error-recovery-guidance: \"{\\\"on_failure\\\":\\\"盲区补盲遗漏维度时回退到评审报告定位遗漏点\\\",\\\"retry_behavior\\\":\\\"补充遗漏盲区类型后重新生成补盲用例\\\"}\"\n categories: \"[\\\"Development\\\",\\\"Testing\\\",\\\"AI\\\"]\"\n depth-requirement: \"{\\\"reference_value\\\":\\\"根据测试复杂度和风险等级调整补盲深度：简单x1/中等x2/复杂x3\\\",\\\"minimum\\\":\\\"至少覆盖边界盲区、场景盲区、数据盲区3个维度中的2个\\\"}\"\n---\n> ⚠️ 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\n\n# AI 盲区补偿\n\n## 核心原则\n\nAI有系统性的盲区，专家知道在哪些维度上主动补盲。\n\n**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。\n\n## AI 六大已知盲区\n\n> 每个盲区的典型场景、检查清单、补盲问法详见 [`references/blindspot-details.md`](references/blindspot-details.md)。\n\n| 盲区 | AI的典型盲点 | 补盲方向 |\n|------|-------------|---------|\n| 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 |\n| 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 |\n| 资源竞争 | 不思考\"资源耗尽\" | 内存/连接/线程/磁盘不足 |\n| 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 |\n| 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 |\n| 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 |\n\n> **国内业务常见实例**（补盲时优先对照）：\n\n| 盲区 | 国内业务实例 |\n|------|-------------|\n| 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 |\n| 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 |\n| 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 |\n| 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 |\n| 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 |\n| 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 |\n\n### 补盲检查清单\n- [ ] 时序依赖：操作顺序变更是否影响结果？\n- [ ] 并发冲突：多人同时操作是否测试？\n- [ ] 资源竞争：资源耗尽场景是否覆盖？\n- [ ] 状态累积：长时间运行是否测试？\n- [ ] 数据一致性：分布式数据问题是否验证？\n- [ ] 第三方集成：Mock与真实差异是否对比？\n\n### 输出格式\n\n```markdown\n## 补盲报告\n\n### 盲区覆盖情况\n| 盲区类型 | 原有用例 | 补盲用例 | 覆盖状态 |\n|---------|---------|---------|---------|\n| 时序依赖 | X条 | X条 | ✓/✗ |\n| 并发冲突 | X条 | X条 | ✓/✗ |\n| 资源竞争 | X条 | X条 | ✓/✗ |\n| 状态累积 | X条 | X条 | ✓/✗ |\n| 数据一致性 | X条 | X条 | ✓/✗ |\n| 第三方集成 | X条 | X条 | ✓/✗ |\n\n### 补盲用例清单\n| 用例编号 | 盲区类型 | 测试标题 | 关联需求 |\n|---------|---------|---------|---------|\n| BS_XXX_001 | 时序依赖 | [标题] | REQ-XXXX |\n```\n\n## 加载时机\n\n**需要时才读，不要一上来全读**：\n\n| 什么时候读 | 读哪个 |\n|-----------|--------|\n| 知道有六大盲区，但不清楚每类具体漏什么 | [`references/blindspot-details.md`](references/blindspot-details.md)（六类盲区的详细判据与示例） |\n\n\n---\n\n## 补盲工作流\n\n### 步骤1：识别盲区\n```\n对照六大盲区，检查当前测试场景：\n- [ ] 时序依赖：有没有操作顺序影响结果的场景？\n- [ ] 并发冲突：有没有多人同时操作的场景？\n- [ ] 资源竞争：有没有资源可能耗尽的场景？\n- [ ] 状态累积：有没有长时间运行的场景？\n- [ ] 数据一致性：有没有分布式数据同步的场景？\n- [ ] 第三方集成：有没有依赖外部服务的场景？\n```\n\n### 步骤2：生成补盲场景\n```\n对每个识别出的盲区，生成专项测试场景：\n\n时序依赖补盲：\n1. 打乱操作顺序，验证结果\n2. 测试操作中间状态\n3. 验证操作依赖关系\n\n并发冲突补盲：\n1. 多用户同时编辑同一数据\n2. 同一用户多设备同时操作\n3. 并发请求导致数据不一致\n\n资源竞争补盲：\n1. 模拟内存不足\n2. 模拟连接池耗尽\n3. 模拟线程池满\n\n状态累积补盲：\n1. 长时间运行测试\n2. 会话超时测试\n3. 累计操作测试\n\n数据一致性补盲：\n1. 跨服务数据同步测试\n2. 分布式事务测试\n3. 缓存一致性测试\n\n第三方集成补盲：\n1. Mock与真实行为对比\n2. 第三方异常模拟\n3. 第三方降级测试\n```\n\n### 步骤3：标注补盲场景\n```\n为每个补盲场景标注：\n- 盲区类型：[时序/并发/资源/状态/数据/第三方]\n- 风险等级：高/中/低\n- 测试难度：高/中/低\n- 建议测试深度：深测/常规/冒烟\n```\n\n## 逐项检查清单\n\n测试完成后，逐项检查：\n\n### 时序检查\n- [ ] 操作顺序变更会怎样？\n- [ ] 操作中间状态会丢失吗？\n- [ ] 有操作依赖关系吗？\n\n### 并发检查\n- [ ] 多人同时操作会怎样？\n- [ ] 多设备同时操作会怎样？\n- [ ] 并发请求会冲突吗？\n\n### 资源检查\n- [ ] 内存会泄漏吗？\n- [ ] 连接会耗尽吗？\n- [ ] 线程会满吗？\n- [ ] 磁盘会满吗？\n\n### 状态检查\n- [ ] 长时间运行会出问题吗？\n- [ ] 会话超时会怎样？\n- [ ] 累计操作会影响什么？\n\n### 数据检查\n- [ ] 跨服务数据同步正常吗？\n- [ ] 分布式事务会失败吗？\n- [ ] 缓存与数据库一致吗？\n\n### 第三方检查\n- [ ] Mock与真实行为一致吗？\n- [ ] 第三方异常会怎样？\n- [ ] 第三方降级会怎样？\n\n## 输出示例\n\n**AI生成了一组登录功能测试用例**\n→ 扫描六大盲区：\n - 时序盲区：未测试\"登录中切换页面\"场景\n - 并发盲区：未测试\"多设备同时登录\"场景\n→ 为每个盲区补充2-3个测试场景，标注风险等级\n\n**用户说\"还有没有遗漏\"**\n→ 启动六大盲区逐一排查，输出补盲报告\n→ 每个补盲用例带唯一ID（BS-XXXX）并关联原始用例\n\n## 检查清单\n\n补盲完成后检查：\n- [ ] 是否覆盖了六大盲区？\n- [ ] 补盲场景是否可执行？\n- [ ] 补盲场景风险是否标注？\n- [ ] 补盲场景优先级是否合理？\n\nFile v1.8.0:_meta.json\n\n{\n \"ownerId\": \"kn71y9b23csfx0ykgm55d5m9x5891zt8\",\n \"slug\": \"qa-ai-blindspot-compensation\",\n \"version\": \"1.8.0\",\n \"publishedAt\": 1790655892734\n}\n\nFile v1.8.0:references/blindspot-details.md\n\n# 六大盲区详解\n\n> 本文档是 `qa-ai-blindspot-compensation` 的参考文件。执行补盲时，按以下六个维度逐一排查。\n\n---\n\n## 盲区1：时序依赖（必检）\n**问题**：AI不擅长思考\"操作顺序变更\"的影响\n\n```\n典型场景：\n- 操作A必须在操作B之前执行\n- 操作A执行后需要等待才能执行操作B\n- 操作A和操作B的执行顺序会影响结果\n\n补盲检查清单：\n- [ ] 操作顺序变更是否影响结果？\n- [ ] 操作中间状态是否处理？\n- [ ] 操作依赖关系是否验证？\n- [ ] 并发操作的时序是否测试？\n\n补盲问法：\n\"请检查这些场景中，操作顺序变更会影响结果的情况\"\n\"如果用户不按预期顺序操作，会发生什么？\"\n\"哪些场景有时序依赖？\"\n```\n\n---\n\n## 盲区2：并发冲突（必检）\n**问题**：AI不擅长思考\"多人同时操作\"的场景\n\n```\n典型场景：\n- 多人同时编辑同一数据\n- 同一用户多设备同时操作\n- 并发请求导致数据不一致\n\n补盲检查清单：\n- [ ] 多人同时操作是否测试？\n- [ ] 多设备同时操作是否测试？\n- [ ] 并发请求是否导致数据不一致？\n- [ ] 锁机制是否验证？\n\n补盲问法：\n\"请分析并发场景：多用户同时操作会怎样？\"\n\"如果用户在多个设备同时登录会怎样？\"\n\"并发请求会导致什么问题？\"\n```\n\n---\n\n## 盲区3：资源竞争（必检）\n**问题**：AI不擅长思考\"资源耗尽\"的场景\n\n```\n典型场景：\n- 内存泄漏导致服务崩溃\n- 数据库连接池耗尽\n- 线程池满导致请求排队\n- 磁盘空间不足\n\n补盲检查清单：\n- [ ] 内存泄漏是否测试？\n- [ ] 连接池耗尽是否测试？\n- [ ] 线程池满是否测试？\n- [ ] 磁盘空间不足是否测试？\n\n补盲问法：\n\"请分析资源耗尽场景：内存/连接/线程/磁盘不足时会怎样？\"\n\"长时间运行后会出现什么资源问题？\"\n\"高并发下资源会怎么变化？\"\n```\n\n---\n\n## 盲区4：状态累积（必检）\n**问题**：AI不擅长思考\"长时间运行后的状态漂移\"\n\n```\n典型场景：\n- 会话超时后的状态处理\n- 长时间操作中间状态丢失\n- 累计操作导致的数据膨胀\n- 缓存过期后的数据一致性\n\n补盲检查清单：\n- [ ] 会话超时是否测试？\n- [ ] 长时间运行是否测试？\n- [ ] 累计操作是否测试？\n- [ ] 缓存过期是否测试？\n\n补盲问法：\n\"请分析状态累积场景：长时间运行会出什么问题？\"\n\"会话超时后会发生什么？\"\n\"累计操作会影响什么？\"\n```\n\n---\n\n## 盲区5：数据一致性（必检）\n**问题**：AI不擅长思考\"分布式场景\"的数据问题\n\n```\n典型场景：\n- 跨服务数据同步延迟\n- 分布式事务失败回滚\n- 主从数据库不一致\n- 缓存与数据库不一致\n\n补盲检查清单：\n- [ ] 跨服务数据同步是否测试？\n- [ ] 分布式事务是否测试？\n- [ ] 主从数据库一致性是否测试？\n- [ ] 缓存与数据库一致性是否测试？\n\n补盲问法：\n\"请分析分布式场景：数据一致性会出什么问题？\"\n\"跨服务调用失败会怎样？\"\n\"缓存与数据库不一致会怎样？\"\n```\n\n---\n\n## 盲区6：第三方集成（必检）\n**问题**：AI不擅长思考\"Mock与真实行为的差异\"\n\n```\n典型场景：\n- Mock响应与真实响应不同\n- 第三方服务超时/异常\n- 第三方接口变更\n- 第三方服务降级/熔断\n\n补盲检查清单：\n- [ ] Mock与真实行为是否对比？\n- [ ] 第三方异常是否测试？\n- [ ] 第三方接口变更是否考虑？\n- [ ] 第三方降级是否测试？\n\n补盲问法：\n\"请分析第三方集成场景：Mock与真实行为有什么差异？\"\n\"第三方服务异常会怎样？\"\n\"第三方接口变更会影响什么？\"\n```\n\nFile v1.8.0:skill-card.md\n\n## Description:\n\nReviews AI-generated test cases against six common blind-spot categories and proposes traceable additional test scenarios.\n\nThis skill is ready for commercial/non-commercial use.\n\n## Publisher:\n\n[kokxi](https://clawhub.ai/user/kokxi)\n\n### License/Terms of Use:\n\nMIT-0\n\n## Use Case:\n\nQA engineers and developers use this Chinese-language checklist after reviewing AI-generated test cases to identify missing timing, concurrency, resource, state, data-consistency, and third-party integration scenarios. The skill suggests risk-ranked supplemental cases linked to requirements and original tests.\n\n### Deployment Geography for Use:\n\nGlobal\n\n## Known Risks and Mitigations:\n\nRisk: Reviewing unintended local files may expose unrelated or sensitive information.\n\nMitigation: Limit file reads to the requirements and test cases selected for review.\n\nRisk: The optional command to install a companion skill would add code from a separately sourced package.\n\nMitigation: Do not run the optional installation command unless its package and source have been independently trusted.\n\nRisk: A checklist-based coverage report can overstate completeness when requirements or test inputs are missing.\n\nMitigation: State the coverage basis, mark missing modules as uncovered with reasons, and avoid claims of full or 100% coverage.\n\n## Reference(s):\n\n- [ClawHub skill release](https://clawhub.ai/kokxi/skills/qa-ai-blindspot-compensation)\n- [Six blind-spot categories and checklists](artifact/references/blindspot-details.md)\n\n## Skill Output:\n\n**Output Type(s):** [Markdown, Guidance]\n\n**Output Format:** [Markdown blind-spot report with coverage and supplemental test-case tables]\n\n**Output Parameters:** [1D]\n\n**Other Properties Related to Output:** [Supplemental cases include blind-spot category, risk level, and links to requirement and original test IDs; coverage is scoped to supplied materials.]\n\n## Skill Version(s):\n\n1.8.0 (source: skill frontmatter and ClawHub release)\n\n## Ethical Considerations:\n\nUsers should evaluate whether this skill is appropriate for their environment, review any generated or modified files before relying on them, and apply their organization's safety, security, and compliance requirements before deployment.\n\nArchive v1.7.7: 4 files, 6488 bytes\n\nFiles: references/blindspot-details.md (3771b), skill-card.md (1916b), SKILL.md (8597b), _meta.json (147b)\n\nFile v1.7.7:SKILL.md\n\n---\nname: qa-ai-blindspot-compensation\nslug: qa-ai-blindspot-compensation\ndisplayName: Ai Blindspot Compensation\nversion: 1.7.7\ndescription: >-\n 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。\n\nwhen_to_use: AI输出评审完成后自动激活；用户说\"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\nallowed-tools: Read Grep Glob\nrelated_skills:\n upstream:\n - qa-ai-output-critique # 输入：评审后的测试用例\n downstream:\n - qa-test-skills # 输出：最终测试用例返回给主流程\n - qa-expert-review\n - qa-output-validation\nreferences:\n - references/blindspot-details.md\ninput_format:\n required:\n - name: 测试用例\n type: array\n description: AI生成的测试用例列表，包含用例编号、需求ID、风险ID\n - name: 需求解构表\n type: object\n description: 来自qa-req-deconstruction，包含需求ID列表\n optional:\n - name: 评审报告\n type: object\n description: 来自qa-ai-output-critique的评审结果\noutput_format:\n structure:\n - 测试用例表格：固定 9 列（用例编号|测试类型|功能模块|测试标题|用例级别|预置条件|测试步骤|预期结果|风险等级）\n - 用例级别：P0≤20%（核心流程）/ P1≤40%（主要功能）/ P2≤30%（次要功能）/ P3≤10%（边缘场景）\n - 覆盖率：标注口径（基于现有需求/输入文档），禁止\"全覆盖/100%\"绝对化表述；缺失模块标注\"未覆盖+原因\"\n - blindspot_id: \"BS-XXXX\"\n - requirement_ids: [\"REQ-XXXX\"]\n - original_tc_ids: [\"TC_{模块缩写}_{功能缩写}_{序号}\"]\n - blindspot_type: \"盲区类型\"\n - new_test_cases: \"补盲用例列表\"\n traceability:\n - 每个补盲用例带唯一ID（BS-XXXX）\n - 关联原始用例ID（TC_{模块缩写}_{功能缩写}_{序号}，如 TC_API_LOGIN_001）\n - 关联需求ID（TC_{需求模块缩写}_{功能缩写}_{序号}）\ndepth_requirement_quantification:\n reference_value: \"根据测试复杂度和风险等级调整补盲深度：简单x1/中等x2/复杂x3\"\n minimum: \"至少覆盖边界盲区、场景盲区、数据盲区3个维度中的2个\"\ncategories: ['Development','Testing','AI']\nerror_recovery_guidance:\n on_failure: \"盲区补盲遗漏维度时回退到评审报告定位遗漏点\"\n retry_behavior: \"补充遗漏盲区类型后重新生成补盲用例\"\n---\n# AI 盲区补偿\n\n## 核心原则\n\nAI有系统性的盲区，专家知道在哪些维度上主动补盲。\n\n**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。\n\n## AI 六大已知盲区\n\n> 每个盲区的典型场景、检查清单、补盲问法详见 [`references/blindspot-details.md`](references/blindspot-details.md)。\n\n| 盲区 | AI的典型盲点 | 补盲方向 |\n|------|-------------|---------|\n| 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 |\n| 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 |\n| 资源竞争 | 不思考\"资源耗尽\" | 内存/连接/线程/磁盘不足 |\n| 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 |\n| 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 |\n| 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 |\n\n> **国内业务常见实例**（补盲时优先对照）：\n\n| 盲区 | 国内业务实例 |\n|------|-------------|\n| 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 |\n| 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 |\n| 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 |\n| 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 |\n| 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 |\n| 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 |\n\n### 补盲检查清单\n- [ ] 时序依赖：操作顺序变更是否影响结果？\n- [ ] 并发冲突：多人同时操作是否测试？\n- [ ] 资源竞争：资源耗尽场景是否覆盖？\n- [ ] 状态累积：长时间运行是否测试？\n- [ ] 数据一致性：分布式数据问题是否验证？\n- [ ] 第三方集成：Mock与真实差异是否对比？\n\n### 输出格式\n\n```markdown\n## 补盲报告\n\n### 盲区覆盖情况\n| 盲区类型 | 原有用例 | 补盲用例 | 覆盖状态 |\n|---------|---------|---------|---------|\n| 时序依赖 | X条 | X条 | ✓/✗ |\n| 并发冲突 | X条 | X条 | ✓/✗ |\n| 资源竞争 | X条 | X条 | ✓/✗ |\n| 状态累积 | X条 | X条 | ✓/✗ |\n| 数据一致性 | X条 | X条 | ✓/✗ |\n| 第三方集成 | X条 | X条 | ✓/✗ |\n\n### 补盲用例清单\n| 用例编号 | 盲区类型 | 测试标题 | 关联需求 |\n|---------|---------|---------|---------|\n| BS_XXX_001 | 时序依赖 | [标题] | REQ-XXXX |\n```\n\n## 补盲工作流\n\n### 步骤1：识别盲区\n```\n对照六大盲区，检查当前测试场景：\n- [ ] 时序依赖：有没有操作顺序影响结果的场景？\n- [ ] 并发冲突：有没有多人同时操作的场景？\n- [ ] 资源竞争：有没有资源可能耗尽的场景？\n- [ ] 状态累积：有没有长时间运行的场景？\n- [ ] 数据一致性：有没有分布式数据同步的场景？\n- [ ] 第三方集成：有没有依赖外部服务的场景？\n```\n\n### 步骤2：生成补盲场景\n```\n对每个识别出的盲区，生成专项测试场景：\n\n时序依赖补盲：\n1. 打乱操作顺序，验证结果\n2. 测试操作中间状态\n3. 验证操作依赖关系\n\n并发冲突补盲：\n1. 多用户同时编辑同一数据\n2. 同一用户多设备同时操作\n3. 并发请求导致数据不一致\n\n资源竞争补盲：\n1. 模拟内存不足\n2. 模拟连接池耗尽\n3. 模拟线程池满\n\n状态累积补盲：\n1. 长时间运行测试\n2. 会话超时测试\n3. 累计操作测试\n\n数据一致性补盲：\n1. 跨服务数据同步测试\n2. 分布式事务测试\n3. 缓存一致性测试\n\n第三方集成补盲：\n1. Mock与真实行为对比\n2. 第三方异常模拟\n3. 第三方降级测试\n```\n\n### 步骤3：标注补盲场景\n```\n为每个补盲场景标注：\n- 盲区类型：[时序/并发/资源/状态/数据/第三方]\n- 风险等级：高/中/低\n- 测试难度：高/中/低\n- 建议测试深度：深测/常规/冒烟\n```\n\n## 逐项检查清单\n\n测试完成后，逐项检查：\n\n### 时序检查\n- [ ] 操作顺序变更会怎样？