{"id":"31fbd5a4-a26f-4ca3-a719-36c688b4d1b8","entityType":"agent","slug":"clawhub-kokxi-qa-ai-prompt-strategy","name":"qa-ai-prompt-strategy","canonicalUrl":"https://www.xpersona.co/agent/clawhub-kokxi-qa-ai-prompt-strategy","canonicalPath":"/agent/clawhub-kokxi-qa-ai-prompt-strategy","generatedAt":"2026-10-11T10:52:25.908Z","source":"CLAWHUB","claimStatus":"UNCLAIMED","verificationTier":"NONE","summary":{"evidence":{"source":"editorial-content","verified":true,"confidence":"high","updatedAt":"2026-10-11T07:15:28.443Z","emptyReason":null},"description":"根据不同的测试目标和上下文，选择最佳的提示词模式来驱动AI生成高质量的测试用例。当AI输出的测试用例质量不够好、太泛泛、或者深度不够时，问题往往不在AI而在提示词。此技能提供结构化提示词模板，注入前面步骤产出的分析结果，输出包含角色定义、输出格式规范和约束条件的优化提示词。⚠️ 作为工作流的必过步骤，不得跳过。 触发场景：怎么问AI、AI回答不好、换个方式问、提示词、提问模板、提示词优化、角色扮演、AI输出太浅需要更深时。 Use when the user asks about: choosing or optimizing the prompt that drives test case generation — role definition, output format constraints, and injection of prior analysis results. Skill: qa-ai-prompt-strategy Owner: kokxi Summary: 根据不同的测试目标和上下文，选择最佳的提示词模式来驱动AI生成高质量的测试用例。当AI输出的测试用例质量不够好、太泛泛、或者深度不够时，问题往往不在AI而在提示词。此技能提供结构化提示词模板，注入前面步骤产出的分析结果，输出包含角色定义、输出格式规范和约束条件的优化提示词。⚠️ 作为工作流的必过步骤，不得跳过。 触发场景：怎么问AI、AI回答不好、换个方式问、提示词、提问模板、提示词优化、角色扮演、AI输出太浅需要更深时。 Use when the user asks about: choosing or optimizing the prompt that drives test case generation — role definition, output format constraints, and injectio","descriptionLabel":"Technical summary","evidenceSummary":"Capability contract not published. No trust telemetry is available yet. 1.1K downloads reported by the source. Last updated 10/11/2026.","installCommand":"clawhub skill install s170jw3s1atcj5jwhqb4r7v7eh8912kp:qa-ai-prompt-strategy","sourceUrl":"https://clawhub.ai/kokxi/qa-ai-prompt-strategy","homepage":"https://clawhub.ai/kokxi/skills/qa-ai-prompt-strategy","primaryLinks":[{"label":"View on ClawHub","url":"https://clawhub.ai/kokxi/qa-ai-prompt-strategy","kind":"source"},{"label":"Homepage","url":"https://clawhub.ai/kokxi/skills/qa-ai-prompt-strategy","kind":"homepage"}],"safetyScore":84,"overallRank":62,"popularityScore":61,"trustScore":null,"claimedByName":null,"isOwner":false,"seoDescription":"根据不同的测试目标和上下文，选择最佳的提示词模式来驱动AI生成高质量的测试用例。当AI输出的测试用例质量不够好、太泛泛、或者深度不够时，问题往往不在AI而在提示词。此技能提供结构化提示词模板，注入前面步骤产出的分析结果，输出包含角色定义、输出格式规范和约束条件的优化提示词。⚠️ 作为工作流的必过步骤，不得跳过。 触发场"},"coverage":{"evidence":{"source":"public-profile","verified":false,"confidence":"medium","updatedAt":"2026-10-11T07:15:28.443Z","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":"2026-10-11T07:15:28.443Z","emptyReason":null},"stars":null,"forks":null,"downloads":1126,"packageName":null,"latestVersion":"1.8.0","tractionLabel":"1.1K downloads"},"release":{"evidence":{"source":"CLAWHUB","verified":false,"confidence":"medium","updatedAt":"2026-10-11T07:15:28.430Z","emptyReason":null},"lastUpdatedAt":"2026-10-11T07:15:28.443Z","lastCrawledAt":"2026-10-11T07:15:28.430Z","lastIndexedAt":null,"nextCrawlAt":"2026-10-12T07:15:28.430Z","lastVerifiedAt":null,"highlights":[{"version":"1.8.0","createdAt":"2026-09-29T04:25:13.897Z","changelog":"**Changelog for version 1.8.0:** - Extracted the full prompt pattern templates (“六大提示词模式”) into a new file (`references/prompt-patterns.md`) to reduce context usage during each trigger. - SKILL.md updated: now references the external prompt pattern file and clarifies when this resource is loaded. - Skill metadata and structure refactored for better clarity, and now includes all behavioral cues and parameters in a machine-readable format. - Removed obsolete `skill-card.md` file. - Improved documentation for loading timing and usage guidance, without changing existing workflow logic.","fileCount":4,"zipByteSize":7200},{"version":"1.7.7","createdAt":"2026-09-27T14:31:51.470Z","changelog":"1.7.7","fileCount":3,"zipByteSize":6168},{"version":"1.7.6","createdAt":"2026-09-01T12:35:34.323Z","changelog":"显示名改中文","fileCount":3,"zipByteSize":6610},{"version":"1.7.5","createdAt":"2026-08-30T15:10:35.327Z","changelog":"1.7.5: 版本号升级","fileCount":3,"zipByteSize":6276},{"version":"1.7.0","createdAt":"2026-08-16T14:34:01.789Z","changelog":"- Bumped version to 1.7.0. - Removed the file skill-card.md. - No changes made to functional documentation or behavior in SKILL.md.","fileCount":3,"zipByteSize":5289},{"version":"1.6.3","createdAt":"2026-08-12T15:20:29.020Z","changelog":"- Added English fields: slug and displayName for broader compatibility. - Bumped version to 1.6.3. - Removed the obsolete skill-card.md file. - No changes to core functionality or documentation content.","fileCount":3,"zipByteSize":5162},{"version":"1.6.0","createdAt":"2026-07-06T17:13:55.882Z","changelog":"- Added new metadata fields: categories, error_recovery_guidance, and output_format.traceability. - Expanded output_format section with traceability information. - Updated error handling and guidance for failed prompt optimization. - Removed the file skill-card.md. - Minor refinements and clarifications to markdown sections for consistency.","fileCount":3,"zipByteSize":5276},{"version":"1.5.0","createdAt":"2026-06-29T12:30:55.750Z","changelog":"- Rewrote and streamlined the skill documentation for clarity and workflow enforcement, adding a required version field. - Improved input/output format specification: now includes explicit required/optional fields and specifies the structured output. - Added depth requirement quantification for selecting prompt strategy depth based on complexity. - Clarified the mandatory role of this skill in workflows—cannot be skipped. - Removed deprecated skill-card.md file.","fileCount":3,"zipByteSize":5147}]},"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-prompt-strategy","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-prompt-strategy/snapshot","contractUrl":"https://www.xpersona.co/api/v1/agents/clawhub-kokxi-qa-ai-prompt-strategy/contract","trustUrl":"https://www.xpersona.co/api/v1/agents/clawhub-kokxi-qa-ai-prompt-strategy/trust"},"curlExamples":["curl -s \"https://www.xpersona.co/api/v1/agents/clawhub-kokxi-qa-ai-prompt-strategy/snapshot\"","curl -s \"https://www.xpersona.co/api/v1/agents/clawhub-kokxi-qa-ai-prompt-strategy/contract\"","curl -s \"https://www.xpersona.co/api/v1/agents/clawhub-kokxi-qa-ai-prompt-strategy/trust\""],"jsonRequestTemplate":{"query":"summarize this repo","constraints":{"maxLatencyMs":2000,"protocolPreference":["OPENCLEW"]}},"jsonResponseTemplate":{"ok":true,"result":{"summary":"...","confidence":0.9},"meta":{"source":"CLAWHUB","generatedAt":"2026-10-11T10:52:25.907Z"}},"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-prompt-strategy/dossier","snapshotUrl":"https://www.xpersona.co/api/v1/agents/clawhub-kokxi-qa-ai-prompt-strategy/snapshot","contractUrl":"https://www.xpersona.co/api/v1/agents/clawhub-kokxi-qa-ai-prompt-strategy/contract","trustUrl":"https://www.xpersona.co/api/v1/agents/clawhub-kokxi-qa-ai-prompt-strategy/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":"2026-10-11T07:15:28.443Z","emptyReason":null},"readme":"Skill: qa-ai-prompt-strategy\n\nOwner: kokxi\n\nSummary: 根据不同的测试目标和上下文，选择最佳的提示词模式来驱动AI生成高质量的测试用例。当AI输出的测试用例质量不够好、太泛泛、或者深度不够时，问题往往不在AI而在提示词。此技能提供结构化提示词模板，注入前面步骤产出的分析结果，输出包含角色定义、输出格式规范和约束条件的优化提示词。⚠️ 作为工作流的必过步骤，不得跳过。 触发场景：怎么问AI、AI回答不好、换个方式问、提示词、提问模板、提示词优化、角色扮演、AI输出太浅需要更深时。 Use when the user asks about: choosing or optimizing the prompt that drives test case generation — role definition, output format constraints, and injection of prior analysis results.\n\nTags: latest:1.8.0\n\nVersion history:\n\nv1.8.0 | 2026-09-29T04:25:13.897Z | auto\n\n**Changelog for version 1.8.0:**\n\n- Extracted the full prompt pattern templates (“六大提示词模式”) into a new file (`references/prompt-patterns.md`) to reduce context usage during each trigger.\n- SKILL.md updated: now references the external prompt pattern file and clarifies when this resource is loaded.\n- Skill metadata and structure refactored for better clarity, and now includes all behavioral cues and parameters in a machine-readable format.\n- Removed obsolete `skill-card.md` file.\n- Improved documentation for loading timing and usage guidance, without changing existing workflow logic.\n\nv1.7.7 | 2026-09-27T14:31:51.470Z | user\n\n1.7.7\n\nv1.7.6 | 2026-09-01T12:35:34.323Z | user\n\n显示名改中文\n\nv1.7.5 | 2026-08-30T15:10:35.327Z | user\n\n1.7.5: 版本号升级\n\nv1.7.0 | 2026-08-16T14:34:01.789Z | auto\n\n- Bumped version to 1.7.0.\n- Removed the file skill-card.md.\n- No changes made to functional documentation or behavior in SKILL.md.\n\nv1.6.3 | 2026-08-12T15:20:29.020Z | auto\n\n- Added English fields: slug and displayName for broader compatibility.\n- Bumped version to 1.6.3.\n- Removed the obsolete skill-card.md file.\n- No changes to core functionality or documentation content.\n\nv1.6.0 | 2026-07-06T17:13:55.882Z | auto\n\n- Added new metadata fields: categories, error_recovery_guidance, and output_format.traceability.\n- Expanded output_format section with traceability information.\n- Updated error handling and guidance for failed prompt optimization.\n- Removed the file skill-card.md. \n- Minor refinements and clarifications to markdown sections for consistency.\n\nv1.5.0 | 2026-06-29T12:30:55.750Z | auto\n\n- Rewrote and streamlined the skill documentation for clarity and workflow enforcement, adding a required version field.\n- Improved input/output format specification: now includes explicit required/optional fields and specifies the structured output.\n- Added depth requirement quantification for selecting prompt strategy depth based on complexity.\n- Clarified the mandatory role of this skill in workflows—cannot be skipped.\n- Removed deprecated skill-card.md file.\n\nv1.4.1 | 2026-06-24T05:04:29.406Z | auto\n\nNo changes detected in this version (1.4.1).\n\n- No file changes between this and the previous version.\n- Functionality, templates, and documentation remain the same.\n\nv1.4.0 | 2026-06-24T05:02:52.733Z | auto\n\nVersion 1.4.0\n\n- Enhanced SKILL.md with an expanded description, more detailed trigger conditions, and extensive keyword coverage.