\n- [ ] 操作中间状态会丢失吗？\n- [ ] 有操作依赖关系吗？\n\n### 并发检查\n- [ ] 多人同时操作会怎样？\n- [ ] 多设备同时操作会怎样？\n- [ ] 并发请求会冲突吗？\n\n### 资源检查\n- [ ] 内存会泄漏吗？\n- [ ] 连接会耗尽吗？\n- [ ] 线程会满吗？\n- [ ] 磁盘会满吗？\n\n### 状态检查\n- [ ] 长时间运行会出问题吗？\n- [ ] 会话超时会怎样？\n- [ ] 累计操作会影响什么？\n\n### 数据检查\n- [ ] 跨服务数据同步正常吗？\n- [ ] 分布式事务会失败吗？\n- [ ] 缓存与数据库一致吗？\n\n### 第三方检查\n- [ ] Mock与真实行为一致吗？\n- [ ] 第三方异常会怎样？\n- [ ] 第三方降级会怎样？\n\n## 输出示例\n\n**AI生成了一组登录功能测试用例**\n→ 扫描六大盲区：\n - 时序盲区：未测试\"登录中切换页面\"场景\n - 并发盲区：未测试\"多设备同时登录\"场景\n→ 为每个盲区补充2-3个测试场景，标注风险等级\n\n**用户说\"还有没有遗漏\"**\n→ 启动六大盲区逐一排查，输出补盲报告\n→ 每个补盲用例带唯一ID（BS-XXXX）并关联原始用例\n\n## 检查清单\n\n补盲完成后检查：\n- [ ] 是否覆盖了六大盲区？\n- [ ] 补盲场景是否可执行？\n- [ ] 补盲场景风险是否标注？\n- [ ] 补盲场景优先级是否合理？\n\nFile v1.7.7:_meta.json\n\n{\n \"ownerId\": \"kn71y9b23csfx0ykgm55d5m9x5891zt8\",\n \"slug\": \"qa-ai-blindspot-compensation\",\n \"version\": \"1.7.7\",\n \"publishedAt\": 1790519467577\n}\n\nFile v1.7.7:references/blindspot-details.md\n\n# 六大盲区详解\n\n> 本文档是 `qa-ai-blindspot-compensation` 的参考文件。执行补盲时，按以下六个维度逐一排查。\n\n---\n\n## 盲区1：时序依赖（必检）\n**问题**：AI不擅长思考\"操作顺序变更\"的影响\n\n```\n典型场景：\n- 操作A必须在操作B之前执行\n- 操作A执行后需要等待才能执行操作B\n- 操作A和操作B的执行顺序会影响结果\n\n补盲检查清单：\n- [ ] 操作顺序变更是否影响结果？\n- [ ] 操作中间状态是否处理？\n- [ ] 操作依赖关系是否验证？\n- [ ] 并发操作的时序是否测试？\n\n补盲问法：\n\"请检查这些场景中，操作顺序变更会影响结果的情况\"\n\"如果用户不按预期顺序操作，会发生什么？\"\n\"哪些场景有时序依赖？\"\n```\n\n---\n\n## 盲区2：并发冲突（必检）\n**问题**：AI不擅长思考\"多人同时操作\"的场景\n\n```\n典型场景：\n- 多人同时编辑同一数据\n- 同一用户多设备同时操作\n- 并发请求导致数据不一致\n\n补盲检查清单：\n- [ ] 多人同时操作是否测试？\n- [ ] 多设备同时操作是否测试？\n- [ ] 并发请求是否导致数据不一致？\n- [ ] 锁机制是否验证？\n\n补盲问法：\n\"请分析并发场景：多用户同时操作会怎样？\"\n\"如果用户在多个设备同时登录会怎样？\"\n\"并发请求会导致什么问题？\"\n```\n\n---\n\n## 盲区3：资源竞争（必检）\n**问题**：AI不擅长思考\"资源耗尽\"的场景\n\n```\n典型场景：\n- 内存泄漏导致服务崩溃\n- 数据库连接池耗尽\n- 线程池满导致请求排队\n- 磁盘空间不足\n\n补盲检查清单：\n- [ ] 内存泄漏是否测试？\n- [ ] 连接池耗尽是否测试？\n- [ ] 线程池满是否测试？\n- [ ] 磁盘空间不足是否测试？\n\n补盲问法：\n\"请分析资源耗尽场景：内存/连接/线程/磁盘不足时会怎样？\"\n\"长时间运行后会出现什么资源问题？\"\n\"高并发下资源会怎么变化？\"\n```\n\n---\n\n## 盲区4：状态累积（必检）\n**问题**：AI不擅长思考\"长时间运行后的状态漂移\"\n\n```\n典型场景：\n- 会话超时后的状态处理\n- 长时间操作中间状态丢失\n- 累计操作导致的数据膨胀\n- 缓存过期后的数据一致性\n\n补盲检查清单：\n- [ ] 会话超时是否测试？\n- [ ] 长时间运行是否测试？\n- [ ] 累计操作是否测试？\n- [ ] 缓存过期是否测试？\n\n补盲问法：\n\"请分析状态累积场景：长时间运行会出什么问题？\"\n\"会话超时后会发生什么？\"\n\"累计操作会影响什么？\"\n```\n\n---\n\n## 盲区5：数据一致性（必检）\n**问题**：AI不擅长思考\"分布式场景\"的数据问题\n\n```\n典型场景：\n- 跨服务数据同步延迟\n- 分布式事务失败回滚\n- 主从数据库不一致\n- 缓存与数据库不一致\n\n补盲检查清单：\n- [ ] 跨服务数据同步是否测试？\n- [ ] 分布式事务是否测试？\n- [ ] 主从数据库一致性是否测试？\n- [ ] 缓存与数据库一致性是否测试？\n\n补盲问法：\n\"请分析分布式场景：数据一致性会出什么问题？\"\n\"跨服务调用失败会怎样？\"\n\"缓存与数据库不一致会怎样？\"\n```\n\n---\n\n## 盲区6：第三方集成（必检）\n**问题**：AI不擅长思考\"Mock与真实行为的差异\"\n\n```\n典型场景：\n- Mock响应与真实响应不同\n- 第三方服务超时/异常\n- 第三方接口变更\n- 第三方服务降级/熔断\n\n补盲检查清单：\n- [ ] Mock与真实行为是否对比？\n- [ ] 第三方异常是否测试？\n- [ ] 第三方接口变更是否考虑？\n- [ ] 第三方降级是否测试？\n\n补盲问法：\n\"请分析第三方集成场景：Mock与真实行为有什么差异？\"\n\"第三方服务异常会怎样？\"\n\"第三方接口变更会影响什么？\"\n```\n\nFile v1.7.7:skill-card.md\n\n## Description:\n\nReviews AI-generated QA test cases against six common blind spots and proposes traceable scenarios to address gaps.\n\nThis skill is ready for commercial/non-commercial use.\n\n## Publisher:\n\n[kokxi](https://clawhub.ai/user/kokxi)\n\n### License/Terms of Use:\n\nMIT-0\n\n## Use Case:\n\nQA engineers and developers use this Chinese-language checklist after reviewing AI-generated test cases to find missing scenarios involving ordering, concurrency, resource limits, accumulated state, data consistency, and external integrations.\n\n### Deployment Geography for Use:\n\nGlobal\n\n## Known Risks and Mitigations:\n\nRisk: Broad coverage questions may activate the skill outside a test-case review.\n\nMitigation: Use it when reviewing test cases or requirements, and confirm the requested scope before generating additions.\n\nRisk: Suggested scenarios may be irrelevant or create a misleading impression of complete coverage.\n\nMitigation: Check proposals against requirements and existing cases, retain traceability, and state the basis and limits of any coverage claim.\n\n## Reference(s):\n\n- [ClawHub skill release](https://clawhub.ai/kokxi/skills/qa-ai-blindspot-compensation)\n- [Six blind spots reference](artifact/references/blindspot-details.md)\n\n## Skill Output:\n\n**Output Type(s):** [Analysis, Test case guidance]\n\n**Output Format:** [Chinese-language Markdown report and test-case tables]\n\n**Output Parameters:** [1D]\n\n**Other Properties Related to Output:** [Identifies blind-spot categories, proposed cases, risk levels, and links to original cases and requirements.]\n\n## Skill Version(s):\n\n1.7.7 (source: ClawHub release and skill frontmatter)\n\n## Ethical Considerations:\n\nUsers should evaluate whether this skill is appropriate for their environment, review any generated or modified files before relying on them, and apply their organization's safety, security, and compliance requirements before deployment.\n\nArchive v1.7.6: 4 files, 6641 bytes\n\nFiles: references/blindspot-details.md (3771b), skill-card.md (1757b), SKILL.md (9113b), _meta.json (147b)\n\nFile v1.7.6:SKILL.md\n\n---\r\nname: qa-ai-blindspot-compensation\r\nslug: qa-ai-blindspot-compensation\r\ndisplayName: AI 测试盲区补偿\r\nversion: 1.7.5\r\ndescription: >-\r\n 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。\r\n 本技能属于 QA Test Skills 技能集（49 个技能之一），完整工作流体验需安装全套：npx skills add Kokxi/qa-test-skills\r\n\r\nwhen_to_use: AI输出评审完成后自动激活；用户说\"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\r\nallowed-tools: Read Grep Glob\r\nrelated_skills:\r\n upstream:\r\n - qa-ai-output-critique # 输入：评审后的测试用例\r\n downstream:\r\n - qa-test-skills # 输出：最终测试用例返回给主流程\r\n - qa-expert-review\r\n - qa-output-validation\r\nreferences:\r\n - references/blindspot-details.md\r\ninput_format:\r\n required:\r\n - name: 测试用例\r\n type: array\r\n description: AI生成的测试用例列表，包含用例编号、需求ID、风险ID\r\n - name: 需求解构表\r\n type: object\r\n description: 来自qa-req-deconstruction，包含需求ID列表\r\n optional:\r\n - name: 评审报告\r\n type: object\r\n description: 来自qa-ai-output-critique的评审结果\r\noutput_format:\r\n structure:\r\n - 测试用例表格：固定 9 列（用例编号|测试类型|功能模块|测试标题|用例级别|预置条件|测试步骤|预期结果|风险等级）\r\n - 用例级别：P0≤20%（核心流程）/ P1≤40%（主要功能）/ P2≤30%（次要功能）/ P3≤10%（边缘场景）\r\n - 覆盖率：标注口径（基于现有需求/输入文档），禁止\"全覆盖/100%\"绝对化表述；缺失模块标注\"未覆盖+原因\"\r\n - blindspot_id: \"BS-XXXX\"\r\n - requirement_ids: [\"REQ-XXXX\"]\r\n - original_tc_ids: [\"TC_{模块缩写}_{功能缩写}_{序号}\"]\r\n - blindspot_type: \"盲区类型\"\r\n - new_test_cases: \"补盲用例列表\"\r\n traceability:\r\n - 每个补盲用例带唯一ID（BS-XXXX）\r\n - 关联原始用例ID（TC_{模块缩写}_{功能缩写}_{序号}，如 TC_API_LOGIN_001）\r\n - 关联需求ID（TC_{需求模块缩写}_{功能缩写}_{序号}）\r\ndepth_requirement_quantification:\r\n reference_value: \"根据测试复杂度和风险等级调整补盲深度：简单x1/中等x2/复杂x3\"\r\n minimum: \"至少覆盖边界盲区、场景盲区、数据盲区3个维度中的2个\"\r\ncategories: ['Development','Testing','AI']\r\nerror_recovery_guidance:\r\n on_failure: \"盲区补盲遗漏维度时回退到评审报告定位遗漏点\"\r\n retry_behavior: \"补充遗漏盲区类型后重新生成补盲用例\"\r\n---\r\n> ⚠️ 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\r\n\r\n# AI 盲区补偿\r\n\r\n## 核心原则\r\n\r\nAI有系统性的盲区，专家知道在哪些维度上主动补盲。\r\n\r\n**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。\r\n\r\n## AI 六大已知盲区\r\n\r\n> 每个盲区的典型场景、检查清单、补盲问法详见 [`references/blindspot-details.md`](references/blindspot-details.md)。\r\n\r\n| 盲区 | AI的典型盲点 | 补盲方向 |\r\n|------|-------------|---------|\r\n| 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 |\r\n| 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 |\r\n| 资源竞争 | 不思考\"资源耗尽\" | 内存/连接/线程/磁盘不足 |\r\n| 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 |\r\n| 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 |\r\n| 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 |\r\n\r\n> **国内业务常见实例**（补盲时优先对照）：\r\n\r\n| 盲区 | 国内业务实例 |\r\n|------|-------------|\r\n| 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 |\r\n| 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 |\r\n| 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 |\r\n| 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 |\r\n| 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 |\r\n| 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 |\r\n\r\n### 补盲检查清单\r\n- [ ] 时序依赖：操作顺序变更是否影响结果？\r\n- [ ] 并发冲突：多人同时操作是否测试？\r\n- [ ] 资源竞争：资源耗尽场景是否覆盖？\r\n- [ ] 状态累积：长时间运行是否测试？\r\n- [ ] 数据一致性：分布式数据问题是否验证？\r\n- [ ] 第三方集成：Mock与真实差异是否对比？\r\n\r\n### 输出格式\r\n\r\n```markdown\r\n## 补盲报告\r\n\r\n### 盲区覆盖情况\r\n| 盲区类型 | 原有用例 | 补盲用例 | 覆盖状态 |\r\n|---------|---------|---------|---------|\r\n| 时序依赖 | X条 | X条 | ✓/✗ |\r\n| 并发冲突 | X条 | X条 | ✓/✗ |\r\n| 资源竞争 | X条 | X条 | ✓/✗ |\r\n| 状态累积 | X条 | X条 | ✓/✗ |\r\n| 数据一致性 | X条 | X条 | ✓/✗ |\r\n| 第三方集成 | X条 | X条 | ✓/✗ |\r\n\r\n### 补盲用例清单\r\n| 用例编号 | 盲区类型 | 测试标题 | 关联需求 |\r\n|---------|---------|---------|---------|\r\n| BS_XXX_001 | 时序依赖 | [标题] | REQ-XXXX |\r\n```\r\n\r\n## 补盲工作流\r\n\r\n### 步骤1：识别盲区\r\n```\r\n对照六大盲区，检查当前测试场景：\r\n- [ ] 时序依赖：有没有操作顺序影响结果的场景？\r\n- [ ] 并发冲突：有没有多人同时操作的场景？\r\n- [ ] 资源竞争：有没有资源可能耗尽的场景？\r\n- [ ] 状态累积：有没有长时间运行的场景？\r\n- [ ] 数据一致性：有没有分布式数据同步的场景？\r\n- [ ] 第三方集成：有没有依赖外部服务的场景？\r\n```\r\n\r\n### 步骤2：生成补盲场景\r\n```\r\n对每个识别出的盲区，生成专项测试场景：\r\n\r\n时序依赖补盲：\r\n1. 打乱操作顺序，验证结果\r\n2. 测试操作中间状态\r\n3. 验证操作依赖关系\r\n\r\n并发冲突补盲：\r\n1. 多用户同时编辑同一数据\r\n2. 同一用户多设备同时操作\r\n3. 并发请求导致数据不一致\r\n\r\n资源竞争补盲：\r\n1. 模拟内存不足\r\n2. 模拟连接池耗尽\r\n3. 模拟线程池满\r\n\r\n状态累积补盲：\r\n1. 长时间运行测试\r\n2. 会话超时测试\r\n3. 累计操作测试\r\n\r\n数据一致性补盲：\r\n1. 跨服务数据同步测试\r\n2. 分布式事务测试\r\n3. 缓存一致性测试\r\n\r\n第三方集成补盲：\r\n1. Mock与真实行为对比\r\n2. 第三方异常模拟\r\n3. 第三方降级测试\r\n```\r\n\r\n### 步骤3：标注补盲场景\r\n```\r\n为每个补盲场景标注：\r\n- 盲区类型：[时序/并发/资源/状态/数据/第三方]\r\n- 风险等级：高/中/低\r\n- 测试难度：高/中/低\r\n- 建议测试深度：深测/常规/冒烟\r\n```\r\n\r\n## 逐项检查清单\r\n\r\n测试完成后，逐项检查：\r\n\r\n### 时序检查\r\n- [ ] 操作顺序变更会怎样？\r\n- [ ] 操作中间状态会丢失吗？\r\n- [ ] 有操作依赖关系吗？\r\n\r\n### 并发检查\r\n- [ ] 多人同时操作会怎样？\r\n- [ ] 多设备同时操作会怎样？\r\n- [ ] 并发请求会冲突吗？\r\n\r\n### 资源检查\r\n- [ ] 内存会泄漏吗？\r\n- [ ] 连接会耗尽吗？\r\n- [ ] 线程会满吗？\r\n- [ ] 磁盘会满吗？\r\n\r\n### 状态检查\r\n- [ ] 长时间运行会出问题吗？\r\n- [ ] 会话超时会怎样？\r\n- [ ] 累计操作会影响什么？\r\n\r\n### 数据检查\r\n- [ ] 跨服务数据同步正常吗？\r\n- [ ] 分布式事务会失败吗？\r\n- [ ] 缓存与数据库一致吗？\r\n\r\n### 第三方检查\r\n- [ ] Mock与真实行为一致吗？\r\n- [ ] 第三方异常会怎样？\r\n- [ ] 第三方降级会怎样？\r\n\r\n## 输出示例\r\n\r\n**AI生成了一组登录功能测试用例**\r\n→ 扫描六大盲区：\r\n - 时序盲区：未测试\"登录中切换页面\"场景\r\n - 并发盲区：未测试\"多设备同时登录\"场景\r\n→ 为每个盲区补充2-3个测试场景，标注风险等级\r\n\r\n**用户说\"还有没有遗漏\"**\r\n→ 启动六大盲区逐一排查，输出补盲报告\r\n→ 每个补盲用例带唯一ID（BS-XXXX）并关联原始用例\r\n\r\n## 检查清单\r\n\r\n补盲完成后检查：\r\n- [ ] 是否覆盖了六大盲区？\r\n- [ ] 补盲场景是否可执行？\r\n- [ ] 补盲场景风险是否标注？\r\n- [ ] 补盲场景优先级是否合理？\n\nFile v1.7.6:_meta.json\n\n{\n \"ownerId\": \"kn71y9b23csfx0ykgm55d5m9x5891zt8\",\n \"slug\": \"qa-ai-blindspot-compensation\",\n \"version\": \"1.7.6\",\n \"publishedAt\": 1788266067939\n}\n\nFile v1.7.6:references/blindspot-details.md\n\n# 六大盲区详解\n\n> 本文档是 `qa-ai-blindspot-compensation` 的参考文件。执行补盲时，按以下六个维度逐一排查。\n\n---\n\n## 盲区1：时序依赖（必检）\n**问题**：AI不擅长思考\"操作顺序变更\"的影响\n\n```\n典型场景：\n- 操作A必须在操作B之前执行\n- 操作A执行后需要等待才能执行操作B\n- 操作A和操作B的执行顺序会影响结果\n\n补盲检查清单：\n- [ ] 操作顺序变更是否影响结果？\n- [ ] 操作中间状态是否处理？\n- [ ] 操作依赖关系是否验证？\n- [ ] 并发操作的时序是否测试？\n\n补盲问法：\n\"请检查这些场景中，操作顺序变更会影响结果的情况\"\n\"如果用户不按预期顺序操作，会发生什么？\"\n\"哪些场景有时序依赖？\"\n```\n\n---\n\n## 盲区2：并发冲突（必检）\n**问题**：AI不擅长思考\"多人同时操作\"的场景\n\n```\n典型场景：\n- 多人同时编辑同一数据\n- 同一用户多设备同时操作\n- 并发请求导致数据不一致\n\n补盲检查清单：\n- [ ] 多人同时操作是否测试？\n- [ ] 多设备同时操作是否测试？\n- [ ] 并发请求是否导致数据不一致？\n- [ ] 锁机制是否验证？\n\n补盲问法：\n\"请分析并发场景：多用户同时操作会怎样？\"\n\"如果用户在多个设备同时登录会怎样？\"\n\"并发请求会导致什么问题？\"\n```\n\n---\n\n## 盲区3：资源竞争（必检）\n**问题**：AI不擅长思考\"资源耗尽\"的场景\n\n```\n典型场景：\n- 内存泄漏导致服务崩溃\n- 数据库连接池耗尽\n- 线程池满导致请求排队\n- 磁盘空间不足\n\n补盲检查清单：\n- [ ] 内存泄漏是否测试？\n- [ ] 连接池耗尽是否测试？\n- [ ] 线程池满是否测试？\n- [ ] 磁盘空间不足是否测试？\n\n补盲问法：\n\"请分析资源耗尽场景：内存/连接/线程/磁盘不足时会怎样？\"\n\"长时间运行后会出现什么资源问题？\"\n\"高并发下资源会怎么变化？\"\n```\n\n---\n\n## 盲区4：状态累积（必检）\n**问题**：AI不擅长思考\"长时间运行后的状态漂移\"\n\n```\n典型场景：\n- 会话超时后的状态处理\n- 长时间操作中间状态丢失\n- 累计操作导致的数据膨胀\n- 缓存过期后的数据一致性\n\n补盲检查清单：\n- [ ] 会话超时是否测试？\n- [ ] 长时间运行是否测试？\n- [ ] 累计操作是否测试？\n- [ ] 缓存过期是否测试？\n\n补盲问法：\n\"请分析状态累积场景：长时间运行会出什么问题？\"\n\"会话超时后会发生什么？\"\n\"累计操作会影响什么？\"\n```\n\n---\n\n## 盲区5：数据一致性（必检）\n**问题**：AI不擅长思考\"分布式场景\"的数据问题\n\n```\n典型场景：\n- 跨服务数据同步延迟\n- 分布式事务失败回滚\n- 主从数据库不一致\n- 缓存与数据库不一致\n\n补盲检查清单：\n- [ ] 跨服务数据同步是否测试？\n- [ ] 分布式事务是否测试？\n- [ ] 主从数据库一致性是否测试？\n- [ ] 缓存与数据库一致性是否测试？\n\n补盲问法：\n\"请分析分布式场景：数据一致性会出什么问题？\"\n\"跨服务调用失败会怎样？\"\n\"缓存与数据库不一致会怎样？\"\n```\n\n---\n\n## 盲区6：第三方集成（必检）\n**问题**：AI不擅长思考\"Mock与真实行为的差异\"\n\n```\n典型场景：\n- Mock响应与真实响应不同\n- 第三方服务超时/异常\n- 第三方接口变更\n- 第三方服务降级/熔断\n\n补盲检查清单：\n- [ ] Mock与真实行为是否对比？