\n- Added new sections: Overview, 模式组合策略 (mode combination strategy), Guidelines, and 常见反模式 (common anti-patterns).\n- Improved the mode selection guide to include advantages, limitations, and complexity for each prompt mode.\n- Updated examples to highlight optimization strategies.\n- Removed the file skill-card.md for simplification.\n\nv1.3.0 | 2026-06-21T04:49:33.492Z | auto\n\nqa-ai-prompt-strategy 1.3.0\n\n- Added a comprehensive, structured prompt strategy guide (中文) focused on enhancing AI-generated test cases and outputs.\n- Introduced six major prompt modes (结构化输出, 角色扮演, 分步引导, 反向质疑, 多视角, 对抗) to cover diverse testing needs.\n- Provided concrete templates for each mode and guidelines for selecting the right mode based on testing goals.\n- Defined strict prompt optimization criteria, including coverage dimensions and output format requirements.\n- Included practical usage examples and comparison between ordinary and optimized queries.\n\nArchive index:\n\nArchive v1.8.0: 4 files, 7200 bytes\n\nFiles: references/prompt-patterns.md (3105b), skill-card.md (1705b), SKILL.md (8206b), _meta.json (140b)\n\nFile v1.8.0:SKILL.md\n\n---\nname: qa-ai-prompt-strategy\ndescription: >-\n  根据不同的测试目标和上下文，选择最佳的提示词模式来驱动AI生成高质量的测试用例。当AI输出的测试用例质量不够好、太泛泛、或者深度不够时，问题往往不在AI而在提示词。此技能提供结构化提示词模板，注入前面步骤产出的分析结果，输出包含角色定义、输出格式规范和约束条件的优化提示词。⚠️ 作为工作流的必过步骤，不得跳过。 触发场景：怎么问AI、AI回答不好、换个方式问、提示词、提问模板、提示词优化、角色扮演、AI输出太浅需要更深时。 Use when the user asks about: choosing or optimizing the prompt that drives test case generation — role definition, output format constraints, and injection of prior analysis results.\nlicense: MIT\nallowed-tools: Read Grep Glob\nmetadata:\n  display-name: \"Ai Prompt Strategy\"\n  version: \"1.8.0\"\n  when-to-use: \"用户说\\\"怎么问AI\\\"、\\\"AI回答不好\\\"、\\\"换个方式问\\\"、\\\"提示词\\\"、\\\"提问模板\\\"、\\\"提示词优化\\\"、\\\"角色扮演\\\"、需要不同测试视角、AI输出太浅需要更深时\"\n  related-skills: \"{\\\"upstream\\\":[\\\"qa-ai-context-engineering\\\"],\\\"downstream\\\":[\\\"qa-ai-output-critique\\\"]}\"\n  references: \"[\\\"references/prompt-patterns.md\\\"]\"\n  input-format: \"{\\\"required\\\":[{\\\"name\\\":\\\"AI上下文包\\\",\\\"type\\\":\\\"object\\\",\\\"description\\\":\\\"来自qa-ai-context-engineering的上下文包\\\"}],\\\"optional\\\":[{\\\"name\\\":\\\"输出格式要求\\\",\\\"type\\\":\\\"string\\\",\\\"description\\\":\\\"期望的输出格式和规范\\\"},{\\\"name\\\":\\\"约束条件\\\",\\\"type\\\":\\\"string\\\",\\\"description\\\":\\\"提示词的约束和限制\\\"}]}\"\n  output-format: \"{\\\"traceability\\\":[\\\"本技能生成提示词，不产出唯一ID\\\"],\\\"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\\\\\\\"\\\",{\\\"optimized_prompt\\\":\\\"优化后的提示词\\\"},{\\\"role_definition\\\":\\\"角色定义\\\"},{\\\"output_format_spec\\\":\\\"输出格式规范\\\"},{\\\"constraint_list\\\":\\\"约束条件列表\\\"}]}\"\n  error-recovery-guidance: \"{\\\"on_failure\\\":\\\"提示词输出质量不达标时回退到上下文工程步骤\\\",\\\"retry_behavior\\\":\\\"补充上下文要素后重新优化提示词\\\"}\"\n  categories: \"[\\\"Development\\\",\\\"Testing\\\",\\\"AI\\\"]\"\n  depth-requirement: \"{\\\"reference_value\\\":\\\"根据场景复杂度和输出要求调整策略深度：简单x1/中等x2/复杂x3\\\",\\\"minimum\\\":\\\"至少包含角色定义、输出格式、约束条件3个核心要素\\\"}\"\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 提示词策略\n\n## 核心原则\n\n不同的测试目标，需要不同的提问模式。\n\n## 提示词优化要求\n\n**关键指标**：提示词必须包含以下要素\n\n```text\n1. 角色定义：你是[领域]资深测试专家\n2. 输出数量：生成[N]条测试用例（N = 需求数量 × 5）\n3. 覆盖维度：必须覆盖以下维度\n   - 功能测试：[具体功能点]\n   - 异常测试：[异常场景类型]\n   - 边界测试：[边界条件类型]\n   - 并发测试：[并发场景]\n   - 安全测试：[安全风险点]\n   - 性能测试：[性能指标]\n4. 输出格式：Markdown表格，包含需求ID和风险ID\n5. 质量要求：每条用例必须可执行、可验证\n```\n\n## 加载时机\n\n| 什么时候读 | 读哪个 |\n|-----------|--------|\n| 选定提示词模式后，取对应模板 | [`references/prompt-patterns.md`](references/prompt-patterns.md) |\n\n> `六大提示词模式`的完整内容已下沉至 `references/prompt-patterns.md`，避免每次触发都占用上下文。\n\n## 模式选择指南\n\n| 测试目标 | 推荐模式 | 优势 | 局限 | 复杂度 |\n|---------|---------|------|------|-------|\n| 快速生成用例 | 结构化输出 | 标准化、高效、易对比 | 深度不足、缺乏个性 | ★★ |\n| 深入理解用户 | 角色扮演 | 贴近真实场景、发现UX问题 | 依赖角色设定准确性 | ★★★ |\n| 复杂功能分析 | 分步引导 | 系统化、不遗漏深度 | 耗时长、需要迭代 | ★★★★ |\n| 质量评审 | 反向质疑 | 查漏补缺、打破盲区 | 需要已有输出为基础 | ★★★ |\n| 全面覆盖 | 多视角 | 多维度、无死角 | 输出量大、需筛选 | ★★★★ |\n| 挑战假设 | 对抗 | 逼出深层思考、验证假设 | 需要专业对抗经验 | ★★★★★ |\n\n## 模式组合策略\n\n多个模式串联使用效果更佳：\n\n| 组合 | 流程 | 适用场景 |\n|------|------|---------|\n| 结构化输出 → 反向质疑 | 先生成 → 再查漏 | 日常快速迭代 |\n| 分步引导 → 多视角 | 深度分析 → 多维度覆盖 | 复杂功能完整测试 |\n| 角色扮演 → 对抗 | 模拟用户 → 挑战假设 | 用户体验全面验证 |\n| 结构化输出 → 反向质疑 → 对抗 | 生成 → 评审 → 深度挑战 | 高安全/高风险场景 |\n\n## 输出示例\n\n用户说：\"帮我生成登录模块的测试用例\"\n\n**普通问法**（效果差）：\n> 帮我生成登录模块的测试用例\n\n**优化问法**（使用结构化输出模式）：\n> >\n> 请按以下框架输出登录模块的测试用例：\n> 1. 用例编号：TC_{模块缩写}_{功能缩写}_{序号}（如 TC_API_LOGIN_001）\n> 2. 用例标题：[动作] + [对象] + [条件]\n> 3. 前置条件\n> 4. 测试步骤\n> 5. 预期结果\n> 6. 优先级：P0/P1/P2/P3\n> 7. 风险等级：高/中/低\n>\n> 输出格式：Markdown表格\n>\n> 测试范围：用户登录功能（用户名+密码）\n> 测试深度：覆盖正常/异常/边界/安全/并发\n\n## 检查清单\n\n选择提示词策略后检查：\n- [ ] 提示词是否包含角色定义？\n- [ ] 是否指定了输出数量和格式？\n- [ ] 覆盖维度是否完整？\n- [ ] 是否包含质量要求？\n\n## 国产大模型适配\n\n不同模型对提示词的敏感度不同，同一模板在国产模型上需针对性调整：\n\n| 模型 | 上下文窗口 | 适配要点 |\n|------|-----------|---------|\n| **DeepSeek** | 64K-128K | 擅长中文指令理解，JSON 输出需显式声明\"输出严格 JSON，不要 Markdown 代码块包裹\"；对分步引导模式响应好 |\n| **通义千问** | 32K-100K+ | 结构化输出稳定，角色扮演模式效果好；需在角色定义中明确\"你是测试工程师\"避免幻觉角色 |\n| **文心一言** | 8K-32K | 窗口相对小，上下文包需精简；对抗/反向质疑模式响应较弱，用多视角模式替代 |\n| **豆包** | 32K-128K | 对话式交互友好，长提示词易截断；提示词尾部放最核心的约束（输出格式/编号规则） |\n| **Kimi** | 128K-200K | 长上下文优势明显，适合完整上下文包直投；但对\"必须输出 N 条\"类数量约束需强调 |\n\n**适配策略**：\n\n```text\n1. 数量约束：国产模型对\"生成 N 条用例\"偶有缩水 → 提示词写\"不少于 N 条\"，并加\"如果不足，补充边界和异常场景\"\n2. 格式约束：多数国产模型默认带 Markdown 代码块 → 需显式声明\"直接输出表格，不要代码块包裹\"\n3. 中文表达：国产模型中文流畅但对\"用例标题\"格式理解差异大 → 给出 1 条示例（如 TC_API_LOGIN_001 正确凭证登录成功）\n4. 编号规则：部分模型会自作主张改编号 → 明确\"严格使用 TC_{模块缩写}_{功能缩写}_{序号}，不得改动格式\"\n5. 深度控制：国产模型倾向少而浅 → 用深度量化（简单×5/中等×10/复杂×15）约束用例数量级\n```\n\n## 常见反模式\n\n1. **万能模板**：一个模板打天下 → 不同目标用不同模式，按选择指南匹配\n2. **过度堆叠**：一次给太多约束让AI无从下手 → 按需分层叠加，先从2-3个核心维度开始\n3. **缺乏被测反馈**：只给格式不给被测功能 → 模板尾部必须附带实际功能描述或上下文\n4. **角色混乱**：让AI同时扮演多个矛盾角色 → 同一模式内只做一个角色，多角色用多视角模式\n5. **忽略验证**：只生成不验证 → 生成后必须用反向质疑或对抗模式验证质量\n\nFile v1.8.0:_meta.json\n\n{\n  \"ownerId\": \"kn71y9b23csfx0ykgm55d5m9x5891zt8\",\n  \"slug\": \"qa-ai-prompt-strategy\",\n  \"version\": \"1.8.0\",\n  \"publishedAt\": 1790655913897\n}\n\nFile v1.8.0:references/prompt-patterns.md\n\n# 六大提示词模式模板\n\n> 本文是 `qa-ai-prompt-strategy` 的**六种提示词模式模板**。选定模式后取对应模板填写；\n只需要选模式的判断依据时不必读。\n\n---\n\n\n### 模式1：结构化输出模式\n**适用场景**：需要标准化、可对比的测试用例\n\n```text\n\n请按以下框架输出测试用例：\n1. 用例编号：TC_{模块缩写}_{功能缩写}_{序号}（如 TC_API_LOGIN_001）\n2. 用例标题：[动作] + [对象] + [条件]\n3. 前置条件：[测试前需要满足的条件]\n4. 测试步骤：[1. 2. 3. ...]\n5. 预期结果：[具体可验证的预期]\n6. 优先级：P0/P1/P2/P3\n7. 风险等级：高/中/低\n\n输出格式：Markdown表格\n\n测试范围：[功能描述]\n测试深度：覆盖正常/异常/边界/安全\n```\n\n### 模式2：角色扮演模式\n**适用场景**：需要从特定视角深入测试\n\n```text\n你现在是一位[角色]，正在使用[功能]。\n\n你的背景：\n- 使用频率：[每天/每周/偶尔]\n- 技术水平：[新手/普通/专家]\n- 核心诉求：[你最关心什么]\n- 常见操作：[你通常怎么用]\n\n请从这个角色的视角，列出：\n1. 你会怎么用这个功能？\n2. 你会遇到什么问题？\n3. 什么会让你不满意？\n4. 你会怎么误用这个功能？\n```\n\n### 模式3：分步引导模式\n**适用场景**：复杂功能需要深度分析\n\n```text\n请按以下步骤分析这个功能：\n\n第1步：需求解构\n- 列出所有显性需求\n- 挖掘隐含假设\n- 识别潜在矛盾\n\n第2步：场景构建\n- 主路径场景\n- 分支路径场景\n- 异常恢复场景\n\n第3步：深度设计\n- 边界条件分析\n- 组合测试策略\n- 状态转换覆盖\n\n第4步：风险评估\n- 高风险区域\n- 建议测试深度\n\n功能描述：[具体描述]\n```\n\n### 模式4：反向质疑模式\n**适用场景**：AI输出后需要查漏补缺\n\n```text\n以上是你生成的测试用例。现在请：\n\n1. 假设挖掘\n- 你在输出中做了哪些假设？\n- 这些假设合理吗？\n- 如果假设不成立会怎样？\n\n2. 盲区检查\n- 哪些场景你可能遗漏了？\n- 哪些边界你没有覆盖？\n- 并发、时序、资源竞争考虑了吗？\n\n3. 改进建议\n- 最需要补充的3个场景是什么？\n- 从哪个方向迭代最有效？\n```\n\n### 模式5：多视角模式\n**适用场景**：需要全面覆盖不同角度\n\n```text\n请从以下三个视角分别分析这个功能：\n\n【用户视角】\n- 核心诉求：\n- 操作路径：\n- 痛点预测：\n\n【开发视角】\n- 技术实现风险：\n- 边界条件：\n- 异常处理：\n\n【运维视角】\n- 监控需求：\n- 故障场景：\n- 恢复方案：\n\n功能描述：[具体描述]\n```\n\n### 模式6：对抗模式\n**适用场景**：挑战AI的输出，逼出深层思考\n\n```text\n我对你的输出有以下质疑：\n\n1. [具体质疑点1]：你考虑过[特定场景]吗？\n2. [具体质疑点2]：如果[极端情况]发生会怎样？\n3. [具体质疑点3]：这个假设[具体假设]成立吗？\n\n请针对每个质疑：\n- 承认或反驳\n- 补充你的分析\n- 如果确实遗漏，补充测试场景\n```\n\nFile v1.8.0:skill-card.md\n\n## Description:\n\nSelects and adapts Chinese-language prompt patterns to help QA teams ask AI for more structured and useful test cases.\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 skill to choose and refine prompts for AI-assisted test-case design, including roles, output formats, constraints, and coverage dimensions.\n\n### Deployment Geography for Use:\n\nGlobal\n\n## Known Risks and Mitigations:\n\nRisk: Broad activation phrases may trigger this skill for general prompt requests.\n\nMitigation: Use it only when developing QA test prompts.\n\nRisk: The optional skill-set installation suggestion is unpinned.\n\nMitigation: Review its source and prefer a pinned revision before running the installation command.\n\n## Reference(s):\n\n- [Prompt pattern templates](references/prompt-patterns.md)\n- [ClawHub skill listing](https://clawhub.ai/kokxi/skills/qa-ai-prompt-strategy)\n\n## Skill Output:\n\n**Output Type(s):** [Text, Markdown, Guidance]\n\n**Output Format:** [Structured prompts, often in Markdown]\n\n**Output Parameters:** [1D]\n\n**Other Properties Related to Output:** [Provides role definitions, output requirements, constraints, and coverage expectations; produces prompts rather than test cases or unique IDs.]\n\n## Skill Version(s):\n\n1.8.0 (source: skill frontmatter and 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 v1.7.7: 3 files, 6168 bytes\n\nFiles: skill-card.md (1701b), SKILL.md (10542b), _meta.json (140b)\n\nFile v1.7.7:SKILL.md\n\n---\nname: qa-ai-prompt-strategy\nslug: qa-ai-prompt-strategy\ndisplayName: Ai Prompt Strategy\nversion: 1.7.7\ndescription: >-\n  根据不同的测试目标和上下文，选择最佳的提示词模式来驱动AI生成高质量的测试用例。当AI输出的测试用例质量不够好、太泛泛、或者深度不够时，问题往往不在AI而在提示词。此技能提供结构化提示词模板，注入前面步骤产出的分析结果，输出包含角色定义、输出格式规范和约束条件的优化提示词。⚠️ 作为工作流的必过步骤，不得跳过。\n\nwhen_to_use: 用户说\"怎么问AI\"、\"AI回答不好\"、\"换个方式问\"、\"提示词\"、\"提问模板\"、\"提示词优化\"、\"角色扮演\"、需要不同测试视角、AI输出太浅需要更深时\nallowed-tools: Read Grep Glob\nrelated_skills:\n  upstream:\n    - qa-ai-context-engineering  # 输入：上下文包\n  downstream:\n    - qa-ai-output-critique      # 输出：优化后的提示词用于生成\ninput_format:\n  required:\n    - name: AI上下文包\n      type: object\n      description: 来自qa-ai-context-engineering的上下文包\n  optional:\n    - name: 输出格式要求\n      type: string\n      description: 期望的输出格式和规范\n    - name: 约束条件\n      type: string\n      description: 提示词的约束和限制\noutput_format:\n  traceability:\n    - 本技能生成提示词，不产出唯一ID\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    - optimized_prompt: 优化后的提示词\n    - role_definition: 角色定义\n    - output_format_spec: 输出格式规范\n    - constraint_list: 约束条件列表\ndepth_requirement_quantification:\n  reference_value: \"根据场景复杂度和输出要求调整策略深度：简单x1/中等x2/复杂x3\"\n  minimum: \"至少包含角色定义、输出格式、约束条件3个核心要素\"\ncategories: ['Development','Testing','AI']\nerror_recovery_guidance:\n  on_failure: \"提示词输出质量不达标时回退到上下文工程步骤\"\n  retry_behavior: \"补充上下文要素后重新优化提示词\"\n---\n# AI 提示词策略\n\n## 核心原则\n\n不同的测试目标，需要不同的提问模式。\n\n## 提示词优化要求\n\n**关键指标**：提示词必须包含以下要素\n\n```text\n1. 角色定义：你是[领域]资深测试专家\n2. 输出数量：生成[N]条测试用例（N = 需求数量 × 5）\n3. 覆盖维度：必须覆盖以下维度\n   - 功能测试：[具体功能点]\n   - 异常测试：[异常场景类型]\n   - 边界测试：[边界条件类型]\n   - 并发测试：[并发场景]\n   - 安全测试：[安全风险点]\n   - 性能测试：[性能指标]\n4. 输出格式：Markdown表格，包含需求ID和风险ID\n5. 质量要求：每条用例必须可执行、可验证\n```\n\n## 六大提示词模式\n\n### 模式1：结构化输出模式\n**适用场景**：需要标准化、可对比的测试用例\n\n```text\n\n请按以下框架输出测试用例：\n1. 用例编号：TC_{模块缩写}_{功能缩写}_{序号}（如 TC_API_LOGIN_001）\n2. 用例标题：[动作] + [对象] + [条件]\n3. 前置条件：[测试前需要满足的条件]\n4. 测试步骤：[1. 2. 3. ...]\n5. 预期结果：[具体可验证的预期]\n6. 优先级：P0/P1/P2/P3\n7. 风险等级：高/中/低\n\n输出格式：Markdown表格\n\n测试范围：[功能描述]\n测试深度：覆盖正常/异常/边界/安全\n```\n\n### 模式2：角色扮演模式\n**适用场景**：需要从特定视角深入测试\n\n```text\n你现在是一位[角色]，正在使用[功能]。\n\n你的背景：\n- 使用频率：[每天/每周/偶尔]\n- 技术水平：[新手/普通/专家]\n- 核心诉求：[你最关心什么]\n- 常见操作：[你通常怎么用]\n\n请从这个角色的视角，列出：\n1. 你会怎么用这个功能？\n2. 你会遇到什么问题？\n3. 什么会让你不满意？\n4. 你会怎么误用这个功能？\n```\n\n### 模式3：分步引导模式\n**适用场景**：复杂功能需要深度分析\n\n```text\n请按以下步骤分析这个功能：\n\n第1步：需求解构\n- 列出所有显性需求\n- 挖掘隐含假设\n- 识别潜在矛盾\n\n第2步：场景构建\n- 主路径场景\n- 分支路径场景\n- 异常恢复场景\n\n第3步：深度设计\n- 边界条件分析\n- 组合测试策略\n- 状态转换覆盖\n\n第4步：风险评估\n- 高风险区域\n- 建议测试深度\n\n功能描述：[具体描述]\n```\n\n### 模式4：反向质疑模式\n**适用场景**：AI输出后需要查漏补缺\n\n```text\n以上是你生成的测试用例。现在请：\n\n1. 假设挖掘\n- 你在输出中做了哪些假设？\n- 这些假设合理吗？\n- 如果假设不成立会怎样？\n\n2. 盲区检查\n- 哪些场景你可能遗漏了？\n- 哪些边界你没有覆盖？\n- 并发、时序、资源竞争考虑了吗？\n\n3. 改进建议\n- 最需要补充的3个场景是什么？\n- 从哪个方向迭代最有效？\n```\n\n### 模式5：多视角模式\n**适用场景**：需要全面覆盖不同角度\n\n```text\n请从以下三个视角分别分析这个功能：\n\n【用户视角】\n- 核心诉求：\n- 操作路径：\n- 痛点预测：\n\n【开发视角】\n- 技术实现风险：\n- 边界条件：\n- 异常处理：\n\n【运维视角】\n- 监控需求：\n- 故障场景：\n- 恢复方案：\n\n功能描述：[具体描述]\n```\n\n### 模式6：对抗模式\n**适用场景**：挑战AI的输出，逼出深层思考\n\n```text\n我对你的输出有以下质疑：\n\n1. [具体质疑点1]：你考虑过[特定场景]吗？\n2. [具体质疑点2]：如果[极端情况]发生会怎样？\n3. [具体质疑点3]：这个假设[具体假设]成立吗？\n\n请针对每个质疑：\n- 承认或反驳\n- 补充你的分析\n- 如果确实遗漏，补充测试场景\n```\n\n## 模式选择指南\n\n| 测试目标 | 推荐模式 | 优势 | 局限 | 复杂度 |\n|---------|---------|------|------|-------|\n| 快速生成用例 | 结构化输出 | 标准化、高效、易对比 | 深度不足、缺乏个性 | ★★ |\n| 深入理解用户 | 角色扮演 | 贴近真实场景、发现UX问题 | 依赖角色设定准确性 | ★★★ |\n| 复杂功能分析 | 分步引导 | 系统化、不遗漏深度 | 耗时长、需要迭代 | ★★★★ |\n| 质量评审 | 反向质疑 | 查漏补缺、打破盲区 | 需要已有输出为基础 | ★★★ |\n| 全面覆盖 | 多视角 | 多维度、无死角 | 输出量大、需筛选 | ★★★★ |\n| 挑战假设 | 对抗 | 逼出深层思考、验证假设 | 需要专业对抗经验 | ★★★★★ |\n\n## 模式组合策略\n\n多个模式串联使用效果更佳：\n\n| 组合 | 流程 | 适用场景 |\n|------|------|---------|\n| 结构化输出 → 反向质疑 | 先生成 → 再查漏 | 日常快速迭代 |\n| 分步引导 → 多视角 | 深度分析 → 多维度覆盖 | 复杂功能完整测试 |\n| 角色扮演 → 对抗 | 模拟用户 → 挑战假设 | 用户体验全面验证 |\n| 结构化输出 → 反向质疑 → 对抗 | 生成 → 评审 → 深度挑战 | 高安全/高风险场景 |\n\n## 输出示例\n\n用户说：\"帮我生成登录模块的测试用例\"\n\n**普通问法**（效果差）：\n> 帮我生成登录模块的测试用例\n\n**优化问法**（使用结构化输出模式）：\n> >\n> 请按以下框架输出登录模块的测试用例：\n> 1. 用例编号：TC_{模块缩写}_{功能缩写}_{序号}（如 TC_API_LOGIN_001）\n> 2. 用例标题：[动作] + [对象] + [条件]\n> 3. 前置条件\n> 4. 测试步骤\n> 5. 预期结果\n> 6. 优先级：P0/P1/P2/P3\n> 7. 风险等级：高/中/低\n>\n> 输出格式：Markdown表格\n>\n> 测试范围：用户登录功能（用户名+密码）\n> 测试深度：覆盖正常/异常/边界/安全/并发\n\n## 检查清单\n\n选择提示词策略后检查：\n- [ ] 提示词是否包含角色定义？\n- [ ] 是否指定了输出数量和格式？\n- [ ] 覆盖维度是否完整？\n- [ ] 是否包含质量要求？\n\n## 国产大模型适配\n\n不同模型对提示词的敏感度不同，同一模板在国产模型上需针对性调整：\n\n| 模型 | 上下文窗口 | 适配要点 |\n|------|-----------|---------|\n| **DeepSeek** | 64K-128K | 擅长中文指令理解，JSON 输出需显式声明\"输出严格 JSON，不要 Markdown 代码块包裹\"；对分步引导模式响应好 |\n| **通义千问** | 32K-100K+ | 结构化输出稳定，角色扮演模式效果好；需在角色定义中明确\"你是测试工程师\"避免幻觉角色 |\n| **文心一言** | 8K-32K | 窗口相对小，上下文包需精简；对抗/反向质疑模式响应较弱，用多视角模式替代 |\n| **豆包** | 32K-128K | 对话式交互友好，长提示词易截断；提示词尾部放最核心的约束（输出格式/编号规则） |\n| **Kimi** | 128K-200K | 长上下文优势明显，适合完整上下文包直投；但对\"必须输出 N 条\"类数量约束需强调 |\n\n**适配策略**：\n\n```text\n1. 数量约束：国产模型对\"生成 N 条用例\"偶有缩水 → 提示词写\"不少于 N 条\"，并加\"如果不足，补充边界和异常场景\"\n2. 格式约束：多数国产模型默认带 Markdown 代码块 → 需显式声明\"直接输出表格，不要代码块包裹\"\n3. 中文表达：国产模型中文流畅但对\"用例标题\"格式理解差异大 → 给出 1 条示例（如 TC_API_LOGIN_001 正确凭证登录成功）\n4. 编号规则：部分模型会自作主张改编号 → 明确\"严格使用 TC_{模块缩写}_{功能缩写}_{序号}，不得改动格式\"\n5. 深度控制：国产模型倾向少而浅 → 用深度量化（简单×5/中等×10/复杂×15）约束用例数量级\n```\n\n## 常见反模式\n\n1. **万能模板**：一个模板打天下 → 不同目标用不同模式，按选择指南匹配\n2. **过度堆叠**：一次给太多约束让AI无从下手 → 按需分层叠加，先从2-3个核心维度开始\n3. **缺乏被测反馈**：只给格式不给被测功能 → 模板尾部必须附带实际功能描述或上下文\n4. **角色混乱**：让AI同时扮演多个矛盾角色 → 同一模式内只做一个角色，多角色用多视角模式\n5. **忽略验证**：只生成不验证 → 生成后必须用反向质疑或对抗模式验证质量\n\nFile v1.7.7:_meta.json\n\n{\n  \"ownerId\": \"kn71y9b23csfx0ykgm55d5m9x5891zt8\",\n  \"slug\": \"qa-ai-prompt-strategy\",\n  \"version\": \"1.7.7\",\n  \"publishedAt\": 1790519511470\n}\n\nFile v1.7.7:skill-card.md\n\n## Description:\n\nProvides Chinese-language prompt strategies and structured templates to help generate more focused, verifiable QA test cases.\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 skill to select prompt patterns and draft structured requests for AI-generated test cases based on a test objective and available context.\n\n### Deployment Geography for Use:\n\nGlobal\n\n## Known Risks and Mitigations:\n\nRisk: Broad prompt-help requests may activate this QA-focused skill when it is not needed.\n\nMitigation: Confirm the user is asking for QA test-case prompting before applying a template.\n\nRisk: Model-specific advice focuses on Chinese-language models and may not transfer to other models.\n\nMitigation: Adapt prompt length and formatting to the model in use, then review generated test cases for accuracy and coverage.\n\n## Reference(s):\n\n- [ClawHub skill page](https://clawhub.ai/kokxi/skills/qa-ai-prompt-strategy)\n\n## Skill Output:\n\n**Output Type(s):** [Text, Guidance]\n\n**Output Format:** [Chinese-language structured prompts in Markdown]\n\n**Output Parameters:** [1D]\n\n**Other Properties Related to Output:** [Prompts specify a role, output format, constraints, and test-case coverage criteria.]\n\n## Skill Version(s):\n\n1.7.7 (source: release metadata and SKILL.md 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: 3 files, 6610 bytes\n\nFiles: skill-card.md (2022b), SKILL.md (11125b), _meta.json (140b)\n\nFile v1.7.6:SKILL.md\n\n---\r\nname: qa-ai-prompt-strategy\r\nslug: qa-ai-prompt-strategy\r\ndisplayName: AI 测试提示词策略\r\nversion: 1.7.5\r\ndescription: >-\r\n  根据不同的测试目标和上下文，选择最佳的提示词模式来驱动AI生成高质量的测试用例。当AI输出的测试用例质量不够好、太泛泛、或者深度不够时，问题往往不在AI而在提示词。此技能提供结构化提示词模板，注入前面步骤产出的分析结果，输出包含角色定义、输出格式规范和约束条件的优化提示词。⚠️ 作为工作流的必过步骤，不得跳过。\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: 用户说\"怎么问AI\"、\"AI回答不好\"、\"换个方式问\"、\"提示词\"、\"提问模板\"、\"提示词优化\"、\"角色扮演\"、需要不同测试视角、AI输出太浅需要更深时\r\nallowed-tools: Read Grep Glob\r\nrelated_skills:\r\n  upstream:\r\n    - qa-ai-context-engineering  # 输入：上下文包\r\n  downstream:\r\n    - qa-ai-output-critique      # 输出：优化后的提示词用于生成\r\ninput_format:\r\n  required:\r\n    - name: AI上下文包\r\n      type: object\r\n      description: 来自qa-ai-context-engineering的上下文包\r\n  optional:\r\n    - name: 输出格式要求\r\n      type: string\r\n      description: 期望的输出格式和规范\r\n    - name: 约束条件\r\n      type: string\r\n      description: 提示词的约束和限制\r\noutput_format:\r\n  traceability:\r\n    - 本技能生成提示词，不产出唯一ID\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    - optimized_prompt: 优化后的提示词\r\n    - role_definition: 角色定义\r\n    - output_format_spec: 输出格式规范\r\n    - constraint_list: 约束条件列表\r\ndepth_requirement_quantification:\r\n  reference_value: \"根据场景复杂度和输出要求调整策略深度：简单x1/中等x2/复杂x3\"\r\n  minimum: \"至少包含角色定义、输出格式、约束条件3个核心要素\"\r\ncategories: ['Development','Testing','AI']\r\nerror_recovery_guidance:\r\n  on_failure: \"提示词输出质量不达标时回退到上下文工程步骤\"\r\n  retry_behavior: \"补充上下文要素后重新优化提示词\"\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 提示词策略\r\n\r\n## 核心原则\r\n\r\n不同的测试目标，需要不同的提问模式。\r\n\r\n## 提示词优化要求\r\n\r\n**关键指标**：提示词必须包含以下要素\r\n\r\n```text\r\n1. 角色定义：你是[领域]资深测试专家\r\n2. 输出数量：生成[N]条测试用例（N = 需求数量 × 5）\r\n3. 覆盖维度：必须覆盖以下维度\r\n   - 功能测试：[具体功能点]\r\n   - 异常测试：[异常场景类型]\r\n   - 边界测试：[边界条件类型]\r\n   - 并发测试：[并发场景]\r\n   - 安全测试：[安全风险点]\r\n   - 性能测试：[性能指标]\r\n4. 输出格式：Markdown表格，包含需求ID和风险ID\r\n5. 质量要求：每条用例必须可执行、可验证\r\n```\r\n\r\n## 六大提示词模式\r\n\r\n### 模式1：结构化输出模式\r\n**适用场景**：需要标准化、可对比的测试用例\r\n\r\n```text\r\n\r\n请按以下框架输出测试用例：\r\n1. 用例编号：TC_{模块缩写}_{功能缩写}_{序号}（如 TC_API_LOGIN_001）\r\n2. 用例标题：[动作] + [对象] + [条件]\r\n3. 前置条件：[测试前需要满足的条件]\r\n4. 测试步骤：[1. 2. 3. ...]\r\n5. 预期结果：[具体可验证的预期]\r\n6. 优先级：P0/P1/P2/P3\r\n7. 风险等级：高/中/低\r\n\r\n输出格式：Markdown表格\r\n\r\n测试范围：[功能描述]\r\n测试深度：覆盖正常/异常/边界/安全\r\n```\r\n\r\n### 模式2：角色扮演模式\r\n**适用场景**：需要从特定视角深入测试\r\n\r\n```text\r\n你现在是一位[角色]，正在使用[功能]。\r\n\r\n你的背景：\r\n- 使用频率：[每天/每周/偶尔]\r\n- 技术水平：[新手/普通/专家]\r\n- 核心诉求：[你最关心什么]\r\n- 常见操作：[你通常怎么用]\r\n\r\n请从这个角色的视角，列出：\r\n1. 你会怎么用这个功能？\r\n2. 你会遇到什么问题？\r\n3. 什么会让你不满意？\r\n4. 你会怎么误用这个功能？\r\n```\r\n\r\n### 模式3：分步引导模式\r\n**适用场景**：复杂功能需要深度分析\r\n\r\n```text\r\n请按以下步骤分析这个功能：\r\n\r\n第1步：需求解构\r\n- 列出所有显性需求\r\n- 挖掘隐含假设\r\n- 识别潜在矛盾\r\n\r\n第2步：场景构建\r\n- 主路径场景\r\n- 分支路径场景\r\n- 异常恢复场景\r\n\r\n第3步：深度设计\r\n- 边界条件分析\r\n- 组合测试策略\r\n- 状态转换覆盖\r\n\r\n第4步：风险评估\r\n- 高风险区域\r\n- 建议测试深度\r\n\r\n功能描述：[具体描述]\r\n```\r\n\r\n### 模式4：反向质疑模式\r\n**适用场景**：AI输出后需要查漏补缺\r\n\r\n```text\r\n以上是你生成的测试用例。现在请：\r\n\r\n1. 假设挖掘\r\n- 你在输出中做了哪些假设？\r\n- 这些假设合理吗？\r\n- 如果假设不成立会怎样？\r\n\r\n2. 盲区检查\r\n- 哪些场景你可能遗漏了？\r\n- 哪些边界你没有覆盖？\r\n- 并发、时序、资源竞争考虑了吗？\r\n\r\n3. 改进建议\r\n- 最需要补充的3个场景是什么？\r\n- 从哪个方向迭代最有效？\r\n```\r\n\r\n### 模式5：多视角模式\r\n**适用场景**：需要全面覆盖不同角度\r\n\r\n```text\r\n请从以下三个视角分别分析这个功能：\r\n\r\n【用户视角】\r\n- 核心诉求：\r\n- 操作路径：\r\n- 痛点预测：\r\n\r\n【开发视角】\r\n- 技术实现风险：\r\n- 边界条件：\r\n- 异常处理：\r\n\r\n【运维视角】\r\n- 监控需求：\r\n- 故障场景：\r\n- 恢复方案：\r\n\r\n功能描述：[具体描述]\r\n```\r\n\r\n### 模式6：对抗模式\r\n**适用场景**：挑战AI的输出，逼出深层思考\r\n\r\n```text\r\n我对你的输出有以下质疑：\r\n\r\n1. [具体质疑点1]：你考虑过[特定场景]吗？\r\n2. [具体质疑点2]：如果[极端情况]发生会怎样？\r\n3. [具体质疑点3]：这个假设[具体假设]成立吗？