\n- [ ] 第三方异常是否测试？\n- [ ] 第三方接口变更是否考虑？\n- [ ] 第三方降级是否测试？\n\n补盲问法：\n\"请分析第三方集成场景：Mock与真实行为有什么差异？\"\n\"第三方服务异常会怎样？\"\n\"第三方接口变更会影响什么？\"\n```\n\nFile v1.7.6:skill-card.md\n\n## Description:\n\nHelps QA reviewers compensate for six recurring blind spots in AI-generated test cases: sequencing, concurrency, resource contention, state accumulation, data consistency, and third-party integration behavior.\n\nThis skill is ready for commercial/non-commercial use.\n\n## Publisher:\n\n[kokxi](https://clawhub.ai/user/kokxi)\n\n### License/Terms of Use:\n\nMIT-0\n\n## Use Case:\n\nQA engineers and test reviewers use this skill after reviewing AI-generated test cases to identify missing scenarios and add 12-18 blind-spot cases with traceability to requirements and original case IDs.\n\n### Deployment Geography for Use:\n\nGlobal\n\n## Known Risks and Mitigations:\n\nRisk: The reviewed skill is read-only, but it recommends an unpinned external install command that can add mutable skills outside the reviewed artifact.\n\nMitigation: Review the wider QA Test Skills suite before installing it, and run the install only after verifying the trusted publisher and exact version or commit.\n\n## Reference(s):\n\n- [六大盲区详解](references/blindspot-details.md)\n\n## Skill Output:\n\n**Output Type(s):** [markdown, guidance]\n\n**Output Format:** [Markdown report with checklist-style guidance and tabular test-case output]\n\n**Output Parameters:** [1D]\n\n**Other Properties Related to Output:** [Each added case includes a blindspot ID, blindspot type, requirement IDs, original test case IDs, risk level, and suggested test depth.]\n\n## Skill Version(s):\n\n1.7.6 (source: server release metadata)\n\n## Ethical Considerations:\n\nUsers should evaluate whether this skill is appropriate for their environment, review any generated or modified files before relying on them, and apply their organization's safety, security, and compliance requirements before deployment.\n\nArchive v1.7.5: 4 files, 6534 bytes\n\nFiles: references/blindspot-details.md (3771b), skill-card.md (2077b), SKILL.md (8597b), _meta.json (147b)\n\nFile v1.7.5:SKILL.md\n\n---\nname: qa-ai-blindspot-compensation\nslug: qa-ai-blindspot-compensation\ndisplayName: Ai Blindspot Compensation\nversion: 1.7.5\ndescription: >-\n 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。\n\nwhen_to_use: AI输出评审完成后自动激活；用户说\"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\nallowed-tools: Read Grep Glob\nrelated_skills:\n upstream:\n - qa-ai-output-critique # 输入：评审后的测试用例\n downstream:\n - qa-test-skills # 输出：最终测试用例返回给主流程\n - qa-expert-review\n - qa-output-validation\nreferences:\n - references/blindspot-details.md\ninput_format:\n required:\n - name: 测试用例\n type: array\n description: AI生成的测试用例列表，包含用例编号、需求ID、风险ID\n - name: 需求解构表\n type: object\n description: 来自qa-req-deconstruction，包含需求ID列表\n optional:\n - name: 评审报告\n type: object\n description: 来自qa-ai-output-critique的评审结果\noutput_format:\n structure:\n - 测试用例表格：固定 9 列（用例编号|测试类型|功能模块|测试标题|用例级别|预置条件|测试步骤|预期结果|风险等级）\n - 用例级别：P0≤20%（核心流程）/ P1≤40%（主要功能）/ P2≤30%（次要功能）/ P3≤10%（边缘场景）\n - 覆盖率：标注口径（基于现有需求/输入文档），禁止\"全覆盖/100%\"绝对化表述；缺失模块标注\"未覆盖+原因\"\n - blindspot_id: \"BS-XXXX\"\n - requirement_ids: [\"REQ-XXXX\"]\n - original_tc_ids: [\"TC_{模块缩写}_{功能缩写}_{序号}\"]\n - blindspot_type: \"盲区类型\"\n - new_test_cases: \"补盲用例列表\"\n traceability:\n - 每个补盲用例带唯一ID（BS-XXXX）\n - 关联原始用例ID（TC_{模块缩写}_{功能缩写}_{序号}，如 TC_API_LOGIN_001）\n - 关联需求ID（TC_{需求模块缩写}_{功能缩写}_{序号}）\ndepth_requirement_quantification:\n reference_value: \"根据测试复杂度和风险等级调整补盲深度：简单x1/中等x2/复杂x3\"\n minimum: \"至少覆盖边界盲区、场景盲区、数据盲区3个维度中的2个\"\ncategories: ['Development','Testing','AI']\nerror_recovery_guidance:\n on_failure: \"盲区补盲遗漏维度时回退到评审报告定位遗漏点\"\n retry_behavior: \"补充遗漏盲区类型后重新生成补盲用例\"\n---\n# AI 盲区补偿\n\n## 核心原则\n\nAI有系统性的盲区，专家知道在哪些维度上主动补盲。\n\n**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。\n\n## AI 六大已知盲区\n\n> 每个盲区的典型场景、检查清单、补盲问法详见 [`references/blindspot-details.md`](references/blindspot-details.md)。\n\n| 盲区 | AI的典型盲点 | 补盲方向 |\n|------|-------------|---------|\n| 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 |\n| 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 |\n| 资源竞争 | 不思考\"资源耗尽\" | 内存/连接/线程/磁盘不足 |\n| 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 |\n| 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 |\n| 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 |\n\n> **国内业务常见实例**（补盲时优先对照）：\n\n| 盲区 | 国内业务实例 |\n|------|-------------|\n| 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 |\n| 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 |\n| 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 |\n| 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 |\n| 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 |\n| 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 |\n\n### 补盲检查清单\n- [ ] 时序依赖：操作顺序变更是否影响结果？\n- [ ] 并发冲突：多人同时操作是否测试？\n- [ ] 资源竞争：资源耗尽场景是否覆盖？\n- [ ] 状态累积：长时间运行是否测试？\n- [ ] 数据一致性：分布式数据问题是否验证？\n- [ ] 第三方集成：Mock与真实差异是否对比？\n\n### 输出格式\n\n```markdown\n## 补盲报告\n\n### 盲区覆盖情况\n| 盲区类型 | 原有用例 | 补盲用例 | 覆盖状态 |\n|---------|---------|---------|---------|\n| 时序依赖 | X条 | X条 | ✓/✗ |\n| 并发冲突 | X条 | X条 | ✓/✗ |\n| 资源竞争 | X条 | X条 | ✓/✗ |\n| 状态累积 | X条 | X条 | ✓/✗ |\n| 数据一致性 | X条 | X条 | ✓/✗ |\n| 第三方集成 | X条 | X条 | ✓/✗ |\n\n### 补盲用例清单\n| 用例编号 | 盲区类型 | 测试标题 | 关联需求 |\n|---------|---------|---------|---------|\n| BS_XXX_001 | 时序依赖 | [标题] | REQ-XXXX |\n```\n\n## 补盲工作流\n\n### 步骤1：识别盲区\n```\n对照六大盲区，检查当前测试场景：\n- [ ] 时序依赖：有没有操作顺序影响结果的场景？\n- [ ] 并发冲突：有没有多人同时操作的场景？\n- [ ] 资源竞争：有没有资源可能耗尽的场景？\n- [ ] 状态累积：有没有长时间运行的场景？\n- [ ] 数据一致性：有没有分布式数据同步的场景？\n- [ ] 第三方集成：有没有依赖外部服务的场景？\n```\n\n### 步骤2：生成补盲场景\n```\n对每个识别出的盲区，生成专项测试场景：\n\n时序依赖补盲：\n1. 打乱操作顺序，验证结果\n2. 测试操作中间状态\n3. 验证操作依赖关系\n\n并发冲突补盲：\n1. 多用户同时编辑同一数据\n2. 同一用户多设备同时操作\n3. 并发请求导致数据不一致\n\n资源竞争补盲：\n1. 模拟内存不足\n2. 模拟连接池耗尽\n3. 模拟线程池满\n\n状态累积补盲：\n1. 长时间运行测试\n2. 会话超时测试\n3. 累计操作测试\n\n数据一致性补盲：\n1. 跨服务数据同步测试\n2. 分布式事务测试\n3. 缓存一致性测试\n\n第三方集成补盲：\n1. Mock与真实行为对比\n2. 第三方异常模拟\n3. 第三方降级测试\n```\n\n### 步骤3：标注补盲场景\n```\n为每个补盲场景标注：\n- 盲区类型：[时序/并发/资源/状态/数据/第三方]\n- 风险等级：高/中/低\n- 测试难度：高/中/低\n- 建议测试深度：深测/常规/冒烟\n```\n\n## 逐项检查清单\n\n测试完成后，逐项检查：\n\n### 时序检查\n- [ ] 操作顺序变更会怎样？\n- [ ] 操作中间状态会丢失吗？\n- [ ] 有操作依赖关系吗？\n\n### 并发检查\n- [ ] 多人同时操作会怎样？\n- [ ] 多设备同时操作会怎样？\n- [ ] 并发请求会冲突吗？\n\n### 资源检查\n- [ ] 内存会泄漏吗？\n- [ ] 连接会耗尽吗？\n- [ ] 线程会满吗？\n- [ ] 磁盘会满吗？\n\n### 状态检查\n- [ ] 长时间运行会出问题吗？\n- [ ] 会话超时会怎样？\n- [ ] 累计操作会影响什么？\n\n### 数据检查\n- [ ] 跨服务数据同步正常吗？\n- [ ] 分布式事务会失败吗？\n- [ ] 缓存与数据库一致吗？\n\n### 第三方检查\n- [ ] Mock与真实行为一致吗？\n- [ ] 第三方异常会怎样？\n- [ ] 第三方降级会怎样？\n\n## 输出示例\n\n**AI生成了一组登录功能测试用例**\n→ 扫描六大盲区：\n - 时序盲区：未测试\"登录中切换页面\"场景\n - 并发盲区：未测试\"多设备同时登录\"场景\n→ 为每个盲区补充2-3个测试场景，标注风险等级\n\n**用户说\"还有没有遗漏\"**\n→ 启动六大盲区逐一排查，输出补盲报告\n→ 每个补盲用例带唯一ID（BS-XXXX）并关联原始用例\n\n## 检查清单\n\n补盲完成后检查：\n- [ ] 是否覆盖了六大盲区？\n- [ ] 补盲场景是否可执行？\n- [ ] 补盲场景风险是否标注？\n- [ ] 补盲场景优先级是否合理？\n\nFile v1.7.5:_meta.json\n\n{\n \"ownerId\": \"kn71y9b23csfx0ykgm55d5m9x5891zt8\",\n \"slug\": \"qa-ai-blindspot-compensation\",\n \"version\": \"1.7.5\",\n \"publishedAt\": 1788102585202\n}\n\nFile v1.7.5:references/blindspot-details.md\n\n# 六大盲区详解\n\n> 本文档是 `qa-ai-blindspot-compensation` 的参考文件。执行补盲时，按以下六个维度逐一排查。\n\n---\n\n## 盲区1：时序依赖（必检）\n**问题**：AI不擅长思考\"操作顺序变更\"的影响\n\n```\n典型场景：\n- 操作A必须在操作B之前执行\n- 操作A执行后需要等待才能执行操作B\n- 操作A和操作B的执行顺序会影响结果\n\n补盲检查清单：\n- [ ] 操作顺序变更是否影响结果？\n- [ ] 操作中间状态是否处理？\n- [ ] 操作依赖关系是否验证？\n- [ ] 并发操作的时序是否测试？\n\n补盲问法：\n\"请检查这些场景中，操作顺序变更会影响结果的情况\"\n\"如果用户不按预期顺序操作，会发生什么？\"\n\"哪些场景有时序依赖？\"\n```\n\n---\n\n## 盲区2：并发冲突（必检）\n**问题**：AI不擅长思考\"多人同时操作\"的场景\n\n```\n典型场景：\n- 多人同时编辑同一数据\n- 同一用户多设备同时操作\n- 并发请求导致数据不一致\n\n补盲检查清单：\n- [ ] 多人同时操作是否测试？\n- [ ] 多设备同时操作是否测试？\n- [ ] 并发请求是否导致数据不一致？\n- [ ] 锁机制是否验证？\n\n补盲问法：\n\"请分析并发场景：多用户同时操作会怎样？\"\n\"如果用户在多个设备同时登录会怎样？\"\n\"并发请求会导致什么问题？\"\n```\n\n---\n\n## 盲区3：资源竞争（必检）\n**问题**：AI不擅长思考\"资源耗尽\"的场景\n\n```\n典型场景：\n- 内存泄漏导致服务崩溃\n- 数据库连接池耗尽\n- 线程池满导致请求排队\n- 磁盘空间不足\n\n补盲检查清单：\n- [ ] 内存泄漏是否测试？\n- [ ] 连接池耗尽是否测试？\n- [ ] 线程池满是否测试？\n- [ ] 磁盘空间不足是否测试？\n\n补盲问法：\n\"请分析资源耗尽场景：内存/连接/线程/磁盘不足时会怎样？\"\n\"长时间运行后会出现什么资源问题？\"\n\"高并发下资源会怎么变化？\"\n```\n\n---\n\n## 盲区4：状态累积（必检）\n**问题**：AI不擅长思考\"长时间运行后的状态漂移\"\n\n```\n典型场景：\n- 会话超时后的状态处理\n- 长时间操作中间状态丢失\n- 累计操作导致的数据膨胀\n- 缓存过期后的数据一致性\n\n补盲检查清单：\n- [ ] 会话超时是否测试？\n- [ ] 长时间运行是否测试？\n- [ ] 累计操作是否测试？\n- [ ] 缓存过期是否测试？\n\n补盲问法：\n\"请分析状态累积场景：长时间运行会出什么问题？\"\n\"会话超时后会发生什么？\"\n\"累计操作会影响什么？\"\n```\n\n---\n\n## 盲区5：数据一致性（必检）\n**问题**：AI不擅长思考\"分布式场景\"的数据问题\n\n```\n典型场景：\n- 跨服务数据同步延迟\n- 分布式事务失败回滚\n- 主从数据库不一致\n- 缓存与数据库不一致\n\n补盲检查清单：\n- [ ] 跨服务数据同步是否测试？\n- [ ] 分布式事务是否测试？\n- [ ] 主从数据库一致性是否测试？\n- [ ] 缓存与数据库一致性是否测试？\n\n补盲问法：\n\"请分析分布式场景：数据一致性会出什么问题？\"\n\"跨服务调用失败会怎样？\"\n\"缓存与数据库不一致会怎样？\"\n```\n\n---\n\n## 盲区6：第三方集成（必检）\n**问题**：AI不擅长思考\"Mock与真实行为的差异\"\n\n```\n典型场景：\n- Mock响应与真实响应不同\n- 第三方服务超时/异常\n- 第三方接口变更\n- 第三方服务降级/熔断\n\n补盲检查清单：\n- [ ] Mock与真实行为是否对比？\n- [ ] 第三方异常是否测试？\n- [ ] 第三方接口变更是否考虑？\n- [ ] 第三方降级是否测试？\n\n补盲问法：\n\"请分析第三方集成场景：Mock与真实行为有什么差异？\"\n\"第三方服务异常会怎样？\"\n\"第三方接口变更会影响什么？\"\n```\n\nFile v1.7.5:skill-card.md\n\n## Description:\n\nThis skill helps agents review AI-generated test cases for six recurring QA blind spots: sequencing dependencies, concurrency conflicts, resource contention, state accumulation, data consistency, and third-party integration differences.\n\nThis skill is ready for commercial/non-commercial use.\n\n## Publisher:\n\n[kokxi](https://clawhub.ai/user/kokxi)\n\n### License/Terms of Use:\n\nMIT-0\n\n## Use Case:\n\nQA engineers, test engineers, and development teams use this skill after reviewing AI-generated test cases to identify missing scenarios across known blind spot categories and add traceable supplemental tests.\n\n### Deployment Geography for Use:\n\nGlobal\n\n## Known Risks and Mitigations:\n\nRisk: The skill can expand test scope when invoked by broad missing-coverage prompts.\n\nMitigation: Use it after initial test-case review and require each added scenario to remain traceable to provided requirements, risks, or original test-case IDs.\n\nRisk: Supplemental QA scenarios may be irrelevant or overstate coverage if the source requirements are incomplete.\n\nMitigation: Review generated additions before adoption and avoid absolute coverage claims unless the input evidence supports them.\n\n## Reference(s):\n\n- [Blindspot Details](references/blindspot-details.md)\n- [ClawHub Skill Page](https://clawhub.ai/kokxi/skills/qa-ai-blindspot-compensation)\n\n## Skill Output:\n\n**Output Type(s):** [Analysis, Markdown, Guidance]\n\n**Output Format:** [Markdown report with coverage tables and supplemental test-case entries]\n\n**Output Parameters:** [1D]\n\n**Other Properties Related to Output:** [Outputs include blindspot IDs, related requirement IDs, related original test-case IDs, blindspot type, risk level, and supplemental test cases.]\n\n## Skill Version(s):\n\n1.7.5 (source: release evidence and frontmatter)\n\n## Ethical Considerations:\n\nUsers should evaluate whether this skill is appropriate for their environment, review any generated or modified files before relying on them, and apply their organization's safety, security, and compliance requirements before deployment.\n\nArchive v1.7.0: 4 files, 6029 bytes\n\nFiles: references/blindspot-details.md (3771b), skill-card.md (2285b), SKILL.md (7251b), _meta.json (147b)\n\nFile v1.7.0:SKILL.md\n\n---\nname: qa-ai-blindspot-compensation\nslug: qa-ai-blindspot-compensation\ndisplayName: Ai Blindspot Compensation\nversion: 1.7.0\ndescription: >-\n 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。\n\nwhen_to_use: AI输出评审完成后自动激活；用户说\"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\nallowed-tools: Read Grep Glob\nrelated_skills:\n upstream:\n - qa-ai-output-critique # 输入：评审后的测试用例\n downstream:\n - qa-test-skills # 输出：最终测试用例返回给主流程\n - qa-expert-review\n - qa-output-validation\nreferences:\n - references/blindspot-details.md\ninput_format:\n required:\n - name: 测试用例\n type: array\n description: AI生成的测试用例列表，包含用例编号、需求ID、风险ID\n - name: 需求解构表\n type: object\n description: 来自qa-req-deconstruction，包含需求ID列表\n optional:\n - name: 评审报告\n type: object\n description: 来自qa-ai-output-critique的评审结果\noutput_format:\n structure:\n - blindspot_id: \"BS-XXXX\"\n - requirement_ids: [\"REQ-XXXX\"]\n - original_tc_ids: [\"TC-XXXX\"]\n - blindspot_type: \"盲区类型\"\n - new_test_cases: \"补盲用例列表\"\n traceability:\n - 每个补盲用例带唯一ID（BS-XXXX）\n - 关联原始用例ID（TC-XXXX）\n - 关联需求ID（REQ-XXXX）\ndepth_requirement_quantification:\n reference_value: \"根据测试复杂度和风险等级调整补盲深度：简单x1/中等x2/复杂x3\"\n minimum: \"至少覆盖边界盲区、场景盲区、数据盲区3个维度中的2个\"\ncategories: ['Development','Testing','AI']\nerror_recovery_guidance:\n on_failure: \"盲区补盲遗漏维度时回退到评审报告定位遗漏点\"\n retry_behavior: \"补充遗漏盲区类型后重新生成补盲用例\"\n---\n# AI 盲区补偿\n\n## 核心原则\n\nAI有系统性的盲区，专家知道在哪些维度上主动补盲。\n\n**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。\n\n## AI 六大已知盲区\n\n> 每个盲区的典型场景、检查清单、补盲问法详见 [`references/blindspot-details.md`](references/blindspot-details.md)。\n\n| 盲区 | AI的典型盲点 | 补盲方向 |\n|------|-------------|---------|\n| 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 |\n| 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 |\n| 资源竞争 | 不思考\"资源耗尽\" | 内存/连接/线程/磁盘不足 |\n| 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 |\n| 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 |\n| 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 |\n\n### 补盲检查清单\n- [ ] 时序依赖：操作顺序变更是否影响结果？\n- [ ] 并发冲突：多人同时操作是否测试？\n- [ ] 资源竞争：资源耗尽场景是否覆盖？\n- [ ] 状态累积：长时间运行是否测试？\n- [ ] 数据一致性：分布式数据问题是否验证？\n- [ ] 第三方集成：Mock与真实差异是否对比？\n\n### 输出格式\n\n```markdown\n## 补盲报告\n\n### 盲区覆盖情况\n| 盲区类型 | 原有用例 | 补盲用例 | 覆盖状态 |\n|---------|---------|---------|---------|\n| 时序依赖 | X条 | X条 | ✓/✗ |\n| 并发冲突 | X条 | X条 | ✓/✗ |\n| 资源竞争 | X条 | X条 | ✓/✗ |\n| 状态累积 | X条 | X条 | ✓/✗ |\n| 数据一致性 | X条 | X条 | ✓/✗ |\n| 第三方集成 | X条 | X条 | ✓/✗ |\n\n### 补盲用例清单\n| 用例编号 | 盲区类型 | 测试标题 | 关联需求 |\n|---------|---------|---------|---------|\n| BS_XXX_001 | 时序依赖 | [标题] | REQ-XXXX |\n```\n\n## 补盲工作流\n\n### 步骤1：识别盲区\n```\n对照六大盲区，检查当前测试场景：\n- [ ] 时序依赖：有没有操作顺序影响结果的场景？\n- [ ] 并发冲突：有没有多人同时操作的场景？\n- [ ] 资源竞争：有没有资源可能耗尽的场景？\n- [ ] 状态累积：有没有长时间运行的场景？\n- [ ] 数据一致性：有没有分布式数据同步的场景？\n- [ ] 第三方集成：有没有依赖外部服务的场景？\n```\n\n### 步骤2：生成补盲场景\n```\n对每个识别出的盲区，生成专项测试场景：\n\n时序依赖补盲：\n1. 打乱操作顺序，验证结果\n2. 测试操作中间状态\n3. 验证操作依赖关系\n\n并发冲突补盲：\n1. 多用户同时编辑同一数据\n2. 同一用户多设备同时操作\n3. 并发请求导致数据不一致\n\n资源竞争补盲：\n1. 模拟内存不足\n2. 模拟连接池耗尽\n3. 模拟线程池满\n\n状态累积补盲：\n1. 长时间运行测试\n2. 会话超时测试\n3. 累计操作测试\n\n数据一致性补盲：\n1. 跨服务数据同步测试\n2. 分布式事务测试\n3. 缓存一致性测试\n\n第三方集成补盲：\n1. Mock与真实行为对比\n2. 第三方异常模拟\n3. 第三方降级测试\n```\n\n### 步骤3：标注补盲场景\n```\n为每个补盲场景标注：\n- 盲区类型：[时序/并发/资源/状态/数据/第三方]\n- 风险等级：高/中/低\n- 测试难度：高/中/低\n- 建议测试深度：深测/常规/冒烟\n```\n\n## 逐项检查清单\n\n测试完成后，逐项检查：\n\n### 时序检查\n- [ ] 操作顺序变更会怎样？\n- [ ] 操作中间状态会丢失吗？\n- [ ] 有操作依赖关系吗？\n\n### 并发检查\n- [ ] 多人同时操作会怎样？\n- [ ] 多设备同时操作会怎样？\n- [ ] 并发请求会冲突吗？\n\n### 资源检查\n- [ ] 内存会泄漏吗？\n- [ ] 连接会耗尽吗？\n- [ ] 线程会满吗？\n- [ ] 磁盘会满吗？\n\n### 状态检查\n- [ ] 长时间运行会出问题吗？\n- [ ] 会话超时会怎样？\n- [ ] 累计操作会影响什么？\n\n### 数据检查\n- [ ] 跨服务数据同步正常吗？\n- [ ] 分布式事务会失败吗？\n- [ ] 缓存与数据库一致吗？\n\n### 第三方检查\n- [ ] Mock与真实行为一致吗？\n- [ ] 第三方异常会怎样？\n- [ ] 第三方降级会怎样？\n\n## 输出示例\n\n**AI生成了一组登录功能测试用例**\n→ 扫描六大盲区：\n - 时序盲区：未测试\"登录中切换页面\"场景\n - 并发盲区：未测试\"多设备同时登录\"场景\n→ 为每个盲区补充2-3个测试场景，标注风险等级\n\n**用户说\"还有没有遗漏\"**\n→ 启动六大盲区逐一排查，输出补盲报告\n→ 每个补盲用例带唯一ID（BS-XXXX）并关联原始用例\n\n## 检查清单\n\n补盲完成后检查：\n- [ ] 是否覆盖了六大盲区？\n- [ ] 补盲场景是否可执行？\n- [ ] 补盲场景风险是否标注？\n- [ ] 补盲场景优先级是否合理？\n\nFile v1.7.0:_meta.json\n\n{\n \"ownerId\": \"kn71y9b23csfx0ykgm55d5m9x5891zt8\",\n \"slug\": \"qa-ai-blindspot-compensation\",\n \"version\": \"1.7.0\",\n \"publishedAt\": 1786890685066\n}\n\nFile v1.7.0:references/blindspot-details.md\n\n# 六大盲区详解\n\n> 本文档是 `qa-ai-blindspot-compensation` 的参考文件。执行补盲时，按以下六个维度逐一排查。\n\n---\n\n## 盲区1：时序依赖（必检）\n**问题**：AI不擅长思考\"操作顺序变更\"的影响\n\n```\n典型场景：\n- 操作A必须在操作B之前执行\n- 操作A执行后需要等待才能执行操作B\n- 操作A和操作B的执行顺序会影响结果\n\n补盲检查清单：\n- [ ] 操作顺序变更是否影响结果？\n- [ ] 操作中间状态是否处理？\n- [ ] 操作依赖关系是否验证？\n- [ ] 并发操作的时序是否测试？\n\n补盲问法：\n\"请检查这些场景中，操作顺序变更会影响结果的情况\"\n\"如果用户不按预期顺序操作，会发生什么？\"\n\"哪些场景有时序依赖？\"\n```\n\n---\n\n## 盲区2：并发冲突（必检）\n**问题**：AI不擅长思考\"多人同时操作\"的场景\n\n```\n典型场景：\n- 多人同时编辑同一数据\n- 同一用户多设备同时操作\n- 并发请求导致数据不一致\n\n补盲检查清单：\n- [ ] 多人同时操作是否测试？\n- [ ] 多设备同时操作是否测试？\n- [ ] 并发请求是否导致数据不一致？\n- [ ] 锁机制是否验证？\n\n补盲问法：\n\"请分析并发场景：多用户同时操作会怎样？\"\n\"如果用户在多个设备同时登录会怎样？\"\n\"并发请求会导致什么问题？\"\n```\n\n---\n\n## 盲区3：资源竞争（必检）\n**问题**：AI不擅长思考\"资源耗尽\"的场景\n\n```\n典型场景：\n- 内存泄漏导致服务崩溃\n- 数据库连接池耗尽\n- 线程池满导致请求排队\n- 磁盘空间不足\n\n补盲检查清单：\n- [ ] 内存泄漏是否测试？\n- [ ] 连接池耗尽是否测试？\n- [ ] 线程池满是否测试？\n- [ ] 磁盘空间不足是否测试？\n\n补盲问法：\n\"请分析资源耗尽场景：内存/连接/线程/磁盘不足时会怎样？\"\n\"长时间运行后会出现什么资源问题？\"\n\"高并发下资源会怎么变化？\"\n```\n\n---\n\n## 盲区4：状态累积（必检）\n**问题**：AI不擅长思考\"长时间运行后的状态漂移\"\n\n```\n典型场景：\n- 会话超时后的状态处理\n- 长时间操作中间状态丢失\n- 累计操作导致的数据膨胀\n- 缓存过期后的数据一致性\n\n补盲检查清单：\n- [ ] 会话超时是否测试？\n- [ ] 长时间运行是否测试？\n- [ ] 累计操作是否测试？\n- [ ] 缓存过期是否测试？\n\n补盲问法：\n\"请分析状态累积场景：长时间运行会出什么问题？\"\n\"会话超时后会发生什么？\"\n\"累计操作会影响什么？\"\n```\n\n---\n\n## 盲区5：数据一致性（必检）\n**问题**：AI不擅长思考\"分布式场景\"的数据问题\n\n```\n典型场景：\n- 跨服务数据同步延迟\n- 分布式事务失败回滚\n- 主从数据库不一致\n- 缓存与数据库不一致\n\n补盲检查清单：\n- [ ] 跨服务数据同步是否测试？\n- [ ] 分布式事务是否测试？\n- [ ] 主从数据库一致性是否测试？\n- [ ] 缓存与数据库一致性是否测试？\n\n补盲问法：\n\"请分析分布式场景：数据一致性会出什么问题？\"\n\"跨服务调用失败会怎样？\"\n\"缓存与数据库不一致会怎样？\"\n```\n\n---\n\n## 盲区6：第三方集成（必检）\n**问题**：AI不擅长思考\"Mock与真实行为的差异\"\n\n```\n典型场景：\n- Mock响应与真实响应不同\n- 第三方服务超时/异常\n- 第三方接口变更\n- 第三方服务降级/熔断\n\n补盲检查清单：\n- [ ] Mock与真实行为是否对比？\n- [ ] 第三方异常是否测试？\n- [ ] 第三方接口变更是否考虑？\n- [ ] 第三方降级是否测试？\n\n补盲问法：\n\"请分析第三方集成场景：Mock与真实行为有什么差异？\"\n\"第三方服务异常会怎样？\"\n\"第三方接口变更会影响什么？\"\n```\n\nFile v1.7.0:skill-card.md\n\n## Description:\n\nHelps QA reviewers find missed test scenarios after AI-generated test cases by checking six recurring blind spots: sequencing, concurrency, resource contention, state accumulation, data consistency, and third-party integration differences.\n\nThis skill is ready for commercial/non-commercial use.\n\n## Publisher:\n\n[kokxi](https://clawhub.ai/user/kokxi)\n\n### License/Terms of Use:\n\nMIT-0\n\n## Use Case:\n\nQA engineers, test designers, and software teams use this skill after reviewing AI-generated test cases to add blind-spot coverage for sequence changes, concurrent use, resource exhaustion, long-running state, distributed data consistency, and real third-party behavior.\n\n### Deployment Geography for Use:\n\nGlobal\n\n## Known Risks and Mitigations:\n\nRisk: The skill may be invoked broadly during QA review and can add 12-18 extra scenarios, increasing review scope.\n\nMitigation: Use it when expanded test coverage analysis is desired and review the generated scenarios for relevance and priority before adding them to the test plan.\n\nRisk: Generated supplemental test scenarios may be incorrect, low priority, or hard to execute for a specific system.\n\nMitigation: Validate each proposed scenario against requirements, existing test cases, and the system architecture before implementation.\n\n## Reference(s):\n\n- [Six Blind Spots Details](references/blindspot-details.md)\n- [ClawHub Skill Page](https://clawhub.ai/kokxi/skills/qa-ai-blindspot-compensation)\n- [Publisher Profile](https://clawhub.ai/user/kokxi)\n\n## Skill Output:\n\n**Output Type(s):** [analysis, markdown, guidance]\n\n**Output Format:** [Markdown blind-spot coverage report with tables and test-case lists]\n\n**Output Parameters:** [1D]\n\n**Other Properties Related to Output:** [Produces supplemental test scenarios with blindspot IDs, related requirement IDs, original test case IDs, blindspot type, risk level, test difficulty, and suggested test depth.]\n\n## Skill Version(s):\n\n1.7.0 (source: server release evidence and skill frontmatter)\n\n## Ethical Considerations:\n\nUsers should evaluate whether this skill is appropriate for their environment, review any generated or modified files before relying on them, and apply their organization's safety, security, and compliance requirements before deployment.\n\nArchive v1.6.3: 4 files, 5801 bytes\n\nFiles: references/blindspot-details.md (3771b), skill-card.md (1739b), SKILL.md (7251b), _meta.json (147b)\n\nFile v1.6.3:SKILL.md\n\n---\nname: qa-ai-blindspot-compensation\nslug: qa-ai-blindspot-compensation\ndisplayName: Ai Blindspot Compensation\nversion: 1.6.3\ndescription: >-\n 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。\n\nwhen_to_use: AI输出评审完成后自动激活；用户说\"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\nallowed-tools: Read Grep Glob\nrelated_skills:\n upstream:\n - qa-ai-output-critique # 输入：评审后的测试用例\n downstream:\n - qa-test-skills # 输出：最终测试用例返回给主流程\n - qa-expert-review\n - qa-output-validation\nreferences:\n - references/blindspot-details.md\ninput_format:\n required:\n - name: 测试用例\n type: array\n description: AI生成的测试用例列表，包含用例编号、需求ID、风险ID\n - name: 需求解构表\n type: object\n description: 来自qa-req-deconstruction，包含需求ID列表\n optional:\n - name: 评审报告\n type: object\n description: 来自qa-ai-output-critique的评审结果\noutput_format:\n structure:\n - blindspot_id: \"BS-XXXX\"\n - requirement_ids: [\"REQ-XXXX\"]\n - original_tc_ids: [\"TC-XXXX\"]\n - blindspot_type: \"盲区类型\"\n - new_test_cases: \"补盲用例列表\"\n traceability:\n - 每个补盲用例带唯一ID（BS-XXXX）\n - 关联原始用例ID（TC-XXXX）\n - 关联需求ID（REQ-XXXX）\ndepth_requirement_quantification:\n reference_value: \"根据测试复杂度和风险等级调整补盲深度：简单x1/中等x2/复杂x3\"\n minimum: \"至少覆盖边界盲区、场景盲区、数据盲区3个维度中的2个\"\ncategories: ['Development','Testing','AI']\nerror_recovery_guidance:\n on_failure: \"盲区补盲遗漏维度时回退到评审报告定位遗漏点\"\n retry_behavior: \"补充遗漏盲区类型后重新生成补盲用例\"\n---\n# AI 盲区补偿\n\n## 核心原则\n\nAI有系统性的盲区，专家知道在哪些维度上主动补盲。\n\n**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。\n\n## AI 六大已知盲区\n\n> 每个盲区的典型场景、检查清单、补盲问法详见 [`references/blindspot-details.md`](references/blindspot-details.md)。\n\n| 盲区 | AI的典型盲点 | 补盲方向 |\n|------|-------------|---------|\n| 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 |\n| 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 |\n| 资源竞争 | 不思考\"资源耗尽\" | 内存/连接/线程/磁盘不足 |\n| 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 |\n| 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 |\n| 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 |\n\n### 补盲检查清单\n- [ ] 时序依赖：操作顺序变更是否影响结果？\n- [ ] 并发冲突：多人同时操作是否测试？\n- [ ] 资源竞争：资源耗尽场景是否覆盖？\n- [ ] 状态累积：长时间运行是否测试？\n- [ ] 数据一致性：分布式数据问题是否验证？\n- [ ] 第三方集成：Mock与真实差异是否对比？\n\n### 输出格式\n\n```markdown\n## 补盲报告\n\n### 盲区覆盖情况\n| 盲区类型 | 原有用例 | 补盲用例 | 覆盖状态 |\n|---------|---------|---------|---------|\n| 时序依赖 | X条 | X条 | ✓/✗ |\n| 并发冲突 | X条 | X条 | ✓/✗ |\n| 资源竞争 | X条 | X条 | ✓/✗ |\n| 状态累积 | X条 | X条 | ✓/✗ |\n| 数据一致性 | X条 | X条 | ✓/✗ |\n| 第三方集成 | X条 | X条 | ✓/✗ |\n\n### 补盲用例清单\n| 用例编号 | 盲区类型 | 测试标题 | 关联需求 |\n|---------|---------|---------|---------|\n| BS_XXX_001 | 时序依赖 | [标题] | REQ-XXXX |\n```\n\n## 补盲工作流\n\n### 步骤1：识别盲区\n```\n对照六大盲区，检查当前测试场景：\n- [ ] 时序依赖：有没有操作顺序影响结果的场景？\n- [ ] 并发冲突：有没有多人同时操作的场景？\n- [ ] 资源竞争：有没有资源可能耗尽的场景？\n- [ ] 状态累积：有没有长时间运行的场景？\n- [ ] 数据一致性：有没有分布式数据同步的场景？\n- [ ] 第三方集成：有没有依赖外部服务的场景？\n```\n\n### 步骤2：生成补盲场景\n```\n对每个识别出的盲区，生成专项测试场景：\n\n时序依赖补盲：\n1. 打乱操作顺序，验证结果\n2. 测试操作中间状态\n3. 验证操作依赖关系\n\n并发冲突补盲：\n1. 多用户同时编辑同一数据\n2. 同一用户多设备同时操作\n3. 并发请求导致数据不一致\n\n资源竞争补盲：\n1. 模拟内存不足\n2. 模拟连接池耗尽\n3. 模拟线程池满\n\n状态累积补盲：\n1. 长时间运行测试\n2. 会话超时测试\n3. 累计操作测试\n\n数据一致性补盲：\n1. 跨服务数据同步测试\n2. 分布式事务测试\n3. 缓存一致性测试\n\n第三方集成补盲：\n1. Mock与真实行为对比\n2. 第三方异常模拟\n3. 第三方降级测试\n```\n\n### 步骤3：标注补盲场景\n```\n为每个补盲场景标注：\n- 盲区类型：[时序/并发/资源/状态/数据/第三方]\n- 风险等级：高/中/低\n- 测试难度：高/中/低\n- 建议测试深度：深测/常规/冒烟\n```\n\n## 逐项检查清单\n\n测试完成后，逐项检查：\n\n### 时序检查\n- [ ] 操作顺序变更会怎样？\n- [ ] 操作中间状态会丢失吗？\n- [ ] 有操作依赖关系吗？\n\n### 并发检查\n- [ ] 多人同时操作会怎样？\n- [ ] 多设备同时操作会怎样？\n- [ ] 并发请求会冲突吗？\n\n### 资源检查\n- [ ] 内存会泄漏吗？\n- [ ] 连接会耗尽吗？\n- [ ] 线程会满吗？\n- [ ] 磁盘会满吗？\n\n### 状态检查\n- [ ] 长时间运行会出问题吗？\n- [ ] 会话超时会怎样？\n- [ ] 累计操作会影响什么？\n\n### 数据检查\n- [ ] 跨服务数据同步正常吗？\n- [ ] 分布式事务会失败吗？\n- [ ] 缓存与数据库一致吗？\n\n### 第三方检查\n- [ ] Mock与真实行为一致吗？\n- [ ] 第三方异常会怎样？\n- [ ] 第三方降级会怎样？\n\n## 输出示例\n\n**AI生成了一组登录功能测试用例**\n→ 扫描六大盲区：\n - 时序盲区：未测试\"登录中切换页面\"场景\n - 并发盲区：未测试\"多设备同时登录\"场景\n→ 为每个盲区补充2-3个测试场景，标注风险等级\n\n**用户说\"还有没有遗漏\"**\n→ 启动六大盲区逐一排查，输出补盲报告\n→ 每个补盲用例带唯一ID（BS-XXXX）并关联原始用例\n\n## 检查清单\n\n补盲完成后检查：\n- [ ] 是否覆盖了六大盲区？\n- [ ] 补盲场景是否可执行？\n- [ ] 补盲场景风险是否标注？\n- [ ] 补盲场景优先级是否合理？\n\nFile v1.6.3:_meta.json\n\n{\n \"ownerId\": \"kn71y9b23csfx0ykgm55d5m9x5891zt8\",\n \"slug\": \"qa-ai-blindspot-compensation\",\n \"version\": \"1.6.3\",\n \"publishedAt\": 1786547986167\n}\n\nFile v1.6.3:references/blindspot-details.md\n\n# 六大盲区详解\n\n> 本文档是 `qa-ai-blindspot-compensation` 的参考文件。执行补盲时，按以下六个维度逐一排查。\n\n---\n\n## 盲区1：时序依赖（必检）\n**问题**：AI不擅长思考\"操作顺序变更\"的影响\n\n```\n典型场景：\n- 操作A必须在操作B之前执行\n- 操作A执行后需要等待才能执行操作B\n- 操作A和操作B的执行顺序会影响结果\n\n补盲检查清单：\n- [ ] 操作顺序变更是否影响结果？\n- [ ] 操作中间状态是否处理？\n- [ ] 操作依赖关系是否验证？