\r\n\r\n请针对每个质疑：\r\n- 承认或反驳\r\n- 补充你的分析\r\n- 如果确实遗漏，补充测试场景\r\n```\r\n\r\n## 模式选择指南\r\n\r\n| 测试目标 | 推荐模式 | 优势 | 局限 | 复杂度 |\r\n|---------|---------|------|------|-------|\r\n| 快速生成用例 | 结构化输出 | 标准化、高效、易对比 | 深度不足、缺乏个性 | ★★ |\r\n| 深入理解用户 | 角色扮演 | 贴近真实场景、发现UX问题 | 依赖角色设定准确性 | ★★★ |\r\n| 复杂功能分析 | 分步引导 | 系统化、不遗漏深度 | 耗时长、需要迭代 | ★★★★ |\r\n| 质量评审 | 反向质疑 | 查漏补缺、打破盲区 | 需要已有输出为基础 | ★★★ |\r\n| 全面覆盖 | 多视角 | 多维度、无死角 | 输出量大、需筛选 | ★★★★ |\r\n| 挑战假设 | 对抗 | 逼出深层思考、验证假设 | 需要专业对抗经验 | ★★★★★ |\r\n\r\n## 模式组合策略\r\n\r\n多个模式串联使用效果更佳：\r\n\r\n| 组合 | 流程 | 适用场景 |\r\n|------|------|---------|\r\n| 结构化输出 → 反向质疑 | 先生成 → 再查漏 | 日常快速迭代 |\r\n| 分步引导 → 多视角 | 深度分析 → 多维度覆盖 | 复杂功能完整测试 |\r\n| 角色扮演 → 对抗 | 模拟用户 → 挑战假设 | 用户体验全面验证 |\r\n| 结构化输出 → 反向质疑 → 对抗 | 生成 → 评审 → 深度挑战 | 高安全/高风险场景 |\r\n\r\n## 输出示例\r\n\r\n用户说：\"帮我生成登录模块的测试用例\"\r\n\r\n**普通问法**（效果差）：\r\n> 帮我生成登录模块的测试用例\r\n\r\n**优化问法**（使用结构化输出模式）：\r\n> >\r\n> 请按以下框架输出登录模块的测试用例：\r\n> 1. 用例编号：TC_{模块缩写}_{功能缩写}_{序号}（如 TC_API_LOGIN_001）\r\n> 2. 用例标题：[动作] + [对象] + [条件]\r\n> 3. 前置条件\r\n> 4. 测试步骤\r\n> 5. 预期结果\r\n> 6. 优先级：P0/P1/P2/P3\r\n> 7. 风险等级：高/中/低\r\n>\r\n> 输出格式：Markdown表格\r\n>\r\n> 测试范围：用户登录功能（用户名+密码）\r\n> 测试深度：覆盖正常/异常/边界/安全/并发\r\n\r\n## 检查清单\r\n\r\n选择提示词策略后检查：\r\n- [ ] 提示词是否包含角色定义？\r\n- [ ] 是否指定了输出数量和格式？\r\n- [ ] 覆盖维度是否完整？\r\n- [ ] 是否包含质量要求？\r\n\r\n## 国产大模型适配\r\n\r\n不同模型对提示词的敏感度不同，同一模板在国产模型上需针对性调整：\r\n\r\n| 模型 | 上下文窗口 | 适配要点 |\r\n|------|-----------|---------|\r\n| **DeepSeek** | 64K-128K | 擅长中文指令理解，JSON 输出需显式声明\"输出严格 JSON，不要 Markdown 代码块包裹\"；对分步引导模式响应好 |\r\n| **通义千问** | 32K-100K+ | 结构化输出稳定，角色扮演模式效果好；需在角色定义中明确\"你是测试工程师\"避免幻觉角色 |\r\n| **文心一言** | 8K-32K | 窗口相对小，上下文包需精简；对抗/反向质疑模式响应较弱，用多视角模式替代 |\r\n| **豆包** | 32K-128K | 对话式交互友好，长提示词易截断；提示词尾部放最核心的约束（输出格式/编号规则） |\r\n| **Kimi** | 128K-200K | 长上下文优势明显，适合完整上下文包直投；但对\"必须输出 N 条\"类数量约束需强调 |\r\n\r\n**适配策略**：\r\n\r\n```text\r\n1. 数量约束：国产模型对\"生成 N 条用例\"偶有缩水 → 提示词写\"不少于 N 条\"，并加\"如果不足，补充边界和异常场景\"\r\n2. 格式约束：多数国产模型默认带 Markdown 代码块 → 需显式声明\"直接输出表格，不要代码块包裹\"\r\n3. 中文表达：国产模型中文流畅但对\"用例标题\"格式理解差异大 → 给出 1 条示例（如 TC_API_LOGIN_001 正确凭证登录成功）\r\n4. 编号规则：部分模型会自作主张改编号 → 明确\"严格使用 TC_{模块缩写}_{功能缩写}_{序号}，不得改动格式\"\r\n5. 深度控制：国产模型倾向少而浅 → 用深度量化（简单×5/中等×10/复杂×15）约束用例数量级\r\n```\r\n\r\n## 常见反模式\r\n\r\n1. **万能模板**：一个模板打天下 → 不同目标用不同模式，按选择指南匹配\r\n2. **过度堆叠**：一次给太多约束让AI无从下手 → 按需分层叠加，先从2-3个核心维度开始\r\n3. **缺乏被测反馈**：只给格式不给被测功能 → 模板尾部必须附带实际功能描述或上下文\r\n4. **角色混乱**：让AI同时扮演多个矛盾角色 → 同一模式内只做一个角色，多角色用多视角模式\r\n5. **忽略验证**：只生成不验证 → 生成后必须用反向质疑或对抗模式验证质量\n\nFile v1.7.6:_meta.json\n\n{\n  \"ownerId\": \"kn71y9b23csfx0ykgm55d5m9x5891zt8\",\n  \"slug\": \"qa-ai-prompt-strategy\",\n  \"version\": \"1.7.6\",\n  \"publishedAt\": 1788266134323\n}\n\nFile v1.7.6:skill-card.md\n\n## Description:\n\n根据测试目标和上下文选择提示词模式，帮助 AI 生成结构化、可执行、可验证的 QA 测试用例。\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, developers, and test leads use this skill when AI-generated test cases are too shallow or generic and need stronger prompts with role definition, output format, coverage constraints, and quality checks.\n\n### Deployment Geography for Use:\n\nGlobal\n\n## Known Risks and Mitigations:\n\nRisk: The skill recommends installing an unpinned external `Kokxi/qa-test-skills` bundle.\n\nMitigation: Review the bundle before installation, prefer a pinned version or commit with integrity checks, and install only where changing the available skill set is acceptable.\n\nRisk: Prompt templates can produce incomplete, misleading, or overconfident test coverage claims.\n\nMitigation: Review generated prompts and outputs for executable steps, verifiable expected results, stated coverage basis, and explicit notes for any uncovered modules.\n\n## Reference(s):\n\n- [ClawHub skill page](https://clawhub.ai/kokxi/skills/qa-ai-prompt-strategy)\n- [Publisher profile](https://clawhub.ai/user/kokxi)\n\n## Skill Output:\n\n**Output Type(s):** [Guidance, Markdown, Text]\n\n**Output Format:** [Markdown and plain-text prompt templates for QA test-case generation]\n\n**Output Parameters:** [1D]\n\n**Other Properties Related to Output:** [Produces optimized prompts, role definitions, output format specifications, and constraint lists; it does not produce a unique traceability ID.]\n\n## Skill Version(s):\n\n1.7.6 (source: server release evidence; artifact frontmatter says 1.7.5)\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: 3 files, 6276 bytes\n\nFiles: skill-card.md (1963b), SKILL.md (10542b), _meta.json (140b)\n\nFile v1.7.5:SKILL.md\n\n---\nname: qa-ai-prompt-strategy\nslug: qa-ai-prompt-strategy\ndisplayName: Ai Prompt Strategy\nversion: 1.7.5\ndescription: >-\n  根据不同的测试目标和上下文，选择最佳的提示词模式来驱动AI生成高质量的测试用例。当AI输出的测试用例质量不够好、太泛泛、或者深度不够时，问题往往不在AI而在提示词。此技能提供结构化提示词模板，注入前面步骤产出的分析结果，输出包含角色定义、输出格式规范和约束条件的优化提示词。⚠️ 作为工作流的必过步骤，不得跳过。\n\nwhen_to_use: 用户说\"怎么问AI\"、\"AI回答不好\"、\"换个方式问\"、\"提示词\"、\"提问模板\"、\"提示词优化\"、\"角色扮演\"、需要不同测试视角、AI输出太浅需要更深时\nallowed-tools: Read Grep Glob\nrelated_skills:\n  upstream:\n    - qa-ai-context-engineering  # 输入：上下文包\n  downstream:\n    - qa-ai-output-critique      # 输出：优化后的提示词用于生成\ninput_format:\n  required:\n    - name: AI上下文包\n      type: object\n      description: 来自qa-ai-context-engineering的上下文包\n  optional:\n    - name: 输出格式要求\n      type: string\n      description: 期望的输出格式和规范\n    - name: 约束条件\n      type: string\n      description: 提示词的约束和限制\noutput_format:\n  traceability:\n    - 本技能生成提示词，不产出唯一ID\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    - optimized_prompt: 优化后的提示词\n    - role_definition: 角色定义\n    - output_format_spec: 输出格式规范\n    - constraint_list: 约束条件列表\ndepth_requirement_quantification:\n  reference_value: \"根据场景复杂度和输出要求调整策略深度：简单x1/中等x2/复杂x3\"\n  minimum: \"至少包含角色定义、输出格式、约束条件3个核心要素\"\ncategories: ['Development','Testing','AI']\nerror_recovery_guidance:\n  on_failure: \"提示词输出质量不达标时回退到上下文工程步骤\"\n  retry_behavior: \"补充上下文要素后重新优化提示词\"\n---\n# AI 提示词策略\n\n## 核心原则\n\n不同的测试目标，需要不同的提问模式。\n\n## 提示词优化要求\n\n**关键指标**：提示词必须包含以下要素\n\n```text\n1. 角色定义：你是[领域]资深测试专家\n2. 输出数量：生成[N]条测试用例（N = 需求数量 × 5）\n3. 覆盖维度：必须覆盖以下维度\n   - 功能测试：[具体功能点]\n   - 异常测试：[异常场景类型]\n   - 边界测试：[边界条件类型]\n   - 并发测试：[并发场景]\n   - 安全测试：[安全风险点]\n   - 性能测试：[性能指标]\n4. 输出格式：Markdown表格，包含需求ID和风险ID\n5. 质量要求：每条用例必须可执行、可验证\n```\n\n## 六大提示词模式\n\n### 模式1：结构化输出模式\n**适用场景**：需要标准化、可对比的测试用例\n\n```text\n\n请按以下框架输出测试用例：\n1. 用例编号：TC_{模块缩写}_{功能缩写}_{序号}（如 TC_API_LOGIN_001）\n2. 用例标题：[动作] + [对象] + [条件]\n3. 前置条件：[测试前需要满足的条件]\n4. 测试步骤：[1. 2. 3. ...]\n5. 预期结果：[具体可验证的预期]\n6. 优先级：P0/P1/P2/P3\n7. 风险等级：高/中/低\n\n输出格式：Markdown表格\n\n测试范围：[功能描述]\n测试深度：覆盖正常/异常/边界/安全\n```\n\n### 模式2：角色扮演模式\n**适用场景**：需要从特定视角深入测试\n\n```text\n你现在是一位[角色]，正在使用[功能]。\n\n你的背景：\n- 使用频率：[每天/每周/偶尔]\n- 技术水平：[新手/普通/专家]\n- 核心诉求：[你最关心什么]\n- 常见操作：[你通常怎么用]\n\n请从这个角色的视角，列出：\n1. 你会怎么用这个功能？\n2. 你会遇到什么问题？\n3. 什么会让你不满意？\n4. 你会怎么误用这个功能？\n```\n\n### 模式3：分步引导模式\n**适用场景**：复杂功能需要深度分析\n\n```text\n请按以下步骤分析这个功能：\n\n第1步：需求解构\n- 列出所有显性需求\n- 挖掘隐含假设\n- 识别潜在矛盾\n\n第2步：场景构建\n- 主路径场景\n- 分支路径场景\n- 异常恢复场景\n\n第3步：深度设计\n- 边界条件分析\n- 组合测试策略\n- 状态转换覆盖\n\n第4步：风险评估\n- 高风险区域\n- 建议测试深度\n\n功能描述：[具体描述]\n```\n\n### 模式4：反向质疑模式\n**适用场景**：AI输出后需要查漏补缺\n\n```text\n以上是你生成的测试用例。现在请：\n\n1. 假设挖掘\n- 你在输出中做了哪些假设？\n- 这些假设合理吗？\n- 如果假设不成立会怎样？\n\n2. 盲区检查\n- 哪些场景你可能遗漏了？\n- 哪些边界你没有覆盖？\n- 并发、时序、资源竞争考虑了吗？\n\n3. 改进建议\n- 最需要补充的3个场景是什么？\n- 从哪个方向迭代最有效？\n```\n\n### 模式5：多视角模式\n**适用场景**：需要全面覆盖不同角度\n\n```text\n请从以下三个视角分别分析这个功能：\n\n【用户视角】\n- 核心诉求：\n- 操作路径：\n- 痛点预测：\n\n【开发视角】\n- 技术实现风险：\n- 边界条件：\n- 异常处理：\n\n【运维视角】\n- 监控需求：\n- 故障场景：\n- 恢复方案：\n\n功能描述：[具体描述]\n```\n\n### 模式6：对抗模式\n**适用场景**：挑战AI的输出，逼出深层思考\n\n```text\n我对你的输出有以下质疑：\n\n1. [具体质疑点1]：你考虑过[特定场景]吗？\n2. [具体质疑点2]：如果[极端情况]发生会怎样？\n3. [具体质疑点3]：这个假设[具体假设]成立吗？\n\n请针对每个质疑：\n- 承认或反驳\n- 补充你的分析\n- 如果确实遗漏，补充测试场景\n```\n\n## 模式选择指南\n\n| 测试目标 | 推荐模式 | 优势 | 局限 | 复杂度 |\n|---------|---------|------|------|-------|\n| 快速生成用例 | 结构化输出 | 标准化、高效、易对比 | 深度不足、缺乏个性 | ★★ |\n| 深入理解用户 | 角色扮演 | 贴近真实场景、发现UX问题 | 依赖角色设定准确性 | ★★★ |\n| 复杂功能分析 | 分步引导 | 系统化、不遗漏深度 | 耗时长、需要迭代 | ★★★★ |\n| 质量评审 | 反向质疑 | 查漏补缺、打破盲区 | 需要已有输出为基础 | ★★★ |\n| 全面覆盖 | 多视角 | 多维度、无死角 | 输出量大、需筛选 | ★★★★ |\n| 挑战假设 | 对抗 | 逼出深层思考、验证假设 | 需要专业对抗经验 | ★★★★★ |\n\n## 模式组合策略\n\n多个模式串联使用效果更佳：\n\n| 组合 | 流程 | 适用场景 |\n|------|------|---------|\n| 结构化输出 → 反向质疑 | 先生成 → 再查漏 | 日常快速迭代 |\n| 分步引导 → 多视角 | 深度分析 → 多维度覆盖 | 复杂功能完整测试 |\n| 角色扮演 → 对抗 | 模拟用户 → 挑战假设 | 用户体验全面验证 |\n| 结构化输出 → 反向质疑 → 对抗 | 生成 → 评审 → 深度挑战 | 高安全/高风险场景 |\n\n## 输出示例\n\n用户说：\"帮我生成登录模块的测试用例\"\n\n**普通问法**（效果差）：\n> 帮我生成登录模块的测试用例\n\n**优化问法**（使用结构化输出模式）：\n> >\n> 请按以下框架输出登录模块的测试用例：\n> 1. 用例编号：TC_{模块缩写}_{功能缩写}_{序号}（如 TC_API_LOGIN_001）\n> 2. 用例标题：[动作] + [对象] + [条件]\n> 3. 前置条件\n> 4. 测试步骤\n> 5. 预期结果\n> 6. 优先级：P0/P1/P2/P3\n> 7. 风险等级：高/中/低\n>\n> 输出格式：Markdown表格\n>\n> 测试范围：用户登录功能（用户名+密码）\n> 测试深度：覆盖正常/异常/边界/安全/并发\n\n## 检查清单\n\n选择提示词策略后检查：\n- [ ] 提示词是否包含角色定义？\n- [ ] 是否指定了输出数量和格式？\n- [ ] 覆盖维度是否完整？\n- [ ] 是否包含质量要求？\n\n## 国产大模型适配\n\n不同模型对提示词的敏感度不同，同一模板在国产模型上需针对性调整：\n\n| 模型 | 上下文窗口 | 适配要点 |\n|------|-----------|---------|\n| **DeepSeek** | 64K-128K | 擅长中文指令理解，JSON 输出需显式声明\"输出严格 JSON，不要 Markdown 代码块包裹\"；对分步引导模式响应好 |\n| **通义千问** | 32K-100K+ | 结构化输出稳定，角色扮演模式效果好；需在角色定义中明确\"你是测试工程师\"避免幻觉角色 |\n| **文心一言** | 8K-32K | 窗口相对小，上下文包需精简；对抗/反向质疑模式响应较弱，用多视角模式替代 |\n| **豆包** | 32K-128K | 对话式交互友好，长提示词易截断；提示词尾部放最核心的约束（输出格式/编号规则） |\n| **Kimi** | 128K-200K | 长上下文优势明显，适合完整上下文包直投；但对\"必须输出 N 条\"类数量约束需强调 |\n\n**适配策略**：\n\n```text\n1. 数量约束：国产模型对\"生成 N 条用例\"偶有缩水 → 提示词写\"不少于 N 条\"，并加\"如果不足，补充边界和异常场景\"\n2. 格式约束：多数国产模型默认带 Markdown 代码块 → 需显式声明\"直接输出表格，不要代码块包裹\"\n3. 中文表达：国产模型中文流畅但对\"用例标题\"格式理解差异大 → 给出 1 条示例（如 TC_API_LOGIN_001 正确凭证登录成功）\n4. 编号规则：部分模型会自作主张改编号 → 明确\"严格使用 TC_{模块缩写}_{功能缩写}_{序号}，不得改动格式\"\n5. 深度控制：国产模型倾向少而浅 → 用深度量化（简单×5/中等×10/复杂×15）约束用例数量级\n```\n\n## 常见反模式\n\n1. **万能模板**：一个模板打天下 → 不同目标用不同模式，按选择指南匹配\n2. **过度堆叠**：一次给太多约束让AI无从下手 → 按需分层叠加，先从2-3个核心维度开始\n3. **缺乏被测反馈**：只给格式不给被测功能 → 模板尾部必须附带实际功能描述或上下文\n4. **角色混乱**：让AI同时扮演多个矛盾角色 → 同一模式内只做一个角色，多角色用多视角模式\n5. **忽略验证**：只生成不验证 → 生成后必须用反向质疑或对抗模式验证质量\n\nFile v1.7.5:_meta.json\n\n{\n  \"ownerId\": \"kn71y9b23csfx0ykgm55d5m9x5891zt8\",\n  \"slug\": \"qa-ai-prompt-strategy\",\n  \"version\": \"1.7.5\",\n  \"publishedAt\": 1788102635327\n}\n\nFile v1.7.5:skill-card.md\n\n## Description:\n\nHelps QA and test practitioners choose structured prompt patterns that guide AI systems to generate higher-quality test cases with role definitions, output-format requirements, and constraints.\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 practitioners, and developers use this skill when AI-generated test cases are too generic or shallow and they need a stronger prompt strategy. It helps select structured, role-based, stepwise, multi-perspective, critique, or adversarial prompt patterns for test-case generation and review.\n\n### Deployment Geography for Use:\n\nGlobal\n\n## Known Risks and Mitigations:\n\nRisk: The skill may activate on broad prompt-help wording outside a specific QA workflow.\n\nMitigation: Use it in QA or test-case-generation workflows where broad prompt-strategy activation is expected.\n\nRisk: Prompt guidance can produce incomplete or misleading test coverage if the input context is sparse.\n\nMitigation: Provide the upstream QA context package and review generated prompts for coverage, assumptions, and constraints before using them to create test cases.\n\n## Reference(s):\n\n\n## Skill Output:\n\n**Output Type(s):** [Text, Markdown, Guidance]\n\n**Output Format:** [Markdown prompt templates and structured prompt guidance]\n\n**Output Parameters:** [1D]\n\n**Other Properties Related to Output:** [Produces optimized prompts, role definitions, output-format specifications, and constraint lists; the skill does not produce a unique traceability ID.]\n\n## Skill Version(s):\n\n1.7.5 (source: server release and SKILL.md 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: 3 files, 5289 bytes\n\nFiles: skill-card.md (2068b), SKILL.md (8289b), _meta.json (140b)\n\nFile v1.7.0:SKILL.md\n\n---\nname: qa-ai-prompt-strategy\nslug: qa-ai-prompt-strategy\ndisplayName: Ai Prompt Strategy\nversion: 1.7.0\ndescription: >-\n  根据不同的测试目标和上下文，选择最佳的提示词模式来驱动AI生成高质量的测试用例。当AI输出的测试用例质量不够好、太泛泛、或者深度不够时，问题往往不在AI而在提示词。此技能提供结构化提示词模板，注入前面步骤产出的分析结果，输出包含角色定义、输出格式规范和约束条件的优化提示词。⚠️ 作为工作流的必过步骤，不得跳过。\n\nwhen_to_use: 用户说\"怎么问AI\"、\"AI回答不好\"、\"换个方式问\"、\"提示词\"、\"提问模板\"、\"提示词优化\"、\"角色扮演\"、需要不同测试视角、AI输出太浅需要更深时\nallowed-tools: Read Grep Glob\nrelated_skills:\n  upstream:\n    - qa-ai-context-engineering  # 输入：上下文包\n  downstream:\n    - qa-ai-output-critique      # 输出：优化后的提示词用于生成\ninput_format:\n  required:\n    - name: AI上下文包\n      type: object\n      description: 来自qa-ai-context-engineering的上下文包\n  optional:\n    - name: 输出格式要求\n      type: string\n      description: 期望的输出格式和规范\n    - name: 约束条件\n      type: string\n      description: 提示词的约束和限制\noutput_format:\n  traceability:\n    - 本技能生成提示词，不产出唯一ID\n  structure:\n    - optimized_prompt: 优化后的提示词\n    - role_definition: 角色定义\n    - output_format_spec: 输出格式规范\n    - constraint_list: 约束条件列表\ndepth_requirement_quantification:\n  reference_value: \"根据场景复杂度和输出要求调整策略深度：简单x1/中等x2/复杂x3\"\n  minimum: \"至少包含角色定义、输出格式、约束条件3个核心要素\"\ncategories: ['Development','Testing','AI']\nerror_recovery_guidance:\n  on_failure: \"提示词输出质量不达标时回退到上下文工程步骤\"\n  retry_behavior: \"补充上下文要素后重新优化提示词\"\n---\n# AI 提示词策略\n\n## 核心原则\n\n不同的测试目标，需要不同的提问模式。\n\n## 提示词优化要求\n\n**关键指标**：提示词必须包含以下要素\n\n```text\n1. 角色定义：你是[领域]资深测试专家\n2. 输出数量：生成[N]条测试用例（N = 需求数量 × 5）\n3. 覆盖维度：必须覆盖以下维度\n   - 功能测试：[具体功能点]\n   - 异常测试：[异常场景类型]\n   - 边界测试：[边界条件类型]\n   - 并发测试：[并发场景]\n   - 安全测试：[安全风险点]\n   - 性能测试：[性能指标]\n4. 输出格式：Markdown表格，包含需求ID和风险ID\n5. 质量要求：每条用例必须可执行、可验证\n```\n\n## 六大提示词模式\n\n### 模式1：结构化输出模式\n**适用场景**：需要标准化、可对比的测试用例\n\n```text\n\n请按以下框架输出测试用例：\n1. 用例编号：TC-XXX\n2. 用例标题：[动作] + [对象] + [条件]\n3. 前置条件：[测试前需要满足的条件]\n4. 测试步骤：[1. 2. 3. ...]\n5. 预期结果：[具体可验证的预期]\n6. 优先级：P0/P1/P2/P3\n7. 风险等级：高/中/低\n\n输出格式：Markdown表格\n\n测试范围：[功能描述]\n测试深度：覆盖正常/异常/边界/安全\n```\n\n### 模式2：角色扮演模式\n**适用场景**：需要从特定视角深入测试\n\n```text\n你现在是一位[角色]，正在使用[功能]。\n\n你的背景：\n- 使用频率：[每天/每周/偶尔]\n- 技术水平：[新手/普通/专家]\n- 核心诉求：[你最关心什么]\n- 常见操作：[你通常怎么用]\n\n请从这个角色的视角，列出：\n1. 你会怎么用这个功能？\n2. 你会遇到什么问题？\n3. 什么会让你不满意？\n4. 你会怎么误用这个功能？\n```\n\n### 模式3：分步引导模式\n**适用场景**：复杂功能需要深度分析\n\n```text\n请按以下步骤分析这个功能：\n\n第1步：需求解构\n- 列出所有显性需求\n- 挖掘隐含假设\n- 识别潜在矛盾\n\n第2步：场景构建\n- 主路径场景\n- 分支路径场景\n- 异常恢复场景\n\n第3步：深度设计\n- 边界条件分析\n- 组合测试策略\n- 状态转换覆盖\n\n第4步：风险评估\n- 高风险区域\n- 建议测试深度\n\n功能描述：[具体描述]\n```\n\n### 模式4：反向质疑模式\n**适用场景**：AI输出后需要查漏补缺\n\n```text\n以上是你生成的测试用例。现在请：\n\n1. 假设挖掘\n- 你在输出中做了哪些假设？\n- 这些假设合理吗？\n- 如果假设不成立会怎样？\n\n2. 盲区检查\n- 哪些场景你可能遗漏了？\n- 哪些边界你没有覆盖？\n- 并发、时序、资源竞争考虑了吗？\n\n3. 改进建议\n- 最需要补充的3个场景是什么？\n- 从哪个方向迭代最有效？\n```\n\n### 模式5：多视角模式\n**适用场景**：需要全面覆盖不同角度\n\n```text\n请从以下三个视角分别分析这个功能：\n\n【用户视角】\n- 核心诉求：\n- 操作路径：\n- 痛点预测：\n\n【开发视角】\n- 技术实现风险：\n- 边界条件：\n- 异常处理：\n\n【运维视角】\n- 监控需求：\n- 故障场景：\n- 恢复方案：\n\n功能描述：[具体描述]\n```\n\n### 模式6：对抗模式\n**适用场景**：挑战AI的输出，逼出深层思考\n\n```text\n我对你的输出有以下质疑：\n\n1. [具体质疑点1]：你考虑过[特定场景]吗？\n2. [具体质疑点2]：如果[极端情况]发生会怎样？\n3. [具体质疑点3]：这个假设[具体假设]成立吗？\n\n请针对每个质疑：\n- 承认或反驳\n- 补充你的分析\n- 如果确实遗漏，补充测试场景\n```\n\n## 模式选择指南\n\n| 测试目标 | 推荐模式 | 优势 | 局限 | 复杂度 |\n|---------|---------|------|------|-------|\n| 快速生成用例 | 结构化输出 | 标准化、高效、易对比 | 深度不足、缺乏个性 | ★★ |\n| 深入理解用户 | 角色扮演 | 贴近真实场景、发现UX问题 | 依赖角色设定准确性 | ★★★ |\n| 复杂功能分析 | 分步引导 | 系统化、不遗漏深度 | 耗时长、需要迭代 | ★★★★ |\n| 质量评审 | 反向质疑 | 查漏补缺、打破盲区 | 需要已有输出为基础 | ★★★ |\n| 全面覆盖 | 多视角 | 多维度、无死角 | 输出量大、需筛选 | ★★★★ |\n| 挑战假设 | 对抗 | 逼出深层思考、验证假设 | 需要专业对抗经验 | ★★★★★ |\n\n## 模式组合策略\n\n多个模式串联使用效果更佳：\n\n| 组合 | 流程 | 适用场景 |\n|------|------|---------|\n| 结构化输出 → 反向质疑 | 先生成 → 再查漏 | 日常快速迭代 |\n| 分步引导 → 多视角 | 深度分析 → 多维度覆盖 | 复杂功能完整测试 |\n| 角色扮演 → 对抗 | 模拟用户 → 挑战假设 | 用户体验全面验证 |\n| 结构化输出 → 反向质疑 → 对抗 | 生成 → 评审 → 深度挑战 | 高安全/高风险场景 |\n\n## 输出示例\n\n用户说：\"帮我生成登录模块的测试用例\"\n\n**普通问法**（效果差）：\n> 帮我生成登录模块的测试用例\n\n**优化问法**（使用结构化输出模式）：\n> >\n> 请按以下框架输出登录模块的测试用例：\n> 1. 用例编号：TC-XXX\n> 2. 用例标题：[动作] + [对象] + [条件]\n> 3. 前置条件\n> 4. 测试步骤\n> 5. 预期结果\n> 6. 优先级：P0/P1/P2/P3\n> 7. 风险等级：高/中/低\n>\n> 输出格式：Markdown表格\n>\n> 测试范围：用户登录功能（用户名+密码）\n> 测试深度：覆盖正常/异常/边界/安全/并发\n\n## 检查清单\n\n选择提示词策略后检查：\n- [ ] 提示词是否包含角色定义？\n- [ ] 是否指定了输出数量和格式？\n- [ ] 覆盖维度是否完整？\n- [ ] 是否包含质量要求？\n\n## 常见反模式\n\n1. **万能模板**：一个模板打天下 → 不同目标用不同模式，按选择指南匹配\n2. **过度堆叠**：一次给太多约束让AI无从下手 → 按需分层叠加，先从2-3个核心维度开始\n3. **缺乏被测反馈**：只给格式不给被测功能 → 模板尾部必须附带实际功能描述或上下文\n4. **角色混乱**：让AI同时扮演多个矛盾角色 → 同一模式内只做一个角色，多角色用多视角模式\n5. **忽略验证**：只生成不验证 → 生成后必须用反向质疑或对抗模式验证质量\n\nFile v1.7.0:_meta.json\n\n{\n  \"ownerId\": \"kn71y9b23csfx0ykgm55d5m9x5891zt8\",\n  \"slug\": \"qa-ai-prompt-strategy\",\n  \"version\": \"1.7.0\",\n  \"publishedAt\": 1786890841789\n}\n\nFile v1.7.0:skill-card.md\n\n## Description:\n\nSelects structured prompt patterns for AI-assisted QA test-case generation so an agent can produce optimized prompts with role definitions, output formats, and constraints.\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, developers, and testing teams use this skill to choose prompt strategies when AI-generated test cases are too generic or shallow. It helps an agent turn a supplied QA context package into a stronger prompt for generating executable and verifiable test cases.\n\n### Deployment Geography for Use:\n\nGlobal\n\n## Known Risks and Mitigations:\n\nRisk: The skill can be invoked in broad prompt-improvement conversations because its trigger language covers general prompt optimization terms.\n\nMitigation: Scope use to QA testing workflows and supplied context packages, as recommended by the security guidance.\n\nRisk: Prompt templates may produce plausible but incomplete testing guidance if the supplied QA context is sparse or inaccurate.\n\nMitigation: Review generated prompts and test cases against the source requirements, and use the skill's critique or adversarial patterns to check assumptions and coverage gaps.\n\n## Reference(s):\n\n- [ClawHub skill page](https://clawhub.ai/kokxi/skills/qa-ai-prompt-strategy)\n\n## Skill Output:\n\n**Output Type(s):** [text, markdown, guidance]\n\n**Output Format:** [Markdown prompt templates and structured guidance]\n\n**Output Parameters:** [1D]\n\n**Other Properties Related to Output:** [Produces optimized prompts, role definitions, output format specifications, and constraint lists; it does not produce unique traceability IDs.]\n\n## Skill Version(s):\n\n1.7.0 (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 v1.6.3: 3 files, 5162 bytes\n\nFiles: skill-card.md (1687b), SKILL.md (8289b), _meta.json (140b)\n\nFile v1.6.3:SKILL.md\n\n---\nname: qa-ai-prompt-strategy\nslug: qa-ai-prompt-strategy\ndisplayName: Ai Prompt Strategy\nversion: 1.6.3\ndescription: >-\n  根据不同的测试目标和上下文，选择最佳的提示词模式来驱动AI生成高质量的测试用例。当AI输出的测试用例质量不够好、太泛泛、或者深度不够时，问题往往不在AI而在提示词。此技能提供结构化提示词模板，注入前面步骤产出的分析结果，输出包含角色定义、输出格式规范和约束条件的优化提示词。⚠️ 作为工作流的必过步骤，不得跳过。\n\nwhen_to_use: 用户说\"怎么问AI\"、\"AI回答不好\"、\"换个方式问\"、\"提示词\"、\"提问模板\"、\"提示词优化\"、\"角色扮演\"、需要不同测试视角、AI输出太浅需要更深时\nallowed-tools: Read Grep Glob\nrelated_skills:\n  upstream:\n    - qa-ai-context-engineering  # 输入：上下文包\n  downstream:\n    - qa-ai-output-critique      # 输出：优化后的提示词用于生成\ninput_format:\n  required:\n    - name: AI上下文包\n      type: object\n      description: 来自qa-ai-context-engineering的上下文包\n  optional:\n    - name: 输出格式要求\n      type: string\n      description: 期望的输出格式和规范\n    - name: 约束条件\n      type: string\n      description: 提示词的约束和限制\noutput_format:\n  traceability:\n    - 本技能生成提示词，不产出唯一ID\n  structure:\n    - optimized_prompt: 优化后的提示词\n    - role_definition: 角色定义\n    - output_format_spec: 输出格式规范\n    - constraint_list: 约束条件列表\ndepth_requirement_quantification:\n  reference_value: \"根据场景复杂度和输出要求调整策略深度：简单x1/中等x2/复杂x3\"\n  minimum: \"至少包含角色定义、输出格式、约束条件3个核心要素\"\ncategories: ['Development','Testing','AI']\nerror_recovery_guidance:\n  on_failure: \"提示词输出质量不达标时回退到上下文工程步骤\"\n  retry_behavior: \"补充上下文要素后重新优化提示词\"\n---\n# AI 提示词策略\n\n## 核心原则\n\n不同的测试目标，需要不同的提问模式。\n\n## 提示词优化要求\n\n**关键指标**：提示词必须包含以下要素\n\n```text\n1. 角色定义：你是[领域]资深测试专家\n2. 输出数量：生成[N]条测试用例（N = 需求数量 × 5）\n3. 覆盖维度：必须覆盖以下维度\n   - 功能测试：[具体功能点]\n   - 异常测试：[异常场景类型]\n   - 边界测试：[边界条件类型]\n   - 并发测试：[并发场景]\n   - 安全测试：[安全风险点]\n   - 性能测试：[性能指标]\n4. 输出格式：Markdown表格，包含需求ID和风险ID\n5. 质量要求：每条用例必须可执行、可验证\n```\n\n## 六大提示词模式\n\n### 模式1：结构化输出模式\n**适用场景**：需要标准化、可对比的测试用例\n\n```text\n\n请按以下框架输出测试用例：\n1. 用例编号：TC-XXX\n2. 用例标题：[动作] + [对象] + [条件]\n3. 前置条件：[测试前需要满足的条件]\n4. 测试步骤：[1. 2. 3. ...]\n5. 预期结果：[具体可验证的预期]\n6. 优先级：P0/P1/P2/P3\n7. 风险等级：高/中/低\n\n输出格式：Markdown表格\n\n测试范围：[功能描述]\n测试深度：覆盖正常/异常/边界/安全\n```\n\n### 模式2：角色扮演模式\n**适用场景**：需要从特定视角深入测试\n\n```text\n你现在是一位[角色]，正在使用[功能]。\n\n你的背景：\n- 使用频率：[每天/每周/偶尔]\n- 技术水平：[新手/普通/专家]\n- 核心诉求：[你最关心什么]\n- 常见操作：[你通常怎么用]\n\n请从这个角色的视角，列出：\n1. 你会怎么用这个功能？\n2. 你会遇到什么问题？\n3. 什么会让你不满意？\n4. 你会怎么误用这个功能？