\n- [ ] 并发操作的时序是否测试？\n\n补盲问法：\n\"请检查这些场景中，操作顺序变更会影响结果的情况\"\n\"如果用户不按预期顺序操作，会发生什么？\"\n\"哪些场景有时序依赖？\"\n```\n\n---\n\n## 盲区2：并发冲突（必检）\n**问题**：AI不擅长思考\"多人同时操作\"的场景\n\n```\n典型场景：\n- 多人同时编辑同一数据\n- 同一用户多设备同时操作\n- 并发请求导致数据不一致\n\n补盲检查清单：\n- [ ] 多人同时操作是否测试？\n- [ ] 多设备同时操作是否测试？\n- [ ] 并发请求是否导致数据不一致？\n- [ ] 锁机制是否验证？\n\n补盲问法：\n\"请分析并发场景：多用户同时操作会怎样？\"\n\"如果用户在多个设备同时登录会怎样？\"\n\"并发请求会导致什么问题？\"\n```\n\n---\n\n## 盲区3：资源竞争（必检）\n**问题**：AI不擅长思考\"资源耗尽\"的场景\n\n```\n典型场景：\n- 内存泄漏导致服务崩溃\n- 数据库连接池耗尽\n- 线程池满导致请求排队\n- 磁盘空间不足\n\n补盲检查清单：\n- [ ] 内存泄漏是否测试？\n- [ ] 连接池耗尽是否测试？\n- [ ] 线程池满是否测试？\n- [ ] 磁盘空间不足是否测试？\n\n补盲问法：\n\"请分析资源耗尽场景：内存/连接/线程/磁盘不足时会怎样？\"\n\"长时间运行后会出现什么资源问题？\"\n\"高并发下资源会怎么变化？\"\n```\n\n---\n\n## 盲区4：状态累积（必检）\n**问题**：AI不擅长思考\"长时间运行后的状态漂移\"\n\n```\n典型场景：\n- 会话超时后的状态处理\n- 长时间操作中间状态丢失\n- 累计操作导致的数据膨胀\n- 缓存过期后的数据一致性\n\n补盲检查清单：\n- [ ] 会话超时是否测试？\n- [ ] 长时间运行是否测试？\n- [ ] 累计操作是否测试？\n- [ ] 缓存过期是否测试？\n\n补盲问法：\n\"请分析状态累积场景：长时间运行会出什么问题？\"\n\"会话超时后会发生什么？\"\n\"累计操作会影响什么？\"\n```\n\n---\n\n## 盲区5：数据一致性（必检）\n**问题**：AI不擅长思考\"分布式场景\"的数据问题\n\n```\n典型场景：\n- 跨服务数据同步延迟\n- 分布式事务失败回滚\n- 主从数据库不一致\n- 缓存与数据库不一致\n\n补盲检查清单：\n- [ ] 跨服务数据同步是否测试？\n- [ ] 分布式事务是否测试？\n- [ ] 主从数据库一致性是否测试？\n- [ ] 缓存与数据库一致性是否测试？\n\n补盲问法：\n\"请分析分布式场景：数据一致性会出什么问题？\"\n\"跨服务调用失败会怎样？\"\n\"缓存与数据库不一致会怎样？\"\n```\n\n---\n\n## 盲区6：第三方集成（必检）\n**问题**：AI不擅长思考\"Mock与真实行为的差异\"\n\n```\n典型场景：\n- Mock响应与真实响应不同\n- 第三方服务超时/异常\n- 第三方接口变更\n- 第三方服务降级/熔断\n\n补盲检查清单：\n- [ ] Mock与真实行为是否对比？\n- [ ] 第三方异常是否测试？\n- [ ] 第三方接口变更是否考虑？\n- [ ] 第三方降级是否测试？\n\n补盲问法：\n\"请分析第三方集成场景：Mock与真实行为有什么差异？\"\n\"第三方服务异常会怎样？\"\n\"第三方接口变更会影响什么？\"\n```\n\nFile v1.6.3:skill-card.md\n\n## Description:\n\nHelps QA reviewers compensate for common AI-generated test-case blind spots by checking timing dependencies, concurrency conflicts, resource contention, state accumulation, data consistency, and third-party integration differences.\n\nThis skill is ready for commercial/non-commercial use.\n\n## Publisher:\n\n[kokxi](https://clawhub.ai/user/kokxi)\n\n### License/Terms of Use:\n\nMIT-0\n\n## Use Case:\n\nDevelopers, QA engineers, and test reviewers use this skill after reviewing AI-generated test cases to identify missing scenarios and add compensating cases across six recurring blind-spot categories.\n\n### Deployment Geography for Use:\n\nGlobal\n\n## Known Risks and Mitigations:\n\nRisk: Broad coverage-review phrases may activate the skill in workflows where a structured blind-spot checklist is not desired.\n\nMitigation: Use it for post-review QA coverage checks and confirm the generated compensating test cases before adding them to the final test suite.\n\n## Reference(s):\n\n- [Six Blind Spot Details](references/blindspot-details.md)\n\n## Skill Output:\n\n**Output Type(s):** [Analysis, Markdown, Guidance]\n\n**Output Format:** [Markdown report with checklist tables and generated compensating test cases]\n\n**Output Parameters:** [1D]\n\n**Other Properties Related to Output:** [Outputs blind-spot IDs, related requirement IDs, original test-case IDs, blind-spot type, and new test cases.]\n\n## Skill Version(s):\n\n1.6.3 (source: frontmatter and server release evidence)\n\n## Ethical Considerations:\n\nUsers should evaluate whether this skill is appropriate for their environment, review any generated or modified files before relying on them, and apply their organization's safety, security, and compliance requirements before deployment.\n\nArchive v1.6.0: 4 files, 6006 bytes\n\nFiles: references/blindspot-details.md (3771b), skill-card.md (2267b), SKILL.md (7386b), _meta.json (147b)\n\nFile v1.6.0:SKILL.md\n\n---\r\nname: qa-ai-blindspot-compensation\r\nversion: 1.6.0\r\ndescription: >-\r\n 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。\r\n\r\nwhen_to_use: AI输出评审完成后自动激活；用户说\"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\r\nallowed-tools: Read Grep Glob\r\nrelated_skills:\r\n upstream:\r\n - qa-ai-output-critique # 输入：评审后的测试用例\r\n downstream:\r\n - qa-test-skills # 输出：最终测试用例返回给主流程\r\n - qa-expert-review\r\n - qa-output-validation\r\nreferences:\r\n - references/blindspot-details.md\r\ninput_format:\r\n required:\r\n - name: 测试用例\r\n type: array\r\n description: AI生成的测试用例列表，包含用例编号、需求ID、风险ID\r\n - name: 需求解构表\r\n type: object\r\n description: 来自qa-req-deconstruction，包含需求ID列表\r\n optional:\r\n - name: 评审报告\r\n type: object\r\n description: 来自qa-ai-output-critique的评审结果\r\noutput_format:\r\n structure:\r\n - blindspot_id: \"BS-XXXX\"\r\n - requirement_ids: [\"REQ-XXXX\"]\r\n - original_tc_ids: [\"TC-XXXX\"]\r\n - blindspot_type: \"盲区类型\"\r\n - new_test_cases: \"补盲用例列表\"\r\n traceability:\r\n - 每个补盲用例带唯一ID（BS-XXXX）\r\n - 关联原始用例ID（TC-XXXX）\r\n - 关联需求ID（REQ-XXXX）\r\ndepth_requirement_quantification:\r\n reference_value: \"根据测试复杂度和风险等级调整补盲深度：简单x1/中等x2/复杂x3\"\r\n minimum: \"至少覆盖边界盲区、场景盲区、数据盲区3个维度中的2个\"\r\ncategories: ['Development','Testing','AI']\r\nerror_recovery_guidance:\r\n on_failure: \"盲区补盲遗漏维度时回退到评审报告定位遗漏点\"\r\n retry_behavior: \"补充遗漏盲区类型后重新生成补盲用例\"\r\n---\r\n# AI 盲区补偿\r\n\r\n## 核心原则\r\n\r\nAI有系统性的盲区，专家知道在哪些维度上主动补盲。\r\n\r\n**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。\r\n\r\n## AI 六大已知盲区\r\n\r\n> 每个盲区的典型场景、检查清单、补盲问法详见 [`references/blindspot-details.md`](references/blindspot-details.md)。\r\n\r\n| 盲区 | AI的典型盲点 | 补盲方向 |\r\n|------|-------------|---------|\r\n| 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 |\r\n| 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 |\r\n| 资源竞争 | 不思考\"资源耗尽\" | 内存/连接/线程/磁盘不足 |\r\n| 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 |\r\n| 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 |\r\n| 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 |\r\n\r\n### 补盲检查清单\r\n- [ ] 时序依赖：操作顺序变更是否影响结果？\r\n- [ ] 并发冲突：多人同时操作是否测试？\r\n- [ ] 资源竞争：资源耗尽场景是否覆盖？\r\n- [ ] 状态累积：长时间运行是否测试？\r\n- [ ] 数据一致性：分布式数据问题是否验证？\r\n- [ ] 第三方集成：Mock与真实差异是否对比？\r\n\r\n### 输出格式\r\n\r\n```markdown\r\n## 补盲报告\r\n\r\n### 盲区覆盖情况\r\n| 盲区类型 | 原有用例 | 补盲用例 | 覆盖状态 |\r\n|---------|---------|---------|---------|\r\n| 时序依赖 | X条 | X条 | ✓/✗ |\r\n| 并发冲突 | X条 | X条 | ✓/✗ |\r\n| 资源竞争 | X条 | X条 | ✓/✗ |\r\n| 状态累积 | X条 | X条 | ✓/✗ |\r\n| 数据一致性 | X条 | X条 | ✓/✗ |\r\n| 第三方集成 | X条 | X条 | ✓/✗ |\r\n\r\n### 补盲用例清单\r\n| 用例编号 | 盲区类型 | 测试标题 | 关联需求 |\r\n|---------|---------|---------|---------|\r\n| BS_XXX_001 | 时序依赖 | [标题] | REQ-XXXX |\r\n```\r\n\r\n## 补盲工作流\r\n\r\n### 步骤1：识别盲区\r\n```\r\n对照六大盲区，检查当前测试场景：\r\n- [ ] 时序依赖：有没有操作顺序影响结果的场景？\r\n- [ ] 并发冲突：有没有多人同时操作的场景？\r\n- [ ] 资源竞争：有没有资源可能耗尽的场景？\r\n- [ ] 状态累积：有没有长时间运行的场景？\r\n- [ ] 数据一致性：有没有分布式数据同步的场景？\r\n- [ ] 第三方集成：有没有依赖外部服务的场景？\r\n```\r\n\r\n### 步骤2：生成补盲场景\r\n```\r\n对每个识别出的盲区，生成专项测试场景：\r\n\r\n时序依赖补盲：\r\n1. 打乱操作顺序，验证结果\r\n2. 测试操作中间状态\r\n3. 验证操作依赖关系\r\n\r\n并发冲突补盲：\r\n1. 多用户同时编辑同一数据\r\n2. 同一用户多设备同时操作\r\n3. 并发请求导致数据不一致\r\n\r\n资源竞争补盲：\r\n1. 模拟内存不足\r\n2. 模拟连接池耗尽\r\n3. 模拟线程池满\r\n\r\n状态累积补盲：\r\n1. 长时间运行测试\r\n2. 会话超时测试\r\n3. 累计操作测试\r\n\r\n数据一致性补盲：\r\n1. 跨服务数据同步测试\r\n2. 分布式事务测试\r\n3. 缓存一致性测试\r\n\r\n第三方集成补盲：\r\n1. Mock与真实行为对比\r\n2. 第三方异常模拟\r\n3. 第三方降级测试\r\n```\r\n\r\n### 步骤3：标注补盲场景\r\n```\r\n为每个补盲场景标注：\r\n- 盲区类型：[时序/并发/资源/状态/数据/第三方]\r\n- 风险等级：高/中/低\r\n- 测试难度：高/中/低\r\n- 建议测试深度：深测/常规/冒烟\r\n```\r\n\r\n## 逐项检查清单\r\n\r\n测试完成后，逐项检查：\r\n\r\n### 时序检查\r\n- [ ] 操作顺序变更会怎样？\r\n- [ ] 操作中间状态会丢失吗？\r\n- [ ] 有操作依赖关系吗？\r\n\r\n### 并发检查\r\n- [ ] 多人同时操作会怎样？\r\n- [ ] 多设备同时操作会怎样？\r\n- [ ] 并发请求会冲突吗？\r\n\r\n### 资源检查\r\n- [ ] 内存会泄漏吗？\r\n- [ ] 连接会耗尽吗？\r\n- [ ] 线程会满吗？\r\n- [ ] 磁盘会满吗？\r\n\r\n### 状态检查\r\n- [ ] 长时间运行会出问题吗？\r\n- [ ] 会话超时会怎样？\r\n- [ ] 累计操作会影响什么？\r\n\r\n### 数据检查\r\n- [ ] 跨服务数据同步正常吗？\r\n- [ ] 分布式事务会失败吗？\r\n- [ ] 缓存与数据库一致吗？\r\n\r\n### 第三方检查\r\n- [ ] Mock与真实行为一致吗？\r\n- [ ] 第三方异常会怎样？\r\n- [ ] 第三方降级会怎样？\r\n\r\n## 输出示例\r\n\r\n**AI生成了一组登录功能测试用例**\r\n→ 扫描六大盲区：\r\n - 时序盲区：未测试\"登录中切换页面\"场景\r\n - 并发盲区：未测试\"多设备同时登录\"场景\r\n→ 为每个盲区补充2-3个测试场景，标注风险等级\r\n\r\n**用户说\"还有没有遗漏\"**\r\n→ 启动六大盲区逐一排查，输出补盲报告\r\n→ 每个补盲用例带唯一ID（BS-XXXX）并关联原始用例\r\n\r\n## 检查清单\r\n\r\n补盲完成后检查：\r\n- [ ] 是否覆盖了六大盲区？\r\n- [ ] 补盲场景是否可执行？\r\n- [ ] 补盲场景风险是否标注？\r\n- [ ] 补盲场景优先级是否合理？\n\nFile v1.6.0:_meta.json\n\n{\n \"ownerId\": \"kn71y9b23csfx0ykgm55d5m9x5891zt8\",\n \"slug\": \"qa-ai-blindspot-compensation\",\n \"version\": \"1.6.0\",\n \"publishedAt\": 1783358011265\n}\n\nFile v1.6.0:references/blindspot-details.md\n\n# 六大盲区详解\n\n> 本文档是 `qa-ai-blindspot-compensation` 的参考文件。执行补盲时，按以下六个维度逐一排查。\n\n---\n\n## 盲区1：时序依赖（必检）\n**问题**：AI不擅长思考\"操作顺序变更\"的影响\n\n```\n典型场景：\n- 操作A必须在操作B之前执行\n- 操作A执行后需要等待才能执行操作B\n- 操作A和操作B的执行顺序会影响结果\n\n补盲检查清单：\n- [ ] 操作顺序变更是否影响结果？\n- [ ] 操作中间状态是否处理？\n- [ ] 操作依赖关系是否验证？\n- [ ] 并发操作的时序是否测试？\n\n补盲问法：\n\"请检查这些场景中，操作顺序变更会影响结果的情况\"\n\"如果用户不按预期顺序操作，会发生什么？\"\n\"哪些场景有时序依赖？\"\n```\n\n---\n\n## 盲区2：并发冲突（必检）\n**问题**：AI不擅长思考\"多人同时操作\"的场景\n\n```\n典型场景：\n- 多人同时编辑同一数据\n- 同一用户多设备同时操作\n- 并发请求导致数据不一致\n\n补盲检查清单：\n- [ ] 多人同时操作是否测试？\n- [ ] 多设备同时操作是否测试？\n- [ ] 并发请求是否导致数据不一致？\n- [ ] 锁机制是否验证？\n\n补盲问法：\n\"请分析并发场景：多用户同时操作会怎样？\"\n\"如果用户在多个设备同时登录会怎样？\"\n\"并发请求会导致什么问题？\"\n```\n\n---\n\n## 盲区3：资源竞争（必检）\n**问题**：AI不擅长思考\"资源耗尽\"的场景\n\n```\n典型场景：\n- 内存泄漏导致服务崩溃\n- 数据库连接池耗尽\n- 线程池满导致请求排队\n- 磁盘空间不足\n\n补盲检查清单：\n- [ ] 内存泄漏是否测试？\n- [ ] 连接池耗尽是否测试？\n- [ ] 线程池满是否测试？\n- [ ] 磁盘空间不足是否测试？\n\n补盲问法：\n\"请分析资源耗尽场景：内存/连接/线程/磁盘不足时会怎样？\"\n\"长时间运行后会出现什么资源问题？\"\n\"高并发下资源会怎么变化？\"\n```\n\n---\n\n## 盲区4：状态累积（必检）\n**问题**：AI不擅长思考\"长时间运行后的状态漂移\"\n\n```\n典型场景：\n- 会话超时后的状态处理\n- 长时间操作中间状态丢失\n- 累计操作导致的数据膨胀\n- 缓存过期后的数据一致性\n\n补盲检查清单：\n- [ ] 会话超时是否测试？\n- [ ] 长时间运行是否测试？\n- [ ] 累计操作是否测试？\n- [ ] 缓存过期是否测试？\n\n补盲问法：\n\"请分析状态累积场景：长时间运行会出什么问题？\"\n\"会话超时后会发生什么？\"\n\"累计操作会影响什么？\"\n```\n\n---\n\n## 盲区5：数据一致性（必检）\n**问题**：AI不擅长思考\"分布式场景\"的数据问题\n\n```\n典型场景：\n- 跨服务数据同步延迟\n- 分布式事务失败回滚\n- 主从数据库不一致\n- 缓存与数据库不一致\n\n补盲检查清单：\n- [ ] 跨服务数据同步是否测试？\n- [ ] 分布式事务是否测试？\n- [ ] 主从数据库一致性是否测试？\n- [ ] 缓存与数据库一致性是否测试？\n\n补盲问法：\n\"请分析分布式场景：数据一致性会出什么问题？\"\n\"跨服务调用失败会怎样？\"\n\"缓存与数据库不一致会怎样？\"\n```\n\n---\n\n## 盲区6：第三方集成（必检）\n**问题**：AI不擅长思考\"Mock与真实行为的差异\"\n\n```\n典型场景：\n- Mock响应与真实响应不同\n- 第三方服务超时/异常\n- 第三方接口变更\n- 第三方服务降级/熔断\n\n补盲检查清单：\n- [ ] Mock与真实行为是否对比？\n- [ ] 第三方异常是否测试？\n- [ ] 第三方接口变更是否考虑？\n- [ ] 第三方降级是否测试？\n\n补盲问法：\n\"请分析第三方集成场景：Mock与真实行为有什么差异？\"\n\"第三方服务异常会怎样？\"\n\"第三方接口变更会影响什么？\"\n```\n\nFile v1.6.0:skill-card.md\n\n## Description:
\nHelps QA reviewers find AI-generated test-case blind spots across sequencing, concurrency, resource contention, state accumulation, data consistency, and third-party integration, then produce supplemental test cases.
\n\nThis skill is ready for commercial/non-commercial use.
\n\n## Publisher:
\n[kokxi](https://clawhub.ai/user/kokxi)
\n\n### License/Terms of Use:
\nMIT-0
\n\n\n## Use Case:
\nDevelopers, QA engineers, and test reviewers use this skill after AI-generated test cases have been reviewed to identify missing coverage and generate traceable supplemental cases for known AI blindspot categories.
\n\n### Deployment Geography for Use:
\nGlobal
\n\n## Known Risks and Mitigations:
\nRisk: The skill may activate on broad coverage prompts and add a fixed six-category review structure when a lighter answer would be enough.
\nMitigation: Use it for post-review blindspot analysis or explicit omission checks, and keep the response scoped to categories relevant to the user's request.
\nRisk: Supplemental test cases may not be directly executable without product-specific requirements, environments, or constraints.
\nMitigation: Have QA reviewers validate generated cases against the requirements, system behavior, and available test environment before adding them to a test suite.
\n\n\n## Reference(s):
\n- [Six Blindspot Details](references/blindspot-details.md)
\n- [ClawHub Skill Page](https://clawhub.ai/kokxi/skills/qa-ai-blindspot-compensation)
\n\n\n## Skill Output:
\n**Output Type(s):** [Text, Markdown, Guidance]
\n**Output Format:** [Markdown report with tables and traceable supplemental test-case entries]
\n**Output Parameters:** [1D]
\n**Other Properties Related to Output:** [Supplemental cases are expected to include blindspot IDs and related requirement or original test-case IDs when available.]
\n\n## Skill Version(s):
\n1.6.0 (source: frontmatter and release evidence)
\n\n## Ethical Considerations:
\nUsers should evaluate whether this skill is appropriate for their environment, review any generated or modified files before relying on them, and apply their organization's safety, security, and compliance requirements before deployment.