\n```\n\n### 模式3：分步引导模式\n**适用场景**：复杂功能需要深度分析\n\n```text\n请按以下步骤分析这个功能：\n\n第1步：需求解构\n- 列出所有显性需求\n- 挖掘隐含假设\n- 识别潜在矛盾\n\n第2步：场景构建\n- 主路径场景\n- 分支路径场景\n- 异常恢复场景\n\n第3步：深度设计\n- 边界条件分析\n- 组合测试策略\n- 状态转换覆盖\n\n第4步：风险评估\n- 高风险区域\n- 建议测试深度\n\n功能描述：[具体描述]\n```\n\n### 模式4：反向质疑模式\n**适用场景**：AI输出后需要查漏补缺\n\n```text\n以上是你生成的测试用例。现在请：\n\n1. 假设挖掘\n- 你在输出中做了哪些假设？\n- 这些假设合理吗？\n- 如果假设不成立会怎样？\n\n2. 盲区检查\n- 哪些场景你可能遗漏了？\n- 哪些边界你没有覆盖？\n- 并发、时序、资源竞争考虑了吗？\n\n3. 改进建议\n- 最需要补充的3个场景是什么？\n- 从哪个方向迭代最有效？\n```\n\n### 模式5：多视角模式\n**适用场景**：需要全面覆盖不同角度\n\n```text\n请从以下三个视角分别分析这个功能：\n\n【用户视角】\n- 核心诉求：\n- 操作路径：\n- 痛点预测：\n\n【开发视角】\n- 技术实现风险：\n- 边界条件：\n- 异常处理：\n\n【运维视角】\n- 监控需求：\n- 故障场景：\n- 恢复方案：\n\n功能描述：[具体描述]\n```\n\n### 模式6：对抗模式\n**适用场景**：挑战AI的输出，逼出深层思考\n\n```text\n我对你的输出有以下质疑：\n\n1. [具体质疑点1]：你考虑过[特定场景]吗？\n2. [具体质疑点2]：如果[极端情况]发生会怎样？\n3. [具体质疑点3]：这个假设[具体假设]成立吗？\n\n请针对每个质疑：\n- 承认或反驳\n- 补充你的分析\n- 如果确实遗漏，补充测试场景\n```\n\n## 模式选择指南\n\n| 测试目标 | 推荐模式 | 优势 | 局限 | 复杂度 |\n|---------|---------|------|------|-------|\n| 快速生成用例 | 结构化输出 | 标准化、高效、易对比 | 深度不足、缺乏个性 | ★★ |\n| 深入理解用户 | 角色扮演 | 贴近真实场景、发现UX问题 | 依赖角色设定准确性 | ★★★ |\n| 复杂功能分析 | 分步引导 | 系统化、不遗漏深度 | 耗时长、需要迭代 | ★★★★ |\n| 质量评审 | 反向质疑 | 查漏补缺、打破盲区 | 需要已有输出为基础 | ★★★ |\n| 全面覆盖 | 多视角 | 多维度、无死角 | 输出量大、需筛选 | ★★★★ |\n| 挑战假设 | 对抗 | 逼出深层思考、验证假设 | 需要专业对抗经验 | ★★★★★ |\n\n## 模式组合策略\n\n多个模式串联使用效果更佳：\n\n| 组合 | 流程 | 适用场景 |\n|------|------|---------|\n| 结构化输出 → 反向质疑 | 先生成 → 再查漏 | 日常快速迭代 |\n| 分步引导 → 多视角 | 深度分析 → 多维度覆盖 | 复杂功能完整测试 |\n| 角色扮演 → 对抗 | 模拟用户 → 挑战假设 | 用户体验全面验证 |\n| 结构化输出 → 反向质疑 → 对抗 | 生成 → 评审 → 深度挑战 | 高安全/高风险场景 |\n\n## 输出示例\n\n用户说：\"帮我生成登录模块的测试用例\"\n\n**普通问法**（效果差）：\n> 帮我生成登录模块的测试用例\n\n**优化问法**（使用结构化输出模式）：\n> >\n> 请按以下框架输出登录模块的测试用例：\n> 1. 用例编号：TC-XXX\n> 2. 用例标题：[动作] + [对象] + [条件]\n> 3. 前置条件\n> 4. 测试步骤\n> 5. 预期结果\n> 6. 优先级：P0/P1/P2/P3\n> 7. 风险等级：高/中/低\n>\n> 输出格式：Markdown表格\n>\n> 测试范围：用户登录功能（用户名+密码）\n> 测试深度：覆盖正常/异常/边界/安全/并发\n\n## 检查清单\n\n选择提示词策略后检查：\n- [ ] 提示词是否包含角色定义？\n- [ ] 是否指定了输出数量和格式？\n- [ ] 覆盖维度是否完整？\n- [ ] 是否包含质量要求？\n\n## 常见反模式\n\n1. **万能模板**：一个模板打天下 → 不同目标用不同模式，按选择指南匹配\n2. **过度堆叠**：一次给太多约束让AI无从下手 → 按需分层叠加，先从2-3个核心维度开始\n3. **缺乏被测反馈**：只给格式不给被测功能 → 模板尾部必须附带实际功能描述或上下文\n4. **角色混乱**：让AI同时扮演多个矛盾角色 → 同一模式内只做一个角色，多角色用多视角模式\n5. **忽略验证**：只生成不验证 → 生成后必须用反向质疑或对抗模式验证质量\n\nFile v1.6.3:_meta.json\n\n{\n  \"ownerId\": \"kn71y9b23csfx0ykgm55d5m9x5891zt8\",\n  \"slug\": \"qa-ai-prompt-strategy\",\n  \"version\": \"1.6.3\",\n  \"publishedAt\": 1786548029020\n}\n\nFile v1.6.3:skill-card.md\n\n## Description:\n\nHelps QA practitioners choose structured AI prompt patterns that generate deeper, more specific test cases from an existing testing context.\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 developers use this skill to transform product or requirement context into higher-quality AI prompts for generating executable, verifiable test cases across functional, edge, security, performance, and multi-perspective scenarios.\n\n### Deployment Geography for Use:\n\nGlobal\n\n## Known Risks and Mitigations:\n\nRisk: The skill may activate for broad prompt-improvement requests, not only explicit test-case generation requests.\n\nMitigation: Review the selected prompt strategy against the current QA task and confirm that the generated prompt remains scoped to the intended testing context.\n\n## Reference(s):\n\n- [ClawHub skill page](https://clawhub.ai/kokxi/skills/qa-ai-prompt-strategy)\n\n## Skill Output:\n\n**Output Type(s):** [Text, Markdown, Guidance]\n\n**Output Format:** [Markdown prompt templates and checklist guidance]\n\n**Output Parameters:** [1D]\n\n**Other Properties Related to Output:** [Produces optimized prompts with role definitions, output format specifications, and constraint lists.]\n\n## Skill Version(s):\n\n1.6.3 (source: frontmatter and 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: 3 files, 5276 bytes\n\nFiles: skill-card.md (2025b), SKILL.md (8484b), _meta.json (140b)\n\nFile v1.6.0:SKILL.md\n\n---\r\nname: qa-ai-prompt-strategy\r\nversion: 1.6.0\r\ndescription: >-\r\n  根据不同的测试目标和上下文，选择最佳的提示词模式来驱动AI生成高质量的测试用例。当AI输出的测试用例质量不够好、太泛泛、或者深度不够时，问题往往不在AI而在提示词。此技能提供结构化提示词模板，注入前面步骤产出的分析结果，输出包含角色定义、输出格式规范和约束条件的优化提示词。⚠️ 作为工作流的必过步骤，不得跳过。\r\n\r\nwhen_to_use: 用户说\"怎么问AI\"、\"AI回答不好\"、\"换个方式问\"、\"提示词\"、\"提问模板\"、\"提示词优化\"、\"角色扮演\"、需要不同测试视角、AI输出太浅需要更深时\r\nallowed-tools: Read Grep Glob\r\nrelated_skills:\r\n  upstream:\r\n    - qa-ai-context-engineering  # 输入：上下文包\r\n  downstream:\r\n    - qa-ai-output-critique      # 输出：优化后的提示词用于生成\r\ninput_format:\r\n  required:\r\n    - name: AI上下文包\r\n      type: object\r\n      description: 来自qa-ai-context-engineering的上下文包\r\n  optional:\r\n    - name: 输出格式要求\r\n      type: string\r\n      description: 期望的输出格式和规范\r\n    - name: 约束条件\r\n      type: string\r\n      description: 提示词的约束和限制\r\noutput_format:\r\n  traceability:\r\n    - 本技能生成提示词，不产出唯一ID\r\n  structure:\r\n    - optimized_prompt: 优化后的提示词\r\n    - role_definition: 角色定义\r\n    - output_format_spec: 输出格式规范\r\n    - constraint_list: 约束条件列表\r\ndepth_requirement_quantification:\r\n  reference_value: \"根据场景复杂度和输出要求调整策略深度：简单x1/中等x2/复杂x3\"\r\n  minimum: \"至少包含角色定义、输出格式、约束条件3个核心要素\"\r\ncategories: ['Development','Testing','AI']\r\nerror_recovery_guidance:\r\n  on_failure: \"提示词输出质量不达标时回退到上下文工程步骤\"\r\n  retry_behavior: \"补充上下文要素后重新优化提示词\"\r\n---\r\n# AI 提示词策略\r\n\r\n## 核心原则\r\n\r\n不同的测试目标，需要不同的提问模式。\r\n\r\n## 提示词优化要求\r\n\r\n**关键指标**：提示词必须包含以下要素\r\n\r\n```text\r\n1. 角色定义：你是[领域]资深测试专家\r\n2. 输出数量：生成[N]条测试用例（N = 需求数量 × 5）\r\n3. 覆盖维度：必须覆盖以下维度\r\n   - 功能测试：[具体功能点]\r\n   - 异常测试：[异常场景类型]\r\n   - 边界测试：[边界条件类型]\r\n   - 并发测试：[并发场景]\r\n   - 安全测试：[安全风险点]\r\n   - 性能测试：[性能指标]\r\n4. 输出格式：Markdown表格，包含需求ID和风险ID\r\n5. 质量要求：每条用例必须可执行、可验证\r\n```\r\n\r\n## 六大提示词模式\r\n\r\n### 模式1：结构化输出模式\r\n**适用场景**：需要标准化、可对比的测试用例\r\n\r\n```text\r\n\r\n请按以下框架输出测试用例：\r\n1. 用例编号：TC-XXX\r\n2. 用例标题：[动作] + [对象] + [条件]\r\n3. 前置条件：[测试前需要满足的条件]\r\n4. 测试步骤：[1. 2. 3. ...]\r\n5. 预期结果：[具体可验证的预期]\r\n6. 优先级：P0/P1/P2/P3\r\n7. 风险等级：高/中/低\r\n\r\n输出格式：Markdown表格\r\n\r\n测试范围：[功能描述]\r\n测试深度：覆盖正常/异常/边界/安全\r\n```\r\n\r\n### 模式2：角色扮演模式\r\n**适用场景**：需要从特定视角深入测试\r\n\r\n```text\r\n你现在是一位[角色]，正在使用[功能]。\r\n\r\n你的背景：\r\n- 使用频率：[每天/每周/偶尔]\r\n- 技术水平：[新手/普通/专家]\r\n- 核心诉求：[你最关心什么]\r\n- 常见操作：[你通常怎么用]\r\n\r\n请从这个角色的视角，列出：\r\n1. 你会怎么用这个功能？\r\n2. 你会遇到什么问题？\r\n3. 什么会让你不满意？\r\n4. 你会怎么误用这个功能？\r\n```\r\n\r\n### 模式3：分步引导模式\r\n**适用场景**：复杂功能需要深度分析\r\n\r\n```text\r\n请按以下步骤分析这个功能：\r\n\r\n第1步：需求解构\r\n- 列出所有显性需求\r\n- 挖掘隐含假设\r\n- 识别潜在矛盾\r\n\r\n第2步：场景构建\r\n- 主路径场景\r\n- 分支路径场景\r\n- 异常恢复场景\r\n\r\n第3步：深度设计\r\n- 边界条件分析\r\n- 组合测试策略\r\n- 状态转换覆盖\r\n\r\n第4步：风险评估\r\n- 高风险区域\r\n- 建议测试深度\r\n\r\n功能描述：[具体描述]\r\n```\r\n\r\n### 模式4：反向质疑模式\r\n**适用场景**：AI输出后需要查漏补缺\r\n\r\n```text\r\n以上是你生成的测试用例。现在请：\r\n\r\n1. 假设挖掘\r\n- 你在输出中做了哪些假设？\r\n- 这些假设合理吗？\r\n- 如果假设不成立会怎样？\r\n\r\n2. 盲区检查\r\n- 哪些场景你可能遗漏了？\r\n- 哪些边界你没有覆盖？\r\n- 并发、时序、资源竞争考虑了吗？\r\n\r\n3. 改进建议\r\n- 最需要补充的3个场景是什么？\r\n- 从哪个方向迭代最有效？\r\n```\r\n\r\n### 模式5：多视角模式\r\n**适用场景**：需要全面覆盖不同角度\r\n\r\n```text\r\n请从以下三个视角分别分析这个功能：\r\n\r\n【用户视角】\r\n- 核心诉求：\r\n- 操作路径：\r\n- 痛点预测：\r\n\r\n【开发视角】\r\n- 技术实现风险：\r\n- 边界条件：\r\n- 异常处理：\r\n\r\n【运维视角】\r\n- 监控需求：\r\n- 故障场景：\r\n- 恢复方案：\r\n\r\n功能描述：[具体描述]\r\n```\r\n\r\n### 模式6：对抗模式\r\n**适用场景**：挑战AI的输出，逼出深层思考\r\n\r\n```text\r\n我对你的输出有以下质疑：\r\n\r\n1. [具体质疑点1]：你考虑过[特定场景]吗？\r\n2. [具体质疑点2]：如果[极端情况]发生会怎样？\r\n3. [具体质疑点3]：这个假设[具体假设]成立吗？\r\n\r\n请针对每个质疑：\r\n- 承认或反驳\r\n- 补充你的分析\r\n- 如果确实遗漏，补充测试场景\r\n```\r\n\r\n## 模式选择指南\r\n\r\n| 测试目标 | 推荐模式 | 优势 | 局限 | 复杂度 |\r\n|---------|---------|------|------|-------|\r\n| 快速生成用例 | 结构化输出 | 标准化、高效、易对比 | 深度不足、缺乏个性 | ★★ |\r\n| 深入理解用户 | 角色扮演 | 贴近真实场景、发现UX问题 | 依赖角色设定准确性 | ★★★ |\r\n| 复杂功能分析 | 分步引导 | 系统化、不遗漏深度 | 耗时长、需要迭代 | ★★★★ |\r\n| 质量评审 | 反向质疑 | 查漏补缺、打破盲区 | 需要已有输出为基础 | ★★★ |\r\n| 全面覆盖 | 多视角 | 多维度、无死角 | 输出量大、需筛选 | ★★★★ |\r\n| 挑战假设 | 对抗 | 逼出深层思考、验证假设 | 需要专业对抗经验 | ★★★★★ |\r\n\r\n## 模式组合策略\r\n\r\n多个模式串联使用效果更佳：\r\n\r\n| 组合 | 流程 | 适用场景 |\r\n|------|------|---------|\r\n| 结构化输出 → 反向质疑 | 先生成 → 再查漏 | 日常快速迭代 |\r\n| 分步引导 → 多视角 | 深度分析 → 多维度覆盖 | 复杂功能完整测试 |\r\n| 角色扮演 → 对抗 | 模拟用户 → 挑战假设 | 用户体验全面验证 |\r\n| 结构化输出 → 反向质疑 → 对抗 | 生成 → 评审 → 深度挑战 | 高安全/高风险场景 |\r\n\r\n## 输出示例\r\n\r\n用户说：\"帮我生成登录模块的测试用例\"\r\n\r\n**普通问法**（效果差）：\r\n> 帮我生成登录模块的测试用例\r\n\r\n**优化问法**（使用结构化输出模式）：\r\n> >\r\n> 请按以下框架输出登录模块的测试用例：\r\n> 1. 用例编号：TC-XXX\r\n> 2. 用例标题：[动作] + [对象] + [条件]\r\n> 3. 前置条件\r\n> 4. 测试步骤\r\n> 5. 预期结果\r\n> 6. 优先级：P0/P1/P2/P3\r\n> 7. 风险等级：高/中/低\r\n>\r\n> 输出格式：Markdown表格\r\n>\r\n> 测试范围：用户登录功能（用户名+密码）\r\n> 测试深度：覆盖正常/异常/边界/安全/并发\r\n\r\n## 检查清单\r\n\r\n选择提示词策略后检查：\r\n- [ ] 提示词是否包含角色定义？\r\n- [ ] 是否指定了输出数量和格式？\r\n- [ ] 覆盖维度是否完整？\r\n- [ ] 是否包含质量要求？\r\n\r\n## 常见反模式\r\n\r\n1. **万能模板**：一个模板打天下 → 不同目标用不同模式，按选择指南匹配\r\n2. **过度堆叠**：一次给太多约束让AI无从下手 → 按需分层叠加，先从2-3个核心维度开始\r\n3. **缺乏被测反馈**：只给格式不给被测功能 → 模板尾部必须附带实际功能描述或上下文\r\n4. **角色混乱**：让AI同时扮演多个矛盾角色 → 同一模式内只做一个角色，多角色用多视角模式\r\n5. **忽略验证**：只生成不验证 → 生成后必须用反向质疑或对抗模式验证质量\n\nFile v1.6.0:_meta.json\n\n{\n  \"ownerId\": \"kn71y9b23csfx0ykgm55d5m9x5891zt8\",\n  \"slug\": \"qa-ai-prompt-strategy\",\n  \"version\": \"1.6.0\",\n  \"publishedAt\": 1783358035882\n}\n\nFile v1.6.0:skill-card.md\n\n## Description: <br>\nSelects structured prompt patterns that help agents generate deeper, more useful QA test cases from testing goals and context. <br>\n\nThis skill is ready for commercial/non-commercial use. <br>\n\n## Publisher: <br>\n[kokxi](https://clawhub.ai/user/kokxi) <br>\n\n### License/Terms of Use: <br>\nMIT-0 <br>\n\n\n## Use Case: <br>\nQA engineers, testers, and agent operators use this skill to choose prompt templates for functional, exception, boundary, concurrency, security, performance, multi-perspective, and adversarial test-case generation. It is especially useful when prior AI-generated test cases are too generic or shallow. <br>\n\n### Deployment Geography for Use: <br>\nGlobal <br>\n\n## Known Risks and Mitigations: <br>\nRisk: The skill may activate for broad prompt-improvement requests outside a QA test-case workflow. <br>\nMitigation: Confirm the user's goal is QA test-case generation before applying these templates. <br>\nRisk: Generated prompts can produce shallow or poorly targeted test cases when the input context is incomplete. <br>\nMitigation: Return to context engineering and add missing functional, risk, and constraint details before regenerating the prompt. <br>\n\n\n## Reference(s): <br>\n- [ClawHub skill page](https://clawhub.ai/kokxi/skills/qa-ai-prompt-strategy) <br>\n\n\n## Skill Output: <br>\n**Output Type(s):** [text, markdown, guidance] <br>\n**Output Format:** [Markdown prompt templates with role definitions, output-format specifications, and constraint lists] <br>\n**Output Parameters:** [1D] <br>\n**Other Properties Related to Output:** [Produces optimized prompts rather than executing tests or modifying files.] <br>\n\n## Skill Version(s): <br>\n1.6.0 (source: frontmatter and server release evidence) <br>\n\n## Ethical Considerations: <br>\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. <br>\n\nArchive v1.5.0: 3 files, 5147 bytes\n\nFiles: skill-card.md (1847b), SKILL.md (8516b), _meta.json (140b)\n\nFile v1.5.0:SKILL.md\n\n---\r\nname: qa-ai-prompt-strategy\r\nversion: 1.5.0\r\ndescription: >-\r\n  根据不同的测试目标和上下文，选择最佳的提示词模式来驱动AI生成高质量的测试用例。当AI输出的测试用例质量不够好、太泛泛、或者深度不够时，问题往往不在AI而在提示词。此技能提供结构化提示词模板，注入前面步骤产出的分析结果，输出包含角色定义、输出格式规范和约束条件的优化提示词。⚠️ 作为工作流的必过步骤，不得跳过。\r\n\r\nwhen_to_use: 用户说\"怎么问AI\"、\"AI回答不好\"、\"换个方式问\"、\"提示词\"、\"提问模板\"、\"提示词优化\"、\"角色扮演\"、需要不同测试视角、AI输出太浅需要更深时\r\nallowed-tools: Read Grep Glob\r\nrelated_skills:\r\n  upstream:\r\n    - qa-ai-context-engineering  # 输入：上下文包\r\n  downstream:\r\n    - qa-ai-output-critique      # 输出：优化后的提示词用于生成\r\ninput_format:\r\n  required:\r\n    - name: AI上下文包\r\n      type: object\r\n      description: 来自qa-ai-context-engineering的上下文包\r\n  optional:\r\n    - name: 输出格式要求\r\n      type: string\r\n      description: 期望的输出格式和规范\r\n    - name: 约束条件\r\n      type: string\r\n      description: 提示词的约束和限制\r\noutput_format:\r\n  structure:\r\n    - optimized_prompt: 优化后的提示词\r\n    - role_definition: 角色定义\r\n    - output_format_spec: 输出格式规范\r\n    - constraint_list: 约束条件列表\r\ndepth_requirement_quantification:\r\n  reference_value: \"根据场景复杂度和输出要求调整策略深度：简单x1/中等x2/复杂x3\"\r\n  minimum: \"至少包含角色定义、输出格式、约束条件3个核心要素\"\r\n---\r\n\r\n# AI 提示词策略\r\n\r\n## 核心原则\r\n\r\n你是一位AI协作专家，擅长设计让AI产出专家级输出的提示词。\r\n**核心原则**：不同的测试目标，需要不同的提问模式。\r\n本技能提供六大提示词模式，覆盖从快速生成到深度对抗的完整测试场景。\r\n\r\n## 提示词优化要求\r\n\r\n**关键指标**：提示词必须包含以下要素\r\n\r\n```text\r\n1. 角色定义：你是[领域]资深测试专家\r\n2. 输出数量：生成[N]条测试用例（N = 需求数量 × 5）\r\n3. 覆盖维度：必须覆盖以下维度\r\n   - 功能测试：[具体功能点]\r\n   - 异常测试：[异常场景类型]\r\n   - 边界测试：[边界条件类型]\r\n   - 并发测试：[并发场景]\r\n   - 安全测试：[安全风险点]\r\n   - 性能测试：[性能指标]\r\n4. 输出格式：Markdown表格，包含需求ID和风险ID\r\n5. 质量要求：每条用例必须可执行、可验证\r\n```\r\n\r\n## 六大提示词模式\r\n\r\n### 模式1：结构化输出模式\r\n**适用场景**：需要标准化、可对比的测试用例\r\n\r\n```text\r\n你是一位有10年经验的[领域]测试专家。\r\n\r\n请按以下框架输出测试用例：\r\n1. 用例编号：TC-XXX\r\n2. 用例标题：[动作] + [对象] + [条件]\r\n3. 前置条件：[测试前需要满足的条件]\r\n4. 测试步骤：[1. 2. 3. ...]\r\n5. 预期结果：[具体可验证的预期]\r\n6. 优先级：P0/P1/P2/P3\r\n7. 风险等级：高/中/低\r\n\r\n输出格式：Markdown表格\r\n\r\n测试范围：[功能描述]\r\n测试深度：覆盖正常/异常/边界/安全\r\n```\r\n\r\n### 模式2：角色扮演模式\r\n**适用场景**：需要从特定视角深入测试\r\n\r\n```text\r\n你现在是一位[角色]，正在使用[功能]。\r\n\r\n你的背景：\r\n- 使用频率：[每天/每周/偶尔]\r\n- 技术水平：[新手/普通/专家]\r\n- 核心诉求：[你最关心什么]\r\n- 常见操作：[你通常怎么用]\r\n\r\n请从这个角色的视角，列出：\r\n1. 你会怎么用这个功能？\r\n2. 你会遇到什么问题？\r\n3. 什么会让你不满意？\r\n4. 你会怎么误用这个功能？\r\n```\r\n\r\n### 模式3：分步引导模式\r\n**适用场景**：复杂功能需要深度分析\r\n\r\n```text\r\n请按以下步骤分析这个功能：\r\n\r\n第1步：需求解构\r\n- 列出所有显性需求\r\n- 挖掘隐含假设\r\n- 识别潜在矛盾\r\n\r\n第2步：场景构建\r\n- 主路径场景\r\n- 分支路径场景\r\n- 异常恢复场景\r\n\r\n第3步：深度设计\r\n- 边界条件分析\r\n- 组合测试策略\r\n- 状态转换覆盖\r\n\r\n第4步：风险评估\r\n- 高风险区域\r\n- 建议测试深度\r\n\r\n功能描述：[具体描述]\r\n```\r\n\r\n### 模式4：反向质疑模式\r\n**适用场景**：AI输出后需要查漏补缺\r\n\r\n```text\r\n以上是你生成的测试用例。现在请：\r\n\r\n1. 假设挖掘\r\n- 你在输出中做了哪些假设？\r\n- 这些假设合理吗？\r\n- 如果假设不成立会怎样？\r\n\r\n2. 盲区检查\r\n- 哪些场景你可能遗漏了？\r\n- 哪些边界你没有覆盖？\r\n- 并发、时序、资源竞争考虑了吗？\r\n\r\n3. 改进建议\r\n- 最需要补充的3个场景是什么？\r\n- 从哪个方向迭代最有效？\r\n```\r\n\r\n### 模式5：多视角模式\r\n**适用场景**：需要全面覆盖不同角度\r\n\r\n```text\r\n请从以下三个视角分别分析这个功能：\r\n\r\n【用户视角】\r\n- 核心诉求：\r\n- 操作路径：\r\n- 痛点预测：\r\n\r\n【开发视角】\r\n- 技术实现风险：\r\n- 边界条件：\r\n- 异常处理：\r\n\r\n【运维视角】\r\n- 监控需求：\r\n- 故障场景：\r\n- 恢复方案：\r\n\r\n功能描述：[具体描述]\r\n```\r\n\r\n### 模式6：对抗模式\r\n**适用场景**：挑战AI的输出，逼出深层思考\r\n\r\n```text\r\n我对你的输出有以下质疑：\r\n\r\n1. [具体质疑点1]：你考虑过[特定场景]吗？\r\n2. [具体质疑点2]：如果[极端情况]发生会怎样？\r\n3. [具体质疑点3]：这个假设[具体假设]成立吗？\r\n\r\n请针对每个质疑：\r\n- 承认或反驳\r\n- 补充你的分析\r\n- 如果确实遗漏，补充测试场景\r\n```\r\n\r\n## 模式选择指南\r\n\r\n| 测试目标 | 推荐模式 | 优势 | 局限 | 复杂度 |\r\n|---------|---------|------|------|-------|\r\n| 快速生成用例 | 结构化输出 | 标准化、高效、易对比 | 深度不足、缺乏个性 | ★★ |\r\n| 深入理解用户 | 角色扮演 | 贴近真实场景、发现UX问题 | 依赖角色设定准确性 | ★★★ |\r\n| 复杂功能分析 | 分步引导 | 系统化、不遗漏深度 | 耗时长、需要迭代 | ★★★★ |\r\n| 质量评审 | 反向质疑 | 查漏补缺、打破盲区 | 需要已有输出为基础 | ★★★ |\r\n| 全面覆盖 | 多视角 | 多维度、无死角 | 输出量大、需筛选 | ★★★★ |\r\n| 挑战假设 | 对抗 | 逼出深层思考、验证假设 | 需要专业对抗经验 | ★★★★★ |\r\n\r\n## 模式组合策略\r\n\r\n多个模式串联使用效果更佳：\r\n\r\n| 组合 | 流程 | 适用场景 |\r\n|------|------|---------|\r\n| 结构化输出 → 反向质疑 | 先生成 → 再查漏 | 日常快速迭代 |\r\n| 分步引导 → 多视角 | 深度分析 → 多维度覆盖 | 复杂功能完整测试 |\r\n| 角色扮演 → 对抗 | 模拟用户 → 挑战假设 | 用户体验全面验证 |\r\n| 结构化输出 → 反向质疑 → 对抗 | 生成 → 评审 → 深度挑战 | 高安全/高风险场景 |\r\n\r\n## 输出示例\r\n\r\n用户说：\"帮我生成登录模块的测试用例\"\r\n\r\n**普通问法**（效果差）：\r\n> 帮我生成登录模块的测试用例\r\n\r\n**优化问法**（使用结构化输出模式）：\r\n> 你是一位有10年经验的Web安全测试专家。\r\n>\r\n> 请按以下框架输出登录模块的测试用例：\r\n> 1. 用例编号：TC-XXX\r\n> 2. 用例标题：[动作] + [对象] + [条件]\r\n> 3. 前置条件\r\n> 4. 测试步骤\r\n> 5. 预期结果\r\n> 6. 优先级：P0/P1/P2/P3\r\n> 7. 风险等级：高/中/低\r\n>\r\n> 输出格式：Markdown表格\r\n>\r\n> 测试范围：用户登录功能（用户名+密码）\r\n> 测试深度：覆盖正常/异常/边界/安全/并发\r\n\r\n## 检查清单\r\n\r\n选择提示词策略后检查：\r\n- [ ] 提示词是否包含角色定义？\r\n- [ ] 是否指定了输出数量和格式？\r\n- [ ] 覆盖维度是否完整？\r\n- [ ] 是否包含质量要求？\r\n\r\n## 常见反模式\r\n\r\n1. **万能模板**：一个模板打天下 → 不同目标用不同模式，按选择指南匹配\r\n2. **过度堆叠**：一次给太多约束让AI无从下手 → 按需分层叠加，先从2-3个核心维度开始\r\n3. **缺乏被测反馈**：只给格式不给被测功能 → 模板尾部必须附带实际功能描述或上下文\r\n4. **角色混乱**：让AI同时扮演多个矛盾角色 → 同一模式内只做一个角色，多角色用多视角模式\r\n5. **忽略验证**：只生成不验证 → 生成后必须用反向质疑或对抗模式验证质量\n\nFile v1.5.0:_meta.json\n\n{\n  \"ownerId\": \"kn71y9b23csfx0ykgm55d5m9x5891zt8\",\n  \"slug\": \"qa-ai-prompt-strategy\",\n  \"version\": \"1.5.0\",\n  \"publishedAt\": 1782736255750\n}\n\nFile v1.5.0:skill-card.md\n\n## Description: <br>\nHelps QA practitioners choose structured AI prompt strategies that produce higher-quality, deeper test cases from testing context. <br>\n\nThis skill is ready for commercial/non-commercial use. <br>\n\n## Publisher: <br>\n[kokxi](https://clawhub.ai/user/kokxi) <br>\n\n### License/Terms of Use: <br>\nMIT-0 <br>\n\n\n## Use Case: <br>\nQA engineers and test-focused developers use this skill to select prompt patterns for structured output, role-based testing, stepwise analysis, reverse questioning, multi-perspective review, and adversarial challenge when generating or improving test cases. <br>\n\n### Deployment Geography for Use: <br>\nGlobal <br>\n\n## Known Risks and Mitigations: <br>\nRisk: Broad trigger wording may activate the skill for general prompt-writing or role-play requests outside QA test-case generation. <br>\nMitigation: Use the skill when the task is QA test-case generation, test prompt improvement, or selecting a test-focused prompt strategy. <br>\n\n\n## Reference(s): <br>\n- [ClawHub skill page](https://clawhub.ai/kokxi/skills/qa-ai-prompt-strategy) <br>\n\n\n## Skill Output: <br>\n**Output Type(s):** [text, markdown, guidance] <br>\n**Output Format:** [Structured prompt strategy guidance with text templates and Markdown tables] <br>\n**Output Parameters:** [1D] <br>\n**Other Properties Related to Output:** [Outputs optimized_prompt, role_definition, output_format_spec, and constraint_list fields when applied as specified by the skill.] <br>\n\n## Skill Version(s): <br>\n1.5.0 (source: server release evidence and SKILL.md frontmatter) <br>\n\n## Ethical Considerations: <br>\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. <br>\n\nArchive v1.4.1: 3 files, 4901 bytes\n\nFiles: skill-card.md (1981b), SKILL.md (7855b), _meta.json (140b)\n\nFile v1.4.1:SKILL.md\n\n---\r\nname: qa-ai-prompt-strategy\r\ndescription: >-\r\n  AI测试提示词策略库，提供不同测试目标的最佳提问模板和结构化提示词模式。当用户不知道如何向AI提问、AI回答质量不佳或需要不同测试视角时自动触发。\r\n  也适用于：需要为特定测试目标定制提示词、或优化现有提示词结构时。\r\n   关键词：提示词策略、AI提问、模板库、测试视角、提示词工程、AI协作、提问模板、测试提示词、提示词优化、模式选择、结构化提示词。\nwhen_to_use: 用户说\"怎么问AI\"、\"AI回答不好\"、\"换个方式问\"、\"提示词\"、\"提问模板\"、\"提示词优化\"、\"角色扮演\"、需要不同测试视角、AI输出太浅需要更深时\r\nallowed-tools: Read Grep Glob\r\nrelated_skills:\r\n  upstream:\r\n    - qa-ai-context-engineering  # 输入：上下文包\r\n  downstream:\r\n    - qa-ai-output-critique      # 输出：优化后的提示词用于生成\r\ninput_format: 结构化上下文包（JSON格式）\r\noutput_format: 优化后的提示词（包含角色/上下文/框架/格式/约束）\r\n---\r\n\r\n# AI 提示词策略\r\n\r\n## Overview\r\n\r\n你是一位AI协作专家，擅长设计让AI产出专家级输出的提示词。\r\n**核心原则**：不同的测试目标，需要不同的提问模式。\r\n本技能提供六大提示词模式，覆盖从快速生成到深度对抗的完整测试场景。\r\n\r\n## 提示词优化要求\r\n\r\n**关键指标**：提示词必须包含以下要素\r\n\r\n```\r\n1. 角色定义：你是[领域]资深测试专家\r\n2. 输出数量：生成[N]条测试用例（N = 需求数量 × 5）\r\n3. 覆盖维度：必须覆盖以下维度\r\n   - 功能测试：[具体功能点]\r\n   - 异常测试：[异常场景类型]\r\n   - 边界测试：[边界条件类型]\r\n   - 并发测试：[并发场景]\r\n   - 安全测试：[安全风险点]\r\n   - 性能测试：[性能指标]\r\n4. 输出格式：Markdown表格，包含需求ID和风险ID\r\n5. 质量要求：每条用例必须可执行、可验证\r\n```\r\n\r\n## 六大提示词模式\r\n\r\n### 模式1：结构化输出模式\r\n**适用场景**：需要标准化、可对比的测试用例\r\n\r\n```\r\n你是一位有10年经验的[领域]测试专家。\r\n\r\n请按以下框架输出测试用例：\r\n1. 用例编号：TC-XXX\r\n2. 用例标题：[动作] + [对象] + [条件]\r\n3. 前置条件：[测试前需要满足的条件]\r\n4. 测试步骤：[1. 2. 3. ...]\r\n5. 预期结果：[具体可验证的预期]\r\n6. 优先级：P0/P1/P2/P3\r\n7. 风险等级：高/中/低\r\n\r\n输出格式：Markdown表格\r\n\r\n测试范围：[功能描述]\r\n测试深度：覆盖正常/异常/边界/安全\r\n```\r\n\r\n### 模式2：角色扮演模式\r\n**适用场景**：需要从特定视角深入测试\r\n\r\n```\r\n你现在是一位[角色]，正在使用[功能]。\r\n\r\n你的背景：\r\n- 使用频率：[每天/每周/偶尔]\r\n- 技术水平：[新手/普通/专家]\r\n- 核心诉求：[你最关心什么]\r\n- 常见操作：[你通常怎么用]\r\n\r\n请从这个角色的视角，列出：\r\n1. 你会怎么用这个功能？\r\n2. 你会遇到什么问题？\r\n3. 什么会让你不满意？\r\n4. 你会怎么误用这个功能？\r\n```\r\n\r\n### 模式3：分步引导模式\r\n**适用场景**：复杂功能需要深度分析\r\n\r\n```\r\n请按以下步骤分析这个功能：\r\n\r\n第1步：需求解构\r\n- 列出所有显性需求\r\n- 挖掘隐含假设\r\n- 识别潜在矛盾\r\n\r\n第2步：场景构建\r\n- 主路径场景\r\n- 分支路径场景\r\n- 异常恢复场景\r\n\r\n第3步：深度设计\r\n- 边界条件分析\r\n- 组合测试策略\r\n- 状态转换覆盖\r\n\r\n第4步：风险评估\r\n- 高风险区域\r\n- 建议测试深度\r\n\r\n功能描述：[具体描述]\r\n```\r\n\r\n### 模式4：反向质疑模式\r\n**适用场景**：AI输出后需要查漏补缺\r\n\r\n```\r\n以上是你生成的测试用例。现在请：\r\n\r\n1. 假设挖掘\r\n- 你在输出中做了哪些假设？\r\n- 这些假设合理吗？\r\n- 如果假设不成立会怎样？\r\n\r\n2. 盲区检查\r\n- 哪些场景你可能遗漏了？\r\n- 哪些边界你没有覆盖？\r\n- 并发、时序、资源竞争考虑了吗？\r\n\r\n3. 改进建议\r\n- 最需要补充的3个场景是什么？\r\n- 从哪个方向迭代最有效？