\n\nArchive v1.5.0: 4 files, 5823 bytes\n\nFiles: references/blindspot-details.md (3771b), skill-card.md (2039b), SKILL.md (7313b), _meta.json (147b)\n\nFile v1.5.0:SKILL.md\n\n---\r\nname: qa-ai-blindspot-compensation\r\nversion: 1.5.0\r\ndescription: >-\r\n 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。\r\n\r\nwhen_to_use: AI输出评审完成后自动激活；用户说\"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\r\nallowed-tools: Read Grep Glob\r\nrelated_skills:\r\n upstream:\r\n - qa-ai-output-critique # 输入：评审后的测试用例\r\n downstream:\r\n - qa-test-skills # 输出：最终测试用例返回给主流程\r\ninput_format:\r\n required:\r\n - name: 测试用例\r\n type: array\r\n description: AI生成的测试用例列表，包含用例编号、需求ID、风险ID\r\n - name: 需求解构表\r\n type: object\r\n description: 来自qa-req-deconstruction，包含需求ID列表\r\n optional:\r\n - name: 评审报告\r\n type: object\r\n description: 来自qa-ai-output-critique的评审结果\r\noutput_format:\r\n structure:\r\n - blindspot_id: \"BS-XXXX\"\r\n - requirement_ids: [\"REQ-XXXX\"]\r\n - original_tc_ids: [\"TC-XXXX\"]\r\n - blindspot_type: \"盲区类型\"\r\n - new_test_cases: \"补盲用例列表\"\r\n traceability:\r\n - 每个补盲用例带唯一ID（BS-XXXX）\r\n - 关联原始用例ID（TC-XXXX）\r\n - 关联需求ID（REQ-XXXX）\r\ndepth_requirement_quantification:\r\n reference_value: \"根据测试复杂度和风险等级调整补盲深度：简单x1/中等x2/复杂x3\"\r\n minimum: \"至少覆盖边界盲区、场景盲区、数据盲区3个维度中的2个\"\r\n---\r\n\r\n# AI 盲区补偿\r\n\r\n## 核心原则\r\n\r\n你是一位测试补盲专家，专门识别AI系统性思考不足的维度并补充测试场景。\r\n**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。\r\n本技能覆盖六大盲区（时序/并发/资源/状态/数据/第三方），每个盲区至少补充2-3个测试场景。\r\n**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。\r\n\r\n## AI 六大已知盲区\r\n\r\n> 每个盲区的典型场景、检查清单、补盲问法详见 [`references/blindspot-details.md`](references/blindspot-details.md)。\r\n\r\n| 盲区 | AI的典型盲点 | 补盲方向 |\r\n|------|-------------|---------|\r\n| 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 |\r\n| 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 |\r\n| 资源竞争 | 不思考\"资源耗尽\" | 内存/连接/线程/磁盘不足 |\r\n| 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 |\r\n| 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 |\r\n| 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 |\r\n\r\n### 补盲检查清单\r\n- [ ] 时序依赖：操作顺序变更是否影响结果？\r\n- [ ] 并发冲突：多人同时操作是否测试？\r\n- [ ] 资源竞争：资源耗尽场景是否覆盖？\r\n- [ ] 状态累积：长时间运行是否测试？\r\n- [ ] 数据一致性：分布式数据问题是否验证？\r\n- [ ] 第三方集成：Mock与真实差异是否对比？\r\n\r\n### 输出格式\r\n\r\n```markdown\r\n## 补盲报告\r\n\r\n### 盲区覆盖情况\r\n| 盲区类型 | 原有用例 | 补盲用例 | 覆盖状态 |\r\n|---------|---------|---------|---------|\r\n| 时序依赖 | X条 | X条 | ✓/✗ |\r\n| 并发冲突 | X条 | X条 | ✓/✗ |\r\n| 资源竞争 | X条 | X条 | ✓/✗ |\r\n| 状态累积 | X条 | X条 | ✓/✗ |\r\n| 数据一致性 | X条 | X条 | ✓/✗ |\r\n| 第三方集成 | X条 | X条 | ✓/✗ |\r\n\r\n### 补盲用例清单\r\n| 用例编号 | 盲区类型 | 测试标题 | 关联需求 |\r\n|---------|---------|---------|---------|\r\n| BS_XXX_001 | 时序依赖 | [标题] | REQ-XXXX |\r\n```\r\n\r\n## 补盲工作流\r\n\r\n### 步骤1：识别盲区\r\n```\r\n对照六大盲区，检查当前测试场景：\r\n- [ ] 时序依赖：有没有操作顺序影响结果的场景？\r\n- [ ] 并发冲突：有没有多人同时操作的场景？\r\n- [ ] 资源竞争：有没有资源可能耗尽的场景？\r\n- [ ] 状态累积：有没有长时间运行的场景？\r\n- [ ] 数据一致性：有没有分布式数据同步的场景？\r\n- [ ] 第三方集成：有没有依赖外部服务的场景？\r\n```\r\n\r\n### 步骤2：生成补盲场景\r\n```\r\n对每个识别出的盲区，生成专项测试场景：\r\n\r\n时序依赖补盲：\r\n1. 打乱操作顺序，验证结果\r\n2. 测试操作中间状态\r\n3. 验证操作依赖关系\r\n\r\n并发冲突补盲：\r\n1. 多用户同时编辑同一数据\r\n2. 同一用户多设备同时操作\r\n3. 并发请求导致数据不一致\r\n\r\n资源竞争补盲：\r\n1. 模拟内存不足\r\n2. 模拟连接池耗尽\r\n3. 模拟线程池满\r\n\r\n状态累积补盲：\r\n1. 长时间运行测试\r\n2. 会话超时测试\r\n3. 累计操作测试\r\n\r\n数据一致性补盲：\r\n1. 跨服务数据同步测试\r\n2. 分布式事务测试\r\n3. 缓存一致性测试\r\n\r\n第三方集成补盲：\r\n1. Mock与真实行为对比\r\n2. 第三方异常模拟\r\n3. 第三方降级测试\r\n```\r\n\r\n### 步骤3：标注补盲场景\r\n```\r\n为每个补盲场景标注：\r\n- 盲区类型：[时序/并发/资源/状态/数据/第三方]\r\n- 风险等级：高/中/低\r\n- 测试难度：高/中/低\r\n- 建议测试深度：深测/常规/冒烟\r\n```\r\n\r\n## 逐项检查清单\r\n\r\n测试完成后，逐项检查：\r\n\r\n### 时序检查\r\n- [ ] 操作顺序变更会怎样？\r\n- [ ] 操作中间状态会丢失吗？\r\n- [ ] 有操作依赖关系吗？\r\n\r\n### 并发检查\r\n- [ ] 多人同时操作会怎样？\r\n- [ ] 多设备同时操作会怎样？\r\n- [ ] 并发请求会冲突吗？\r\n\r\n### 资源检查\r\n- [ ] 内存会泄漏吗？\r\n- [ ] 连接会耗尽吗？\r\n- [ ] 线程会满吗？\r\n- [ ] 磁盘会满吗？\r\n\r\n### 状态检查\r\n- [ ] 长时间运行会出问题吗？\r\n- [ ] 会话超时会怎样？\r\n- [ ] 累计操作会影响什么？\r\n\r\n### 数据检查\r\n- [ ] 跨服务数据同步正常吗？\r\n- [ ] 分布式事务会失败吗？\r\n- [ ] 缓存与数据库一致吗？\r\n\r\n### 第三方检查\r\n- [ ] Mock与真实行为一致吗？\r\n- [ ] 第三方异常会怎样？\r\n- [ ] 第三方降级会怎样？\r\n\r\n## 输出示例\r\n\r\n**AI生成了一组登录功能测试用例**\r\n→ 扫描六大盲区：\r\n - 时序盲区：未测试\"登录中切换页面\"场景\r\n - 并发盲区：未测试\"多设备同时登录\"场景\r\n→ 为每个盲区补充2-3个测试场景，标注风险等级\r\n\r\n**用户说\"还有没有遗漏\"**\r\n→ 启动六大盲区逐一排查，输出补盲报告\r\n→ 每个补盲用例带唯一ID（BS-XXXX）并关联原始用例\r\n\r\n## 检查清单\r\n\r\n补盲完成后检查：\r\n- [ ] 是否覆盖了六大盲区？\r\n- [ ] 补盲场景是否可执行？\r\n- [ ] 补盲场景风险是否标注？\r\n- [ ] 补盲场景优先级是否合理？\n\nFile v1.5.0:_meta.json\n\n{\n \"ownerId\": \"kn71y9b23csfx0ykgm55d5m9x5891zt8\",\n \"slug\": \"qa-ai-blindspot-compensation\",\n \"version\": \"1.5.0\",\n \"publishedAt\": 1782736220372\n}\n\nFile v1.5.0:references/blindspot-details.md\n\n# 六大盲区详解\n\n> 本文档是 `qa-ai-blindspot-compensation` 的参考文件。执行补盲时，按以下六个维度逐一排查。\n\n---\n\n## 盲区1：时序依赖（必检）\n**问题**：AI不擅长思考\"操作顺序变更\"的影响\n\n```\n典型场景：\n- 操作A必须在操作B之前执行\n- 操作A执行后需要等待才能执行操作B\n- 操作A和操作B的执行顺序会影响结果\n\n补盲检查清单：\n- [ ] 操作顺序变更是否影响结果？\n- [ ] 操作中间状态是否处理？\n- [ ] 操作依赖关系是否验证？\n- [ ] 并发操作的时序是否测试？\n\n补盲问法：\n\"请检查这些场景中，操作顺序变更会影响结果的情况\"\n\"如果用户不按预期顺序操作，会发生什么？\"\n\"哪些场景有时序依赖？\"\n```\n\n---\n\n## 盲区2：并发冲突（必检）\n**问题**：AI不擅长思考\"多人同时操作\"的场景\n\n```\n典型场景：\n- 多人同时编辑同一数据\n- 同一用户多设备同时操作\n- 并发请求导致数据不一致\n\n补盲检查清单：\n- [ ] 多人同时操作是否测试？\n- [ ] 多设备同时操作是否测试？\n- [ ] 并发请求是否导致数据不一致？\n- [ ] 锁机制是否验证？\n\n补盲问法：\n\"请分析并发场景：多用户同时操作会怎样？\"\n\"如果用户在多个设备同时登录会怎样？\"\n\"并发请求会导致什么问题？\"\n```\n\n---\n\n## 盲区3：资源竞争（必检）\n**问题**：AI不擅长思考\"资源耗尽\"的场景\n\n```\n典型场景：\n- 内存泄漏导致服务崩溃\n- 数据库连接池耗尽\n- 线程池满导致请求排队\n- 磁盘空间不足\n\n补盲检查清单：\n- [ ] 内存泄漏是否测试？\n- [ ] 连接池耗尽是否测试？\n- [ ] 线程池满是否测试？\n- [ ] 磁盘空间不足是否测试？\n\n补盲问法：\n\"请分析资源耗尽场景：内存/连接/线程/磁盘不足时会怎样？\"\n\"长时间运行后会出现什么资源问题？\"\n\"高并发下资源会怎么变化？\"\n```\n\n---\n\n## 盲区4：状态累积（必检）\n**问题**：AI不擅长思考\"长时间运行后的状态漂移\"\n\n```\n典型场景：\n- 会话超时后的状态处理\n- 长时间操作中间状态丢失\n- 累计操作导致的数据膨胀\n- 缓存过期后的数据一致性\n\n补盲检查清单：\n- [ ] 会话超时是否测试？\n- [ ] 长时间运行是否测试？\n- [ ] 累计操作是否测试？\n- [ ] 缓存过期是否测试？\n\n补盲问法：\n\"请分析状态累积场景：长时间运行会出什么问题？\"\n\"会话超时后会发生什么？\"\n\"累计操作会影响什么？\"\n```\n\n---\n\n## 盲区5：数据一致性（必检）\n**问题**：AI不擅长思考\"分布式场景\"的数据问题\n\n```\n典型场景：\n- 跨服务数据同步延迟\n- 分布式事务失败回滚\n- 主从数据库不一致\n- 缓存与数据库不一致\n\n补盲检查清单：\n- [ ] 跨服务数据同步是否测试？\n- [ ] 分布式事务是否测试？\n- [ ] 主从数据库一致性是否测试？\n- [ ] 缓存与数据库一致性是否测试？\n\n补盲问法：\n\"请分析分布式场景：数据一致性会出什么问题？\"\n\"跨服务调用失败会怎样？\"\n\"缓存与数据库不一致会怎样？\"\n```\n\n---\n\n## 盲区6：第三方集成（必检）\n**问题**：AI不擅长思考\"Mock与真实行为的差异\"\n\n```\n典型场景：\n- Mock响应与真实响应不同\n- 第三方服务超时/异常\n- 第三方接口变更\n- 第三方服务降级/熔断\n\n补盲检查清单：\n- [ ] Mock与真实行为是否对比？\n- [ ] 第三方异常是否测试？\n- [ ] 第三方接口变更是否考虑？\n- [ ] 第三方降级是否测试？\n\n补盲问法：\n\"请分析第三方集成场景：Mock与真实行为有什么差异？\"\n\"第三方服务异常会怎样？\"\n\"第三方接口变更会影响什么？\"\n```\n\nFile v1.5.0:skill-card.md\n\n## Description:
\nHelps QA reviewers compensate for common AI-generated test-case blind spots by expanding coverage across sequencing, concurrency, resource contention, state accumulation, data consistency, and third-party integration risks.
\n\nThis skill is ready for commercial/non-commercial use.
\n\n## Publisher:
\n[kokxi](https://clawhub.ai/user/kokxi)
\n\n### License/Terms of Use:
\nMIT-0
\n\n\n## Use Case:
\nQA engineers, test leads, and developers use this skill after reviewing AI-generated test cases to identify missed scenarios and add supplemental blindspot coverage. It focuses on six recurring gaps: operation sequencing, concurrent use, resource exhaustion, long-running state, distributed data consistency, and real third-party integration behavior.
\n\n### Deployment Geography for Use:
\nGlobal
\n\n## Known Risks and Mitigations:
\nRisk: The skill may activate on broad coverage-review prompts and produce many supplemental test cases.
\nMitigation: Use it when expanded QA blindspot planning is desired, then review generated cases for relevance, feasibility, and duplication before adding them to the test plan.
\n\n\n## Reference(s):
\n- [Six Blindspot Details](references/blindspot-details.md)
\n\n\n## Skill Output:
\n**Output Type(s):** [analysis, markdown, guidance]
\n**Output Format:** [Markdown report with coverage tables and supplemental test-case lists]
\n**Output Parameters:** [1D]
\n**Other Properties Related to Output:** [Produces blindspot IDs, links supplemental cases to requirement and original test-case IDs, and includes risk, difficulty, and suggested test-depth labels.]
\n\n## Skill Version(s):
\n1.5.0 (source: frontmatter and server release metadata)
\n\n## Ethical Considerations:
\nUsers should evaluate whether this skill is appropriate for their environment, review any generated or modified files before relying on them, and apply their organization's safety, security, and compliance requirements before deployment.
\n\nArchive v1.4.1: 3 files, 4709 bytes\n\nFiles: skill-card.md (2091b), SKILL.md (11854b), _meta.json (147b)\n\nFile v1.4.1:SKILL.md\n\n---\r\nname: qa-ai-blindspot-compensation\r\ndescription: >-\r\n AI盲区补偿，识别并补充AI在时序/并发/资源/状态/数据/第三方六大维度的系统性盲区。当需要补盲或全面覆盖遗漏场景时激活。\r\n\r\nwhen_to_use: AI输出评审完成后自动激活；用户说\"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\r\nallowed-tools: Read Grep Glob\r\nrelated_skills:\r\n upstream:\r\n - qa-ai-output-critique # 输入：评审后的测试用例\r\n downstream:\r\n - qa-test-skills # 输出：最终测试用例返回给主流程\r\ninput_format:\r\n required:\r\n - name: 测试用例\r\n type: array\r\n description: AI生成的测试用例列表，包含用例编号、需求ID、风险ID\r\n - name: 需求解构表\r\n type: object\r\n description: 来自qa-req-deconstruction，包含需求ID列表\r\n optional:\r\n - name: 评审报告\r\n type: object\r\n description: 来自qa-ai-output-critique的评审结果\r\noutput_format:\r\n structure:\r\n - blindspot_id: \"BS-XXXX\"\r\n - requirement_ids: [\"REQ-XXXX\"]\r\n - original_tc_ids: [\"TC-XXXX\"]\r\n - blindspot_type: \"盲区类型\"\r\n - new_test_cases: \"补盲用例列表\"\r\n traceability:\r\n - 每个补盲用例带唯一ID（BS-XXXX）\r\n - 关联原始用例ID（TC-XXXX）\r\n - 关联需求ID（REQ-XXXX）\r\n---\r\n\r\n# AI 盲区补偿\r\n\r\n## Overview\r\n\r\n你是一位测试补盲专家，专门识别AI系统性思考不足的维度并补充测试场景。\r\n**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。\r\n本技能覆盖六大盲区（时序/并发/资源/状态/数据/第三方），每个盲区至少补充2-3个测试场景。\r\n**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。\r\n\r\n## AI 六大已知盲区\r\n\r\n### 盲区1：时序依赖（必检）\r\n**问题**：AI不擅长思考\"操作顺序变更\"的影响\r\n\r\n```\r\n典型场景：\r\n- 操作A必须在操作B之前执行\r\n- 操作A执行后需要等待才能执行操作B\r\n- 操作A和操作B的执行顺序会影响结果\r\n\r\n补盲检查清单：\r\n- [ ] 操作顺序变更是否影响结果？\r\n- [ ] 操作中间状态是否处理？\r\n- [ ] 操作依赖关系是否验证？\r\n- [ ] 并发操作的时序是否测试？\r\n\r\n补盲问法：\r\n\"请检查这些场景中，操作顺序变更会影响结果的情况\"\r\n\"如果用户不按预期顺序操作，会发生什么？\"\r\n\"哪些场景有时序依赖？\"\r\n```\r\n\r\n### 盲区2：并发冲突（必检）\r\n**问题**：AI不擅长思考\"多人同时操作\"的场景\r\n\r\n```\r\n典型场景：\r\n- 多人同时编辑同一数据\r\n- 同一用户多设备同时操作\r\n- 并发请求导致数据不一致\r\n\r\n补盲检查清单：\r\n- [ ] 多人同时操作是否测试？\r\n- [ ] 多设备同时操作是否测试？\r\n- [ ] 并发请求是否导致数据不一致？\r\n- [ ] 锁机制是否验证？\r\n\r\n补盲问法：\r\n\"请分析并发场景：多用户同时操作会怎样？\"\r\n\"如果用户在多个设备同时登录会怎样？\"\r\n\"并发请求会导致什么问题？\"\r\n```\r\n\r\n### 盲区3：资源竞争（必检）\r\n**问题**：AI不擅长思考\"资源耗尽\"的场景\r\n\r\n```\r\n典型场景：\r\n- 内存泄漏导致服务崩溃\r\n- 数据库连接池耗尽\r\n- 线程池满导致请求排队\r\n- 磁盘空间不足\r\n\r\n补盲检查清单：\r\n- [ ] 内存泄漏是否测试？\r\n- [ ] 连接池耗尽是否测试？\r\n- [ ] 线程池满是否测试？\r\n- [ ] 磁盘空间不足是否测试？\r\n\r\n补盲问法：\r\n\"请分析资源耗尽场景：内存/连接/线程/磁盘不足时会怎样？\"\r\n\"长时间运行后会出现什么资源问题？\"\r\n\"高并发下资源会怎么变化？\"\r\n```\r\n\r\n### 盲区4：状态累积（必检）\r\n**问题**：AI不擅长思考\"长时间运行后的状态漂移\"\r\n\r\n```\r\n典型场景：\r\n- 会话超时后的状态处理\r\n- 长时间操作中间状态丢失\r\n- 累计操作导致的数据膨胀\r\n- 缓存过期后的数据一致性\r\n\r\n补盲检查清单：\r\n- [ ] 会话超时是否测试？\r\n- [ ] 长时间运行是否测试？\r\n- [ ] 累计操作是否测试？\r\n- [ ] 缓存过期是否测试？\r\n\r\n补盲问法：\r\n\"请分析状态累积场景：长时间运行会出什么问题？\"\r\n\"会话超时后会发生什么？\"\r\n\"累计操作会影响什么？\"\r\n```\r\n\r\n### 盲区5：数据一致性（必检）\r\n**问题**：AI不擅长思考\"分布式场景\"的数据问题\r\n\r\n```\r\n典型场景：\r\n- 跨服务数据同步延迟\r\n- 分布式事务失败回滚\r\n- 主从数据库不一致\r\n- 缓存与数据库不一致\r\n\r\n补盲检查清单：\r\n- [ ] 跨服务数据同步是否测试？\r\n- [ ] 分布式事务是否测试？\r\n- [ ] 主从数据库一致性是否测试？\r\n- [ ] 缓存与数据库一致性是否测试？\r\n\r\n补盲问法：\r\n\"请分析分布式场景：数据一致性会出什么问题？\"\r\n\"跨服务调用失败会怎样？\"\r\n\"缓存与数据库不一致会怎样？\"\r\n```\r\n\r\n### 盲区6：第三方集成（必检）\r\n**问题**：AI不擅长思考\"Mock与真实行为的差异\"\r\n\r\n```\r\n典型场景：\r\n- Mock响应与真实响应不同\r\n- 第三方服务超时/异常\r\n- 第三方接口变更\r\n- 第三方服务降级/熔断\r\n\r\n补盲检查清单：\r\n- [ ] Mock与真实行为是否对比？\r\n- [ ] 第三方异常是否测试？\r\n- [ ] 第三方接口变更是否考虑？\r\n- [ ] 第三方降级是否测试？\r\n\r\n补盲问法：\r\n\"请分析第三方集成场景：Mock与真实行为有什么差异？\"\r\n\"第三方服务异常会怎样？\"\r\n\"第三方接口变更会影响什么？\"\r\n```\r\n\r\n## 补盲检查清单\r\n\r\n### 完整检查清单\r\n- [ ] 时序依赖：操作顺序变更是否影响结果？\r\n- [ ] 并发冲突：多人同时操作是否测试？\r\n- [ ] 资源竞争：资源耗尽场景是否覆盖？\r\n- [ ] 状态累积：长时间运行是否测试？\r\n- [ ] 数据一致性：分布式数据问题是否验证？\r\n- [ ] 第三方集成：Mock与真实差异是否对比？\r\n\r\n### 输出格式\r\n\r\n```markdown\r\n## 补盲报告\r\n\r\n### 盲区覆盖情况\r\n| 盲区类型 | 原有用例 | 补盲用例 | 覆盖状态 |\r\n|---------|---------|---------|---------|\r\n| 时序依赖 | X条 | X条 | ✓/✗ |\r\n| 并发冲突 | X条 | X条 | ✓/✗ |\r\n| 资源竞争 | X条 | X条 | ✓/✗ |\r\n| 状态累积 | X条 | X条 | ✓/✗ |\r\n| 数据一致性 | X条 | X条 | ✓/✗ |\r\n| 第三方集成 | X条 | X条 | ✓/✗ |\r\n\r\n### 补盲用例清单\r\n| 用例编号 | 盲区类型 | 测试标题 | 关联需求 |\r\n|---------|---------|---------|---------|\r\n| BS_XXX_001 | 时序依赖 | [标题] | REQ-XXXX |\r\n```\r\n\r\n### 盲区2：并发冲突\r\n**问题**：AI不擅长思考\"多人同时操作\"的场景\r\n\r\n```\r\n典型场景：\r\n- 多人同时编辑同一数据\r\n- 同一用户多设备同时操作\r\n- 并发请求导致数据不一致\r\n\r\n补盲问法：\r\n\"请分析并发场景：多用户同时操作会怎样？\"\r\n\"如果用户在多个设备同时登录会怎样？\"\r\n\"并发请求会导致什么问题？\"\r\n```\r\n\r\n### 盲区3：资源竞争\r\n**问题**：AI不擅长思考\"资源耗尽\"的场景\r\n\r\n```\r\n典型场景：\r\n- 内存泄漏导致服务崩溃\r\n- 数据库连接池耗尽\r\n- 线程池满导致请求排队\r\n- 磁盘空间不足\r\n\r\n补盲问法：\r\n\"请分析资源耗尽场景：内存/连接/线程/磁盘不足时会怎样？\"\r\n\"长时间运行后会出现什么资源问题？\"\r\n\"高并发下资源会怎么变化？\"\r\n```\r\n\r\n### 盲区4：状态累积\r\n**问题**：AI不擅长思考\"长时间运行后的状态漂移\"\r\n\r\n```\r\n典型场景：\r\n- 会话超时后的状态处理\r\n- 长时间操作中间状态丢失\r\n- 累计操作导致的数据膨胀\r\n- 缓存过期后的数据一致性\r\n\r\n补盲问法：\r\n\"请分析状态累积场景：长时间运行会出什么问题？\"\r\n\"会话超时后会发生什么？\"\r\n\"累计操作会影响什么？\"\r\n```\r\n\r\n### 盲区5：数据一致性\r\n**问题**：AI不擅长思考\"分布式场景\"的数据问题\r\n\r\n```\r\n典型场景：\r\n- 跨服务数据同步延迟\r\n- 分布式事务失败回滚\r\n- 主从数据库不一致\r\n- 缓存与数据库不一致\r\n\r\n补盲问法：\r\n\"请分析分布式场景：数据一致性会出什么问题？\"\r\n\"跨服务调用失败会怎样？\"\r\n\"缓存与数据库不一致会怎样？\"\r\n```\r\n\r\n### 盲区6：第三方集成\r\n**问题**：AI不擅长思考\"Mock与真实行为的差异\"\r\n\r\n```\r\n典型场景：\r\n- Mock响应与真实响应不同\r\n- 第三方服务超时/异常\r\n- 第三方接口变更\r\n- 第三方服务降级/熔断\r\n\r\n补盲问法：\r\n\"请分析第三方集成场景：Mock与真实行为有什么差异？\"\r\n\"第三方服务异常会怎样？\"\r\n\"第三方接口变更会影响什么？\"\r\n```\r\n\r\n## 补盲工作流\r\n\r\n### 步骤1：识别盲区\r\n```\r\n对照六大盲区，检查当前测试场景：\r\n- [ ] 时序依赖：有没有操作顺序影响结果的场景？\r\n- [ ] 并发冲突：有没有多人同时操作的场景？\r\n- [ ] 资源竞争：有没有资源可能耗尽的场景？\r\n- [ ] 状态累积：有没有长时间运行的场景？\r\n- [ ] 数据一致性：有没有分布式数据同步的场景？\r\n- [ ] 第三方集成：有没有依赖外部服务的场景？\r\n```\r\n\r\n### 步骤2：生成补盲场景\r\n```\r\n对每个识别出的盲区，生成专项测试场景：\r\n\r\n时序依赖补盲：\r\n1. 打乱操作顺序，验证结果\r\n2. 测试操作中间状态\r\n3. 验证操作依赖关系\r\n\r\n并发冲突补盲：\r\n1. 多用户同时编辑同一数据\r\n2. 同一用户多设备同时操作\r\n3. 并发请求导致数据不一致\r\n\r\n资源竞争补盲：\r\n1. 模拟内存不足\r\n2. 模拟连接池耗尽\r\n3. 模拟线程池满\r\n\r\n状态累积补盲：\r\n1. 长时间运行测试\r\n2. 会话超时测试\r\n3. 累计操作测试\r\n\r\n数据一致性补盲：\r\n1. 跨服务数据同步测试\r\n2. 分布式事务测试\r\n3. 缓存一致性测试\r\n\r\n第三方集成补盲：\r\n1. Mock与真实行为对比\r\n2. 第三方异常模拟\r\n3. 第三方降级测试\r\n```\r\n\r\n### 步骤3：标注补盲场景\r\n```\r\n为每个补盲场景标注：\r\n- 盲区类型：[时序/并发/资源/状态/数据/第三方]\r\n- 风险等级：高/中/低\r\n- 测试难度：高/中/低\r\n- 建议测试深度：深测/常规/冒烟\r\n```\r\n\r\n## 逐项检查清单\r\n\r\n测试完成后，逐项检查：\r\n\r\n### 时序检查\r\n- [ ] 操作顺序变更会怎样？\r\n- [ ] 操作中间状态会丢失吗？\r\n- [ ] 有操作依赖关系吗？\r\n\r\n### 并发检查\r\n- [ ] 多人同时操作会怎样？\r\n- [ ] 多设备同时操作会怎样？\r\n- [ ] 并发请求会冲突吗？\r\n\r\n### 资源检查\r\n- [ ] 内存会泄漏吗？\r\n- [ ] 连接会耗尽吗？\r\n- [ ] 线程会满吗？\r\n- [ ] 磁盘会满吗？\r\n\r\n### 状态检查\r\n- [ ] 长时间运行会出问题吗？\r\n- [ ] 会话超时会怎样？\r\n- [ ] 累计操作会影响什么？\r\n\r\n### 数据检查\r\n- [ ] 跨服务数据同步正常吗？\r\n- [ ] 分布式事务会失败吗？\r\n- [ ] 缓存与数据库一致吗？\r\n\r\n### 第三方检查\r\n- [ ] Mock与真实行为一致吗？\r\n- [ ] 第三方异常会怎样？\r\n- [ ] 第三方降级会怎样？\r\n\r\n## Examples\r\n\r\n**AI生成了一组登录功能测试用例**\r\n→ 扫描六大盲区：\r\n - 时序盲区：未测试\"登录中切换页面\"场景\r\n - 并发盲区：未测试\"多设备同时登录\"场景\r\n→ 为每个盲区补充2-3个测试场景，标注风险等级\r\n\r\n**用户说\"还有没有遗漏\"**\r\n→ 启动六大盲区逐一排查，输出补盲报告\r\n→ 每个补盲用例带唯一ID（BS-XXXX）并关联原始用例\r\n\r\n## Guidelines\r\n\r\n补盲完成后检查：\r\n- [ ] 是否覆盖了六大盲区？\r\n- [ ] 补盲场景是否可执行？\r\n- [ ] 补盲场景风险是否标注？\r\n- [ ] 补盲场景优先级是否合理？\n\nFile v1.4.1:_meta.json\n\n{\n \"ownerId\": \"kn71y9b23csfx0ykgm55d5m9x5891zt8\",\n \"slug\": \"qa-ai-blindspot-compensation\",\n \"version\": \"1.4.1\",\n \"publishedAt\": 1782406376224\n}\n\nFile v1.4.1:skill-card.md\n\n## Description:
\nChinese-language QA helper that identifies and supplements missed test scenarios across timing, concurrency, resource, state, data consistency, and third-party integration blind spots.
\n\nThis skill is ready for commercial/non-commercial use.
\n\n## Publisher:
\n[kokxi](https://clawhub.ai/user/kokxi)
\n\n### License/Terms of Use:
\nMIT-0
\n\n\n## Use Case:
\nQA engineers and developers use this Chinese-language skill after AI-generated test cases have been reviewed to identify untested timing, concurrency, resource, state, data consistency, and third-party integration scenarios. It helps produce supplemental test cases with blind-spot labels and traceability to requirements and original cases.
\n\n### Deployment Geography for Use:
\nGlobal
\n\n## Known Risks and Mitigations:
\nRisk: Broad activation wording may cause the skill to run when a narrower QA-review command was intended.
\nMitigation: Review and tighten activation conditions before deployment if workflows require explicit invocation.
\nRisk: Generated testing guidance is primarily Chinese-language, which can be hard for non-Chinese reviewers to validate.
\nMitigation: Use reviewers fluent in Chinese or translate outputs before accepting supplemental test cases.
\n\n\n## Reference(s):
\n- [ClawHub skill page](https://clawhub.ai/kokxi/skills/qa-ai-blindspot-compensation)
\n\n\n## Skill Output:
\n**Output Type(s):** [text, markdown, guidance]
\n**Output Format:** [Markdown QA blind-spot report with tables and supplemental test-case lists]
\n**Output Parameters:** [1D]
\n**Other Properties Related to Output:** [Outputs are intended for human review before test plans are updated.]
\n\n## Skill Version(s):
\n1.4.1 (source: server release metadata)
\n\n## Ethical Considerations:
\nUsers should evaluate whether this skill is appropriate for their environment, review any generated or modified files before relying on them, and apply their organization's safety, security, and compliance requirements before deployment.
\n\nArchive v1.4.0: 3 files, 4848 bytes\n\nFiles: skill-card.md (2088b), SKILL.md (12157b), _meta.json (147b)\n\nFile v1.4.0:SKILL.md\n\n---\r\nname: qa-ai-blindspot-compensation\r\ndescription: >-\r\n AI盲区补偿，识别并补充AI系统性思考不足的测试维度。当用户询问还有什么没测到、AI漏了什么、需要补盲或全面覆盖时自动触发。\r\n 也适用于：AI输出评审完成后需要进一步挖掘遗漏场景时，或应对时序、并发、资源竞争等AI易漏场景。\r\n 关键词：测试盲区、AI遗漏、全面覆盖、时序并发补偿、盲区模型、补偿策略、追加用例、场景补全、AI盲点、盲区分析。\nwhen_to_use: AI输出评审完成后自动激活；用户说\"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\r\nallowed-tools: Read Grep Glob\r\nrelated_skills:\r\n upstream:\r\n - qa-ai-output-critique # 输入：评审后的测试用例\r\n downstream:\r\n - qa-test-workflow # 输出：最终测试用例返回给主流程\r\ninput_format:\r\n required:\r\n - name: 测试用例\r\n type: array\r\n description: AI生成的测试用例列表，包含用例编号、需求ID、风险ID\r\n - name: 需求解构表\r\n type: object\r\n description: 来自qa-req-deconstruction，包含需求ID列表\r\n optional:\r\n - name: 评审报告\r\n type: object\r\n description: 来自qa-ai-output-critique的评审结果\r\noutput_format:\r\n structure:\r\n - blindspot_id: \"BS-XXXX\"\r\n - requirement_ids: [\"REQ-XXXX\"]\r\n - original_tc_ids: [\"TC-XXXX\"]\r\n - blindspot_type: \"盲区类型\"\r\n - new_test_cases: \"补盲用例列表\"\r\n traceability:\r\n - 每个补盲用例带唯一ID（BS-XXXX）\r\n - 关联原始用例ID（TC-XXXX）\r\n - 关联需求ID（REQ-XXXX）\r\n---\r\n\r\n# AI 盲区补偿\r\n\r\n## Overview\r\n\r\n你是一位测试补盲专家，专门识别AI系统性思考不足的维度并补充测试场景。\r\n**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。\r\n本技能覆盖六大盲区（时序/并发/资源/状态/数据/第三方），每个盲区至少补充2-3个测试场景。\r\n**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。\r\n\r\n## AI 六大已知盲区\r\n\r\n### 盲区1：时序依赖（必检）\r\n**问题**：AI不擅长思考\"操作顺序变更\"的影响\r\n\r\n```\r\n典型场景：\r\n- 操作A必须在操作B之前执行\r\n- 操作A执行后需要等待才能执行操作B\r\n- 操作A和操作B的执行顺序会影响结果\r\n\r\n补盲检查清单：\r\n- [ ] 操作顺序变更是否影响结果？\r\n- [ ] 操作中间状态是否处理？\r\n- [ ] 操作依赖关系是否验证？\r\n- [ ] 并发操作的时序是否测试？\r\n\r\n补盲问法：\r\n\"请检查这些场景中，操作顺序变更会影响结果的情况\"\r\n\"如果用户不按预期顺序操作，会发生什么？\"\r\n\"哪些场景有时序依赖？\"\r\n```\r\n\r\n### 盲区2：并发冲突（必检）\r\n**问题**：AI不擅长思考\"多人同时操作\"的场景\r\n\r\n```\r\n典型场景：\r\n- 多人同时编辑同一数据\r\n- 同一用户多设备同时操作\r\n- 并发请求导致数据不一致\r\n\r\n补盲检查清单：\r\n- [ ] 多人同时操作是否测试？\r\n- [ ] 多设备同时操作是否测试？\r\n- [ ] 并发请求是否导致数据不一致？\r\n- [ ] 锁机制是否验证？\r\n\r\n补盲问法：\r\n\"请分析并发场景：多用户同时操作会怎样？\"\r\n\"如果用户在多个设备同时登录会怎样？\"\r\n\"并发请求会导致什么问题？\"\r\n```\r\n\r\n### 盲区3：资源竞争（必检）\r\n**问题**：AI不擅长思考\"资源耗尽\"的场景\r\n\r\n```\r\n典型场景：\r\n- 内存泄漏导致服务崩溃\r\n- 数据库连接池耗尽\r\n- 线程池满导致请求排队\r\n- 磁盘空间不足\r\n\r\n补盲检查清单：\r\n- [ ] 内存泄漏是否测试？\r\n- [ ] 连接池耗尽是否测试？\r\n- [ ] 线程池满是否测试？\r\n- [ ] 磁盘空间不足是否测试？\r\n\r\n补盲问法：\r\n\"请分析资源耗尽场景：内存/连接/线程/磁盘不足时会怎样？\"\r\n\"长时间运行后会出现什么资源问题？\"\r\n\"高并发下资源会怎么变化？\"\r\n```\r\n\r\n### 盲区4：状态累积（必检）\r\n**问题**：AI不擅长思考\"长时间运行后的状态漂移\"\r\n\r\n```\r\n典型场景：\r\n- 会话超时后的状态处理\r\n- 长时间操作中间状态丢失\r\n- 累计操作导致的数据膨胀\r\n- 缓存过期后的数据一致性\r\n\r\n补盲检查清单：\r\n- [ ] 会话超时是否测试？\r\n- [ ] 长时间运行是否测试？\r\n- [ ] 累计操作是否测试？\r\n- [ ] 缓存过期是否测试？\r\n\r\n补盲问法：\r\n\"请分析状态累积场景：长时间运行会出什么问题？\"\r\n\"会话超时后会发生什么？\"\r\n\"累计操作会影响什么？\"\r\n```\r\n\r\n### 盲区5：数据一致性（必检）\r\n**问题**：AI不擅长思考\"分布式场景\"的数据问题\r\n\r\n```\r\n典型场景：\r\n- 跨服务数据同步延迟\r\n- 分布式事务失败回滚\r\n- 主从数据库不一致\r\n- 缓存与数据库不一致\r\n\r\n补盲检查清单：\r\n- [ ] 跨服务数据同步是否测试？\r\n- [ ] 分布式事务是否测试？\r\n- [ ] 主从数据库一致性是否测试？\r\n- [ ] 缓存与数据库一致性是否测试？\r\n\r\n补盲问法：\r\n\"请分析分布式场景：数据一致性会出什么问题？\"\r\n\"跨服务调用失败会怎样？\"\r\n\"缓存与数据库不一致会怎样？\"\r\n```\r\n\r\n### 盲区6：第三方集成（必检）\r\n**问题**：AI不擅长思考\"Mock与真实行为的差异\"\r\n\r\n```\r\n典型场景：\r\n- Mock响应与真实响应不同\r\n- 第三方服务超时/异常\r\n- 第三方接口变更\r\n- 第三方服务降级/熔断\r\n\r\n补盲检查清单：\r\n- [ ] Mock与真实行为是否对比？\r\n- [ ] 第三方异常是否测试？\r\n- [ ] 第三方接口变更是否考虑？\r\n- [ ] 第三方降级是否测试？\r\n\r\n补盲问法：\r\n\"请分析第三方集成场景：Mock与真实行为有什么差异？\"\r\n\"第三方服务异常会怎样？\"\r\n\"第三方接口变更会影响什么？\"\r\n```\r\n\r\n## 补盲检查清单\r\n\r\n### 完整检查清单\r\n- [ ] 时序依赖：操作顺序变更是否影响结果？\r\n- [ ] 并发冲突：多人同时操作是否测试？\r\n- [ ] 资源竞争：资源耗尽场景是否覆盖？\r\n- [ ] 状态累积：长时间运行是否测试？\r\n- [ ] 数据一致性：分布式数据问题是否验证？\r\n- [ ] 第三方集成：Mock与真实差异是否对比？\r\n\r\n### 输出格式\r\n\r\n```markdown\r\n## 补盲报告\r\n\r\n### 盲区覆盖情况\r\n| 盲区类型 | 原有用例 | 补盲用例 | 覆盖状态 |\r\n|---------|---------|---------|---------|\r\n| 时序依赖 | X条 | X条 | ✓/✗ |\r\n| 并发冲突 | X条 | X条 | ✓/✗ |\r\n| 资源竞争 | X条 | X条 | ✓/✗ |\r\n| 状态累积 | X条 | X条 | ✓/✗ |\r\n| 数据一致性 | X条 | X条 | ✓/✗ |\r\n| 第三方集成 | X条 | X条 | ✓/✗ |\r\n\r\n### 补盲用例清单\r\n| 用例编号 | 盲区类型 | 测试标题 | 关联需求 |\r\n|---------|---------|---------|---------|\r\n| BS_XXX_001 | 时序依赖 | [标题] | REQ-XXXX |\r\n```\r\n\r\n### 盲区2：并发冲突\r\n**问题**：AI不擅长思考\"多人同时操作\"的场景\r\n\r\n```\r\n典型场景：\r\n- 多人同时编辑同一数据\r\n- 同一用户多设备同时操作\r\n- 并发请求导致数据不一致\r\n\r\n补盲问法：\r\n\"请分析并发场景：多用户同时操作会怎样？\"\r\n\"如果用户在多个设备同时登录会怎样？\"\r\n\"并发请求会导致什么问题？\"\r\n```\r\n\r\n### 盲区3：资源竞争\r\n**问题**：AI不擅长思考\"资源耗尽\"的场景\r\n\r\n```\r\n典型场景：\r\n- 内存泄漏导致服务崩溃\r\n- 数据库连接池耗尽\r\n- 线程池满导致请求排队\r\n- 磁盘空间不足\r\n\r\n补盲问法：\r\n\"请分析资源耗尽场景：内存/连接/线程/磁盘不足时会怎样？\"\r\n\"长时间运行后会出现什么资源问题？\"\r\n\"高并发下资源会怎么变化？\"\r\n```\r\n\r\n### 盲区4：状态累积\r\n**问题**：AI不擅长思考\"长时间运行后的状态漂移\"\r\n\r\n```\r\n典型场景：\r\n- 会话超时后的状态处理\r\n- 长时间操作中间状态丢失\r\n- 累计操作导致的数据膨胀\r\n- 缓存过期后的数据一致性\r\n\r\n补盲问法：\r\n\"请分析状态累积场景：长时间运行会出什么问题？\"\r\n\"会话超时后会发生什么？\"\r\n\"累计操作会影响什么？\"\r\n```\r\n\r\n### 盲区5：数据一致性\r\n**问题**：AI不擅长思考\"分布式场景\"的数据问题\r\n\r\n```\r\n典型场景：\r\n- 跨服务数据同步延迟\r\n- 分布式事务失败回滚\r\n- 主从数据库不一致\r\n- 缓存与数据库不一致\r\n\r\n补盲问法：\r\n\"请分析分布式场景：数据一致性会出什么问题？\"\r\n\"跨服务调用失败会怎样？\"\r\n\"缓存与数据库不一致会怎样？\"\r\n```\r\n\r\n### 盲区6：第三方集成\r\n**问题**：AI不擅长思考\"Mock与真实行为的差异\"\r\n\r\n```\r\n典型场景：\r\n- Mock响应与真实响应不同\r\n- 第三方服务超时/异常\r\n- 第三方接口变更\r\n- 第三方服务降级/熔断\r\n\r\n补盲问法：\r\n\"请分析第三方集成场景：Mock与真实行为有什么差异？\"\r\n\"第三方服务异常会怎样？\"\r\n\"第三方接口变更会影响什么？\"\r\n```\r\n\r\n## 补盲工作流\r\n\r\n### 步骤1：识别盲区\r\n```\r\n对照六大盲区，检查当前测试场景：\r\n- [ ] 时序依赖：有没有操作顺序影响结果的场景？\r\n- [ ] 并发冲突：有没有多人同时操作的场景？\r\n- [ ] 资源竞争：有没有资源可能耗尽的场景？\r\n- [ ] 状态累积：有没有长时间运行的场景？\r\n- [ ] 数据一致性：有没有分布式数据同步的场景？\r\n- [ ] 第三方集成：有没有依赖外部服务的场景？\r\n```\r\n\r\n### 步骤2：生成补盲场景\r\n```\r\n对每个识别出的盲区，生成专项测试场景：\r\n\r\n时序依赖补盲：\r\n1. 打乱操作顺序，验证结果\r\n2. 测试操作中间状态\r\n3. 验证操作依赖关系\r\n\r\n并发冲突补盲：\r\n1. 多用户同时编辑同一数据\r\n2. 同一用户多设备同时操作\r\n3. 并发请求导致数据不一致\r\n\r\n资源竞争补盲：\r\n1. 模拟内存不足\r\n2. 模拟连接池耗尽\r\n3. 模拟线程池满\r\n\r\n状态累积补盲：\r\n1. 长时间运行测试\r\n2. 会话超时测试\r\n3. 累计操作测试\r\n\r\n数据一致性补盲：\r\n1. 跨服务数据同步测试\r\n2. 分布式事务测试\r\n3. 缓存一致性测试\r\n\r\n第三方集成补盲：\r\n1. Mock与真实行为对比\r\n2. 第三方异常模拟\r\n3. 第三方降级测试\r\n```\r\n\r\n### 步骤3：标注补盲场景\r\n```\r\n为每个补盲场景标注：\r\n- 盲区类型：[时序/并发/资源/状态/数据/第三方]\r\n- 风险等级：高/中/低\r\n- 测试难度：高/中/低\r\n- 建议测试深度：深测/常规/冒烟\r\n```\r\n\r\n## 逐项检查清单\r\n\r\n测试完成后，逐项检查：\r\n\r\n### 时序检查\r\n- [ ] 操作顺序变更会怎样？\r\n- [ ] 操作中间状态会丢失吗？\r\n- [ ] 有操作依赖关系吗？\r\n\r\n### 并发检查\r\n- [ ] 多人同时操作会怎样？\r\n- [ ] 多设备同时操作会怎样？\r\n- [ ] 并发请求会冲突吗？\r\n\r\n### 资源检查\r\n- [ ] 内存会泄漏吗？\r\n- [ ] 连接会耗尽吗？\r\n- [ ] 线程会满吗？\r\n- [ ] 磁盘会满吗？\r\n\r\n### 状态检查\r\n- [ ] 长时间运行会出问题吗？\r\n- [ ] 会话超时会怎样？\r\n- [ ] 累计操作会影响什么？\r\n\r\n### 数据检查\r\n- [ ] 跨服务数据同步正常吗？\r\n- [ ] 分布式事务会失败吗？\r\n- [ ] 缓存与数据库一致吗？\r\n\r\n### 第三方检查\r\n- [ ] Mock与真实行为一致吗？\r\n- [ ] 第三方异常会怎样？\r\n- [ ] 第三方降级会怎样？\r\n\r\n## Examples\r\n\r\n**AI生成了一组登录功能测试用例**\r\n→ 扫描六大盲区：\r\n - 时序盲区：未测试\"登录中切换页面\"场景\r\n - 并发盲区：未测试\"多设备同时登录\"场景\r\n→ 为每个盲区补充2-3个测试场景，标注风险等级\r\n\r\n**用户说\"还有没有遗漏\"**\r\n→ 启动六大盲区逐一排查，输出补盲报告\r\n→ 每个补盲用例带唯一ID（BS-XXXX）并关联原始用例\r\n\r\n## Guidelines\r\n\r\n补盲完成后检查：\r\n- [ ] 是否覆盖了六大盲区？\r\n- [ ] 补盲场景是否可执行？\r\n- [ ] 补盲场景风险是否标注？\r\n- [ ] 补盲场景优先级是否合理？\n\nFile v1.4.0:_meta.json\n\n{\n \"ownerId\": \"kn71y9b23csfx0ykgm55d5m9x5891zt8\",\n \"slug\": \"qa-ai-blindspot-compensation\",\n \"version\": \"1.4.0\",\n \"publishedAt\": 1782277341564\n}\n\nFile v1.4.0:skill-card.md\n\n## Description:
\nIdentifies testing blind spots in AI-generated QA output and adds scenarios for timing, concurrency, resource contention, accumulated state, data consistency, and third-party integration risks.
\n\nThis skill is ready for commercial/non-commercial use.
\n\n## Publisher:
\n[kokxi](https://clawhub.ai/user/kokxi)
\n\n### License/Terms of Use:
\nMIT-0
\n\n\n## Use Case:
\nQA engineers, developers, and test reviewers use this skill after AI-generated test cases are reviewed to identify missed scenarios and generate additional blindspot test cases with traceability to requirements and original test cases.
\n\n### Deployment Geography for Use:
\nGlobal
\n\n## Known Risks and Mitigations:
\nRisk: Broad activation wording may trigger blindspot analysis during casual review questions.
\nMitigation: Use explicit wording or disable the skill when casual discussion is desired.
\nRisk: Generated blindspot cases may be incomplete, duplicative, or impractical for the target system.
\nMitigation: Review added cases against requirements, system constraints, and existing coverage before adopting them.
\n\n\n## Reference(s):
\n- [ClawHub skill page](https://clawhub.ai/kokxi/skills/qa-ai-blindspot-compensation)
\n- [Publisher profile](https://clawhub.ai/user/kokxi)
\n\n\n## Skill Output:
\n**Output Type(s):** [text, markdown, guidance]
\n**Output Format:** [Markdown report with checklist and tabular test-case additions]
\n**Output Parameters:** [1D]
\n**Other Properties Related to Output:** [Outputs blindspot IDs, associated requirement IDs, original test case IDs, blindspot type, risk level, testing difficulty, recommended depth, and new test cases.]
\n\n## Skill Version(s):
\n1.4.0 (source: server release metadata)
\n\n## Ethical Considerations:
\nUsers should evaluate whether this skill is appropriate for their environment, review any generated or modified files before relying on them, and apply their organization's safety, security, and compliance requirements before deployment.
","readmeExcerpt":"Skill: qa-ai-blindspot-compensation Owner: kokxi Summary: 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, s","codeSnippets":[],"executableExamples":[{"language":"markdown","snippet":"## 补盲报告\n\n### 盲区覆盖情况\n| 盲区类型 | 原有用例 | 补盲用例 | 覆盖状态 |\n|---------|---------|---------|---------|\n| 时序依赖 | X条 | X条 | ✓/✗ |\n| 并发冲突 | X条 | X条 | ✓/✗ |\n| 资源竞争 | X条 | X条 | ✓/✗ |\n| 状态累积 | X条 | X条 | ✓/✗ |\n| 数据一致性 | X条 | X条 | ✓/✗ |\n| 第三方集成 | X条 | X条 | ✓/✗ |\n\n### 补盲用例清单\n| 用例编号 | 盲区类型 | 测试标题 | 关联需求 |\n|---------|---------|---------|---------|\n| BS_XXX_001 | 时序依赖 | [标题] | REQ-XXXX |"},{"language":"text","snippet":"对照六大盲区，检查当前测试场景：\n- [ ] 时序依赖：有没有操作顺序影响结果的场景？\n- [ ] 并发冲突：有没有多人同时操作的场景？\n- [ ] 资源竞争：有没有资源可能耗尽的场景？\n- [ ] 状态累积：有没有长时间运行的场景？\n- [ ] 数据一致性：有没有分布式数据同步的场景？\n- [ ] 第三方集成：有没有依赖外部服务的场景？"},{"language":"text","snippet":"对每个识别出的盲区，生成专项测试场景：\n\n时序依赖补盲：\n1. 打乱操作顺序，验证结果\n2. 测试操作中间状态\n3. 验证操作依赖关系\n\n并发冲突补盲：\n1. 多用户同时编辑同一数据\n2. 同一用户多设备同时操作\n3. 并发请求导致数据不一致\n\n资源竞争补盲：\n1. 模拟内存不足\n2. 模拟连接池耗尽\n3. 模拟线程池满\n\n状态累积补盲：\n1. 长时间运行测试\n2. 会话超时测试\n3. 累计操作测试\n\n数据一致性补盲：\n1. 跨服务数据同步测试\n2. 分布式事务测试\n3. 缓存一致性测试\n\n第三方集成补盲：\n1. Mock与真实行为对比\n2. 第三方异常模拟\n3. 第三方降级测试"},{"language":"text","snippet":"为每个补盲场景标注：\n- 盲区类型：[时序/并发/资源/状态/数据/第三方]\n- 风险等级：高/中/低\n- 测试难度：高/中/低\n- 建议测试深度：深测/常规/冒烟"},{"language":"text","snippet":"典型场景：\n- 操作A必须在操作B之前执行\n- 操作A执行后需要等待才能执行操作B\n- 操作A和操作B的执行顺序会影响结果\n\n补盲检查清单：\n- [ ] 操作顺序变更是否影响结果？\n- [ ] 操作中间状态是否处理？\n- [ ] 操作依赖关系是否验证？\n- [ ] 并发操作的时序是否测试？\n\n补盲问法：\n\"请检查这些场景中，操作顺序变更会影响结果的情况\"\n\"如果用户不按预期顺序操作，会发生什么？\"\n\"哪些场景有时序依赖？\""},{"language":"text","snippet":"典型场景：\n- 多人同时编辑同一数据\n- 同一用户多设备同时操作\n- 并发请求导致数据不一致\n\n补盲检查清单：\n- [ ] 多人同时操作是否测试？\n- [ ] 多设备同时操作是否测试？\n- [ ] 并发请求是否导致数据不一致？\n- [ ] 锁机制是否验证？\n\n补盲问法：\n\"请分析并发场景：多用户同时操作会怎样？\"\n\"如果用户在多个设备同时登录会怎样？\"\n\"并发请求会导致什么问题？\""}],"parameters":null,"dependencies":[],"permissions":[],"extractedFiles":[{"path":"SKILL.md","content":"---\nname: qa-ai-blindspot-compensation\ndescription: >-\n 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.\nlicense: MIT\nallowed-tools: Read Grep Glob\nmetadata:\n display-name: \"Ai Blindspot Compensation\"\n version: \"1.8.0\"\n when-to-use: \"AI输出评审完成后自动激活；用户说\\\"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\"\n related-skills: \"{\\\"upstream\\\":[\\\"qa-ai-output-critique\\\"],\\\"downstream\\\":[\\\"qa-test-skills\\\",\\\"qa-expert-review\\\",\\\"qa-output-validation\\\"]}\"\n references: \"[\\\"references/blindspot-details.md\\\"]\"\n input-format: \"{\\\"required\\\":[{\\\"name\\\":\\\"测试用例\\\",\\\"type\\\":\\\"array\\\",\\\"description\\\":\\\"AI生成的测试用例列表，包含用例编号、需求ID、风险ID\\\"},{\\\"name\\\":\\\"需求解构表\\\",\\\"type\\\":\\\"object\\\",\\\"description\\\":\\\"来自qa-req-deconstruction，包含需求ID列表\\\"}],\\\"optional\\\":[{\\\"name\\\":\\\"评审报告\\\",\\\"type\\\":\\\"object\\\",\\\"description\\\":\\\"来自qa-ai-output-critique的评审结果\\\"}]}\"\n output-format: \"{\\\"structure\\\":[\\\"覆盖率：标注口径（基于现有需求/输入文档），禁止\\\\\\\"全覆盖/100%\\\\\\\"绝对化表述；缺失模块标注\\\\\\\"未覆盖+原因\\\\\\\"\\\",{\\\"blindspot_id\\\":\\\"BS-XXXX\\\"},{\\\"requirement_ids\\\":[\\\"REQ-XXXX\\\"]},{\\\"original_tc_ids\\\":[\\\"TC_{模块缩写}_{功能缩写}_{序号}\\\"]},{\\\"blindspot_type\\\":\\\"盲区类型\\\"},{\\\"new_test_cases\\\":\\\"补盲用例列表\\\"}],\\\"traceability\\\":[\\\"每个补盲用例带唯一ID（BS-XXXX）\\\",\\\"关联原始用例ID（TC_{模块缩写}_{功能缩写}_{序号}，如 TC_API_LOGIN_001）\\\",\\\"关联需求ID：REQ-{需求模块缩写}-{序号}\\\"]}\"\n error-recovery-guidance: \"{\\\"on_failure\\\":\\\"盲区补盲遗漏维度时回退到评审报告定位遗漏点\\\",\\\"retry_behavior\\\":\\\"补充遗漏盲区类型后重新生成补盲用例\\\"}\"\n categories: \"[\\\"Development\\\",\\\"Testing\\\",\\\"AI\\\"]\"\n depth-requirement: \"{\\\"reference_value\\\":\\\"根据测试复杂度和风险等级调整补盲深度：简单x1/中等x2/复杂x3\\\",\\\"minimum\\\":\\\"至少覆盖边界盲区、场景盲区、数据盲区3个维度中的2个\\\"}\"\n---\n> ⚠️ 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\n\n# AI 盲区补偿\n\n## 核心原则\n\nAI有系统性的盲区，专家知道在哪些维度上主动补盲。\n\n**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。\n\n## AI 六大已知盲区\n\n> 每个盲区的典型场景、检查清单、补盲问法详见 [`references/blindspot-details.md`](references/blindspot-details.md)。\n\n| 盲区 | AI的典型盲点 | 补盲方向 |\n|------|-------------|---------|\n| 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 |\n| 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 |\n| 资源竞争 | 不思考\"资源耗尽\" | 内存/连接/线程/磁盘不足 |\n| 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 |\n| 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 |\n| 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 |\n\n> **国内业务常见实例**（补盲时优先对照）：\n\n| 盲区 | 国内业务实例 |\n|------|-------------|\n| 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 |\n| 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 |\n| 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 |\n| 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 |\n| 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 |\n| 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 |\n\n### 补盲检查清单\n- [ ] 时序依赖：操作顺序变更是否影响结果？\n- [ ] 并发冲突：多人同时操作是否测试？\n- [ ] 资源竞争：资源耗尽场景是否覆盖？\n- [ ] 状态累积：长时间运行是否测试？\n- [ ] 数"},{"path":"_meta.json","content":"{\n \"ownerId\": \"kn71y9b23csfx0ykgm55d5m9x5891zt8\",\n \"slug\": \"qa-ai-blindspot-compensation\",\n \"version\": \"1.8.0\",\n \"publishedAt\": 1790655892734\n}"},{"path":"references/blindspot-details.md","content":"# 六大盲区详解\n\n> 本文档是 `qa-ai-blindspot-compensation` 的参考文件。执行补盲时，按以下六个维度逐一排查。\n\n---\n\n## 盲区1：时序依赖（必检）\n**问题**：AI不擅长思考\"操作顺序变更\"的影响\n\n```\n典型场景：\n- 操作A必须在操作B之前执行\n- 操作A执行后需要等待才能执行操作B\n- 操作A和操作B的执行顺序会影响结果\n\n补盲检查清单：\n- [ ] 操作顺序变更是否影响结果？\n- [ ] 操作中间状态是否处理？\n- [ ] 操作依赖关系是否验证？\n- [ ] 并发操作的时序是否测试？\n\n补盲问法：\n\"请检查这些场景中，操作顺序变更会影响结果的情况\"\n\"如果用户不按预期顺序操作，会发生什么？\"\n\"哪些场景有时序依赖？\"\n```\n\n---\n\n## 盲区2：并发冲突（必检）\n**问题**：AI不擅长思考\"多人同时操作\"的场景\n\n```\n典型场景：\n- 多人同时编辑同一数据\n- 同一用户多设备同时操作\n- 并发请求导致数据不一致\n\n补盲检查清单：\n- [ ] 多人同时操作是否测试？\n- [ ] 多设备同时操作是否测试？\n- [ ] 并发请求是否导致数据不一致？\n- [ ] 锁机制是否验证？\n\n补盲问法：\n\"请分析并发场景：多用户同时操作会怎样？\"\n\"如果用户在多个设备同时登录会怎样？\"\n\"并发请求会导致什么问题？\"\n```\n\n---\n\n## 盲区3：资源竞争（必检）\n**问题**：AI不擅长思考\"资源耗尽\"的场景\n\n```\n典型场景：\n- 内存泄漏导致服务崩溃\n- 数据库连接池耗尽\n- 线程池满导致请求排队\n- 磁盘空间不足\n\n补盲检查清单：\n- [ ] 内存泄漏是否测试？\n- [ ] 连接池耗尽是否测试？\n- [ ] 线程池满是否测试？\n- [ ] 磁盘空间不足是否测试？\n\n补盲问法：\n\"请分析资源耗尽场景：内存/连接/线程/磁盘不足时会怎样？\"\n\"长时间运行后会出现什么资源问题？\"\n\"高并发下资源会怎么变化？\"\n```\n\n---\n\n## 盲区4：状态累积（必检）\n**问题**：AI不擅长思考\"长时间运行后的状态漂移\"\n\n```\n典型场景：\n- 会话超时后的状态处理\n- 长时间操作中间状态丢失\n- 累计操作导致的数据膨胀\n- 缓存过期后的数据一致性\n\n补盲检查清单：\n- [ ] 会话超时是否测试？\n- [ ] 长时间运行是否测试？\n- [ ] 累计操作是否测试？\n- [ ] 缓存过期是否测试？\n\n补盲问法：\n\"请分析状态累积场景：长时间运行会出什么问题？\"\n\"会话超时后会发生什么？\"\n\"累计操作会影响什么？\"\n```\n\n---\n\n## 盲区5：数据一致性（必检）\n**问题**：AI不擅长思考\"分布式场景\"的数据问题\n\n```\n典型场景：\n- 跨服务数据同步延迟\n- 分布式事务失败回滚\n- 主从数据库不一致\n- 缓存与数据库不一致\n\n补盲检查清单：\n- [ ] 跨服务数据同步是否测试？\n- [ ] 分布式事务是否测试？\n- [ ] 主从数据库一致性是否测试？\n- [ ] 缓存与数据库一致性是否测试？\n\n补盲问法：\n\"请分析分布式场景：数据一致性会出什么问题？\"\n\"跨服务调用失败会怎样？\"\n\"缓存与数据库不一致会怎样？\"\n```\n\n---\n\n## 盲区6：第三方集成（必检）\n**问题**：AI不擅长思考\"Mock与真实行为的差异\"\n\n```\n典型场景：\n- Mock响应与真实响应不同\n- 第三方服务超时/异常\n- 第三方接口变更\n- 第三方服务降级/熔断\n\n补盲检查清单：\n- [ ] Mock与真实行为是否对比？\n- [ ] 第三方异常是否测试？\n- [ ] 第三方接口变更是否考虑？\n- [ ] 第三方降级是否测试？\n\n补盲问法：\n\"请分析第三方集成场景：Mock与真实行为有什么差异？\"\n\"第三方服务异常会怎样？\"\n\"第三方接口变更会影响什么？\"\n```"},{"path":"skill-card.md","content":"## Description:\n\nReviews AI-generated test cases against six common blind-spot categories and proposes traceable additional test scenarios.\n\nThis skill is ready for commercial/non-commercial use.\n\n## Publisher:\n\n[kokxi](https://clawhub.ai/user/kokxi)\n\n### License/Terms of Use:\n\nMIT-0\n\n## Use Case:\n\nQA engineers and developers use this Chinese-language checklist after reviewing AI-generated test cases to identify missing timing, concurrency, resource, state, data-consistency, and third-party integration scenarios. The skill suggests risk-ranked supplemental cases linked to requirements and original tests.\n\n### Deployment Geography for Use:\n\nGlobal\n\n## Known Risks and Mitigations:\n\nRisk: Reviewing unintended local files may expose unrelated or sensitive information.\n\nMitigation: Limit file reads to the requirements and test cases selected for review.\n\nRisk: The optional command to install a companion skill would add code from a separately sourced package.\n\nMitigation: Do not run the optional installation command unless its package and source have been independently trusted.\n\nRisk: A checklist-based coverage report can overstate completeness when requirements or test inputs are missing.\n\nMitigation: State the coverage basis, mark missing modules as uncovered with reasons, and avoid claims of full or 100% coverage.\n\n## Reference(s):\n\n- [ClawHub skill release](https://clawhub.ai/kokxi/skills/qa-ai-blindspot-compensation)\n- [Six blind-spot categories and checklists](artifact/references/blindspot-details.md)\n\n## Skill Output:\n\n**Output Type(s):** [Markdown, Guidance]\n\n**Output Format:** [Markdown blind-spot report with coverage and supplemental test-case tables]\n\n**Output Parameters:** [1D]\n\n**Other Properties Related to Output:** [Supplemental cases include blind-spot category, risk level, and links to requirement and original test IDs; coverage is scoped to supplied materials.]\n\n## Skill Version(s):\n\n1.8.0 (source: skill frontmatter and ClawHub release)\n\n## Ethical Considerations:\n\nUsers should evaluate whether this skill is appropriate for their environment, review any generated or modified files before relying on them, and apply their organization's safety, security, and compliance requirements before deployment."}],"languages":[],"docsSourceLabel":"CLAWHUB","editorialOverview":"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. Skill: qa-ai-blindspot-compensation Owner: kokxi Summary: 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, s","editorialQuality":{"score":100,"threshold":65,"status":"ready","wordCount":1129,"uniquenessScore":48,"reasons":[]}},"media":{"evidence":{"source":"no-media","verified":false,"confidence":"low","updatedAt":"2026-10-11T04:01:59.605Z","emptyReason":"No screenshots, media assets, or demo links are available."},"primaryImageUrl":null,"mediaAssetCount":0,"assets":[],"demoUrl":null},"ownerResources":{"evidence":{"source":"unclaimed","verified":false,"confidence":"low","updatedAt":"2026-10-11T04:01:59.605Z","emptyReason":"This page has not been claimed by the agent owner."},"hasCustomPage":false,"customPageUpdatedAt":null,"customLinks":[],"structuredLinks":{"docsUrl":null,"demoUrl":null,"supportUrl":null,"pricingUrl":null,"statusUrl":null},"customPage":null},"relatedAgents":{"evidence":{"source":"protocol-neighbors","verified":false,"confidence":"medium","updatedAt":"2026-10-11T07:42:45.233Z","emptyReason":null},"items":[{"id":"8ebccd8e-3863-4187-8355-c3f14e1f9edf","entityType":"agent","canonicalPath":"/agent/iofficeai-aionui","slug":"iofficeai-aionui","name":"AionUi","description":"Free, local, open-source 24/7 Cowork app and OpenClaw for Gemini CLI, Claude Code, Codex, OpenCode, Qwen Code, Goose CLI, Auggie, and more | 🌟 Star if you like it!","url":"https://github.com/iOfficeAI/AionUi","homepage":"https://www.aionui.com","source":"GITHUB_REPOS","protocols":["MCP","OPENCLAW"],"capabilities":[],"safetyScore":100,"overallRank":70,"updatedAt":"2026-10-09T19:11:12.944Z","createdAt":"2026-02-25T03:38:16.584Z","downloads":null},{"id":"b917f68a-ebff-438e-84f8-3f4b2494c0bc","entityType":"agent","canonicalPath":"/agent/activepieces-activepieces","slug":"activepieces-activepieces","name":"activepieces","description":"AI Agents & MCPs & AI Workflow Automation • (~400 MCP servers for AI agents) • AI Automation / AI Agent with MCPs • AI Workflows & AI Agents • MCPs for AI Agents","url":"https://github.com/activepieces/activepieces","homepage":"https://www.activepieces.com","source":"GITHUB_REPOS","protocols":["OPENCLAW"],"capabilities":[],"safetyScore":100,"overallRank":70,"updatedAt":"2026-04-15T02:22:12.426Z","createdAt":"2026-02-25T03:38:12.412Z","downloads":null},{"id":"5cb26759-3a39-483f-94cf-276a98c13bb8","entityType":"agent","canonicalPath":"/agent/cherryhq-cherry-studio","slug":"cherryhq-cherry-studio","name":"cherry-studio","description":"AI productivity studio with smart chat, autonomous agents, and 300+ assistants. Unified access to frontier LLMs","url":"https://github.com/CherryHQ/cherry-studio","homepage":"https://cherry-ai.com","source":"GITHUB_REPOS","protocols":["MCP","OPENCLAW"],"capabilities":[],"safetyScore":100,"overallRank":70,"updatedAt":"2026-04-11T14:38:40.986Z","createdAt":"2026-02-25T03:38:19.379Z","downloads":null},{"id":"6f6582d0-5d76-4f0f-b81d-86520247950b","entityType":"agent","canonicalPath":"/agent/copilotkit-copilotkit","slug":"copilotkit-copilotkit","name":"CopilotKit","description":"The Frontend for Agents & Generative UI. React + Angular","url":"https://github.com/CopilotKit/CopilotKit","homepage":"https://docs.copilotkit.ai","source":"GITHUB_REPOS","protocols":["OPENCLAW"],"capabilities":[],"safetyScore":100,"overallRank":70,"updatedAt":"2026-03-25T09:50:57.846Z","createdAt":"2026-02-25T03:39:14.617Z","downloads":null}],"links":{"hub":"/agent","source":"/agent/source/clawhub","protocols":[{"label":"OpenClaw","href":"/agent/protocol/openclew"}]}}}