\r\n```\r\n\r\n### 模式5：多视角模式\r\n**适用场景**：需要全面覆盖不同角度\r\n\r\n```\r\n请从以下三个视角分别分析这个功能：\r\n\r\n【用户视角】\r\n- 核心诉求：\r\n- 操作路径：\r\n- 痛点预测：\r\n\r\n【开发视角】\r\n- 技术实现风险：\r\n- 边界条件：\r\n- 异常处理：\r\n\r\n【运维视角】\r\n- 监控需求：\r\n- 故障场景：\r\n- 恢复方案：\r\n\r\n功能描述：[具体描述]\r\n```\r\n\r\n### 模式6：对抗模式\r\n**适用场景**：挑战AI的输出，逼出深层思考\r\n\r\n```\r\n我对你的输出有以下质疑：\r\n\r\n1. [具体质疑点1]：你考虑过[特定场景]吗？\r\n2. [具体质疑点2]：如果[极端情况]发生会怎样？\r\n3. [具体质疑点3]：这个假设[具体假设]成立吗？\r\n\r\n请针对每个质疑：\r\n- 承认或反驳\r\n- 补充你的分析\r\n- 如果确实遗漏，补充测试场景\r\n```\r\n\r\n## 模式选择指南\r\n\r\n| 测试目标 | 推荐模式 | 优势 | 局限 | 复杂度 |\r\n|---------|---------|------|------|-------|\r\n| 快速生成用例 | 结构化输出 | 标准化、高效、易对比 | 深度不足、缺乏个性 | ★★ |\r\n| 深入理解用户 | 角色扮演 | 贴近真实场景、发现UX问题 | 依赖角色设定准确性 | ★★★ |\r\n| 复杂功能分析 | 分步引导 | 系统化、不遗漏深度 | 耗时长、需要迭代 | ★★★★ |\r\n| 质量评审 | 反向质疑 | 查漏补缺、打破盲区 | 需要已有输出为基础 | ★★★ |\r\n| 全面覆盖 | 多视角 | 多维度、无死角 | 输出量大、需筛选 | ★★★★ |\r\n| 挑战假设 | 对抗 | 逼出深层思考、验证假设 | 需要专业对抗经验 | ★★★★★ |\r\n\r\n## 模式组合策略\r\n\r\n多个模式串联使用效果更佳：\r\n\r\n| 组合 | 流程 | 适用场景 |\r\n|------|------|---------|\r\n| 结构化输出 → 反向质疑 | 先生成 → 再查漏 | 日常快速迭代 |\r\n| 分步引导 → 多视角 | 深度分析 → 多维度覆盖 | 复杂功能完整测试 |\r\n| 角色扮演 → 对抗 | 模拟用户 → 挑战假设 | 用户体验全面验证 |\r\n| 结构化输出 → 反向质疑 → 对抗 | 生成 → 评审 → 深度挑战 | 高安全/高风险场景 |\r\n\r\n## Examples\r\n\r\n用户说：\"帮我生成登录模块的测试用例\"\r\n\r\n**普通问法**（效果差）：\r\n> 帮我生成登录模块的测试用例\r\n\r\n**优化问法**（使用结构化输出模式）：\r\n> 你是一位有10年经验的Web安全测试专家。\r\n>\r\n> 请按以下框架输出登录模块的测试用例：\r\n> 1. 用例编号：TC-XXX\r\n> 2. 用例标题：[动作] + [对象] + [条件]\r\n> 3. 前置条件\r\n> 4. 测试步骤\r\n> 5. 预期结果\r\n> 6. 优先级：P0/P1/P2/P3\r\n> 7. 风险等级：高/中/低\r\n>\r\n> 输出格式：Markdown表格\r\n>\r\n> 测试范围：用户登录功能（用户名+密码）\r\n> 测试深度：覆盖正常/异常/边界/安全/并发\r\n\r\n## Guidelines\r\n\r\n选择提示词策略后检查：\r\n- [ ] 提示词是否包含角色定义？\r\n- [ ] 是否指定了输出数量和格式？\r\n- [ ] 覆盖维度是否完整？\r\n- [ ] 是否包含质量要求？\r\n\r\n## 常见反模式\r\n\r\n1. **万能模板**：一个模板打天下 → 不同目标用不同模式，按选择指南匹配\r\n2. **过度堆叠**：一次给太多约束让AI无从下手 → 按需分层叠加，先从2-3个核心维度开始\r\n3. **缺乏被测反馈**：只给格式不给被测功能 → 模板尾部必须附带实际功能描述或上下文\r\n4. **角色混乱**：让AI同时扮演多个矛盾角色 → 同一模式内只做一个角色，多角色用多视角模式\r\n5. **忽略验证**：只生成不验证 → 生成后必须用反向质疑或对抗模式验证质量\n\nFile v1.4.1:_meta.json\n\n{\n  \"ownerId\": \"kn71y9b23csfx0ykgm55d5m9x5891zt8\",\n  \"slug\": \"qa-ai-prompt-strategy\",\n  \"version\": \"1.4.1\",\n  \"publishedAt\": 1782277469406\n}\n\nFile v1.4.1:skill-card.md\n\n## Description: <br>\nThis skill provides QA-focused AI prompt templates and structured prompt patterns for selecting, improving, and combining testing prompts across different test goals. <br>\n\nThis skill is ready for commercial/non-commercial use. <br>\n\n## Publisher: <br>\n[kokxi](https://clawhub.ai/user/kokxi) <br>\n\n### License/Terms of Use: <br>\nMIT-0 <br>\n\n\n## Use Case: <br>\nQA engineers and developers use this skill to choose and refine prompt strategies for AI-assisted test case generation, multi-perspective test analysis, output critique, and deeper adversarial review. <br>\n\n### Deployment Geography for Use: <br>\nGlobal <br>\n\n## Known Risks and Mitigations: <br>\nRisk: The skill may activate for broad prompt-related requests that are not specifically about QA prompt strategy. <br>\nMitigation: Confirm the selected skill is appropriate before applying its prompt templates to unrelated AI-prompt tasks. <br>\nRisk: Prompt templates can produce incomplete or misleading test guidance if used without the target feature context. <br>\nMitigation: Provide the tested feature, constraints, and expected output format, then review generated prompts and test cases before relying on them. <br>\n\n\n## Reference(s): <br>\n- [ClawHub skill page](https://clawhub.ai/kokxi/skills/qa-ai-prompt-strategy) <br>\n\n\n## Skill Output: <br>\n**Output Type(s):** [text, markdown, guidance] <br>\n**Output Format:** [Markdown prompt templates and selection guidance] <br>\n**Output Parameters:** [1D] <br>\n**Other Properties Related to Output:** [Produces prompt patterns and QA guidance; it does not execute code or call external services.] <br>\n\n## Skill Version(s): <br>\n1.4.1 (source: server release metadata) <br>\n\n## Ethical Considerations: <br>\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. <br>\n\nArchive v1.4.0: 3 files, 4936 bytes\n\nFiles: skill-card.md (2017b), SKILL.md (7855b), _meta.json (140b)\n\nFile v1.4.0:SKILL.md\n\n---\r\nname: qa-ai-prompt-strategy\r\ndescription: >-\r\n  AI测试提示词策略库，提供不同测试目标的最佳提问模板和结构化提示词模式。当用户不知道如何向AI提问、AI回答质量不佳或需要不同测试视角时自动触发。\r\n  也适用于：需要为特定测试目标定制提示词、或优化现有提示词结构时。\r\n   关键词：提示词策略、AI提问、模板库、测试视角、提示词工程、AI协作、提问模板、测试提示词、提示词优化、模式选择、结构化提示词。\nwhen_to_use: 用户说\"怎么问AI\"、\"AI回答不好\"、\"换个方式问\"、\"提示词\"、\"提问模板\"、\"提示词优化\"、\"角色扮演\"、需要不同测试视角、AI输出太浅需要更深时\r\nallowed-tools: Read Grep Glob\r\nrelated_skills:\r\n  upstream:\r\n    - qa-ai-context-engineering  # 输入：上下文包\r\n  downstream:\r\n    - qa-ai-output-critique      # 输出：优化后的提示词用于生成\r\ninput_format: 结构化上下文包（JSON格式）\r\noutput_format: 优化后的提示词（包含角色/上下文/框架/格式/约束）\r\n---\r\n\r\n# AI 提示词策略\r\n\r\n## Overview\r\n\r\n你是一位AI协作专家，擅长设计让AI产出专家级输出的提示词。\r\n**核心原则**：不同的测试目标，需要不同的提问模式。\r\n本技能提供六大提示词模式，覆盖从快速生成到深度对抗的完整测试场景。\r\n\r\n## 提示词优化要求\r\n\r\n**关键指标**：提示词必须包含以下要素\r\n\r\n```\r\n1. 角色定义：你是[领域]资深测试专家\r\n2. 输出数量：生成[N]条测试用例（N = 需求数量 × 5）\r\n3. 覆盖维度：必须覆盖以下维度\r\n   - 功能测试：[具体功能点]\r\n   - 异常测试：[异常场景类型]\r\n   - 边界测试：[边界条件类型]\r\n   - 并发测试：[并发场景]\r\n   - 安全测试：[安全风险点]\r\n   - 性能测试：[性能指标]\r\n4. 输出格式：Markdown表格，包含需求ID和风险ID\r\n5. 质量要求：每条用例必须可执行、可验证\r\n```\r\n\r\n## 六大提示词模式\r\n\r\n### 模式1：结构化输出模式\r\n**适用场景**：需要标准化、可对比的测试用例\r\n\r\n```\r\n你是一位有10年经验的[领域]测试专家。\r\n\r\n请按以下框架输出测试用例：\r\n1. 用例编号：TC-XXX\r\n2. 用例标题：[动作] + [对象] + [条件]\r\n3. 前置条件：[测试前需要满足的条件]\r\n4. 测试步骤：[1. 2. 3. ...]\r\n5. 预期结果：[具体可验证的预期]\r\n6. 优先级：P0/P1/P2/P3\r\n7. 风险等级：高/中/低\r\n\r\n输出格式：Markdown表格\r\n\r\n测试范围：[功能描述]\r\n测试深度：覆盖正常/异常/边界/安全\r\n```\r\n\r\n### 模式2：角色扮演模式\r\n**适用场景**：需要从特定视角深入测试\r\n\r\n```\r\n你现在是一位[角色]，正在使用[功能]。\r\n\r\n你的背景：\r\n- 使用频率：[每天/每周/偶尔]\r\n- 技术水平：[新手/普通/专家]\r\n- 核心诉求：[你最关心什么]\r\n- 常见操作：[你通常怎么用]\r\n\r\n请从这个角色的视角，列出：\r\n1. 你会怎么用这个功能？\r\n2. 你会遇到什么问题？\r\n3. 什么会让你不满意？\r\n4. 你会怎么误用这个功能？\r\n```\r\n\r\n### 模式3：分步引导模式\r\n**适用场景**：复杂功能需要深度分析\r\n\r\n```\r\n请按以下步骤分析这个功能：\r\n\r\n第1步：需求解构\r\n- 列出所有显性需求\r\n- 挖掘隐含假设\r\n- 识别潜在矛盾\r\n\r\n第2步：场景构建\r\n- 主路径场景\r\n- 分支路径场景\r\n- 异常恢复场景\r\n\r\n第3步：深度设计\r\n- 边界条件分析\r\n- 组合测试策略\r\n- 状态转换覆盖\r\n\r\n第4步：风险评估\r\n- 高风险区域\r\n- 建议测试深度\r\n\r\n功能描述：[具体描述]\r\n```\r\n\r\n### 模式4：反向质疑模式\r\n**适用场景**：AI输出后需要查漏补缺\r\n\r\n```\r\n以上是你生成的测试用例。现在请：\r\n\r\n1. 假设挖掘\r\n- 你在输出中做了哪些假设？\r\n- 这些假设合理吗？\r\n- 如果假设不成立会怎样？\r\n\r\n2. 盲区检查\r\n- 哪些场景你可能遗漏了？\r\n- 哪些边界你没有覆盖？\r\n- 并发、时序、资源竞争考虑了吗？\r\n\r\n3. 改进建议\r\n- 最需要补充的3个场景是什么？\r\n- 从哪个方向迭代最有效？\r\n```\r\n\r\n### 模式5：多视角模式\r\n**适用场景**：需要全面覆盖不同角度\r\n\r\n```\r\n请从以下三个视角分别分析这个功能：\r\n\r\n【用户视角】\r\n- 核心诉求：\r\n- 操作路径：\r\n- 痛点预测：\r\n\r\n【开发视角】\r\n- 技术实现风险：\r\n- 边界条件：\r\n- 异常处理：\r\n\r\n【运维视角】\r\n- 监控需求：\r\n- 故障场景：\r\n- 恢复方案：\r\n\r\n功能描述：[具体描述]\r\n```\r\n\r\n### 模式6：对抗模式\r\n**适用场景**：挑战AI的输出，逼出深层思考\r\n\r\n```\r\n我对你的输出有以下质疑：\r\n\r\n1. [具体质疑点1]：你考虑过[特定场景]吗？\r\n2. [具体质疑点2]：如果[极端情况]发生会怎样？\r\n3. [具体质疑点3]：这个假设[具体假设]成立吗？\r\n\r\n请针对每个质疑：\r\n- 承认或反驳\r\n- 补充你的分析\r\n- 如果确实遗漏，补充测试场景\r\n```\r\n\r\n## 模式选择指南\r\n\r\n| 测试目标 | 推荐模式 | 优势 | 局限 | 复杂度 |\r\n|---------|---------|------|------|-------|\r\n| 快速生成用例 | 结构化输出 | 标准化、高效、易对比 | 深度不足、缺乏个性 | ★★ |\r\n| 深入理解用户 | 角色扮演 | 贴近真实场景、发现UX问题 | 依赖角色设定准确性 | ★★★ |\r\n| 复杂功能分析 | 分步引导 | 系统化、不遗漏深度 | 耗时长、需要迭代 | ★★★★ |\r\n| 质量评审 | 反向质疑 | 查漏补缺、打破盲区 | 需要已有输出为基础 | ★★★ |\r\n| 全面覆盖 | 多视角 | 多维度、无死角 | 输出量大、需筛选 | ★★★★ |\r\n| 挑战假设 | 对抗 | 逼出深层思考、验证假设 | 需要专业对抗经验 | ★★★★★ |\r\n\r\n## 模式组合策略\r\n\r\n多个模式串联使用效果更佳：\r\n\r\n| 组合 | 流程 | 适用场景 |\r\n|------|------|---------|\r\n| 结构化输出 → 反向质疑 | 先生成 → 再查漏 | 日常快速迭代 |\r\n| 分步引导 → 多视角 | 深度分析 → 多维度覆盖 | 复杂功能完整测试 |\r\n| 角色扮演 → 对抗 | 模拟用户 → 挑战假设 | 用户体验全面验证 |\r\n| 结构化输出 → 反向质疑 → 对抗 | 生成 → 评审 → 深度挑战 | 高安全/高风险场景 |\r\n\r\n## Examples\r\n\r\n用户说：\"帮我生成登录模块的测试用例\"\r\n\r\n**普通问法**（效果差）：\r\n> 帮我生成登录模块的测试用例\r\n\r\n**优化问法**（使用结构化输出模式）：\r\n> 你是一位有10年经验的Web安全测试专家。\r\n>\r\n> 请按以下框架输出登录模块的测试用例：\r\n> 1. 用例编号：TC-XXX\r\n> 2. 用例标题：[动作] + [对象] + [条件]\r\n> 3. 前置条件\r\n> 4. 测试步骤\r\n> 5. 预期结果\r\n> 6. 优先级：P0/P1/P2/P3\r\n> 7. 风险等级：高/中/低\r\n>\r\n> 输出格式：Markdown表格\r\n>\r\n> 测试范围：用户登录功能（用户名+密码）\r\n> 测试深度：覆盖正常/异常/边界/安全/并发\r\n\r\n## Guidelines\r\n\r\n选择提示词策略后检查：\r\n- [ ] 提示词是否包含角色定义？\r\n- [ ] 是否指定了输出数量和格式？\r\n- [ ] 覆盖维度是否完整？\r\n- [ ] 是否包含质量要求？\r\n\r\n## 常见反模式\r\n\r\n1. **万能模板**：一个模板打天下 → 不同目标用不同模式，按选择指南匹配\r\n2. **过度堆叠**：一次给太多约束让AI无从下手 → 按需分层叠加，先从2-3个核心维度开始\r\n3. **缺乏被测反馈**：只给格式不给被测功能 → 模板尾部必须附带实际功能描述或上下文\r\n4. **角色混乱**：让AI同时扮演多个矛盾角色 → 同一模式内只做一个角色，多角色用多视角模式\r\n5. **忽略验证**：只生成不验证 → 生成后必须用反向质疑或对抗模式验证质量\n\nFile v1.4.0:_meta.json\n\n{\n  \"ownerId\": \"kn71y9b23csfx0ykgm55d5m9x5891zt8\",\n  \"slug\": \"qa-ai-prompt-strategy\",\n  \"version\": \"1.4.0\",\n  \"publishedAt\": 1782277372733\n}\n\nFile v1.4.0:skill-card.md\n\n## Description: <br>\nQa Ai Prompt Strategy helps QA practitioners choose and compose structured AI prompts for test-case generation, review, multi-perspective analysis, and adversarial challenge workflows. <br>\n\nThis skill is ready for commercial/non-commercial use. <br>\n\n## Publisher: <br>\n[kokxi](https://clawhub.ai/user/kokxi) <br>\n\n### License/Terms of Use: <br>\nMIT-0 <br>\n\n\n## Use Case: <br>\nQA engineers, testers, and developers use this skill to turn product context or weak AI requests into stronger prompts with clear roles, coverage dimensions, output formats, and quality constraints. <br>\n\n### Deployment Geography for Use: <br>\nGlobal <br>\n\n## Known Risks and Mitigations: <br>\nRisk: The skill may trigger for broad prompt-improvement requests outside a QA workflow. <br>\nMitigation: Confirm the request is about QA prompt strategy before applying the templates. <br>\nRisk: Generated prompts can still produce incomplete or misleading test guidance if the source context is thin. <br>\nMitigation: Provide concrete product context and review the resulting prompt for role, coverage, format, and quality constraints. <br>\n\n\n## Reference(s): <br>\n- [ClawHub skill page](https://clawhub.ai/kokxi/skills/qa-ai-prompt-strategy) <br>\n\n\n## Skill Output: <br>\n**Output Type(s):** [Text, Markdown, Guidance] <br>\n**Output Format:** [Optimized prompt templates with roles, context, frameworks, output formats, and constraints; examples may use Markdown tables.] <br>\n**Output Parameters:** [1D] <br>\n**Other Properties Related to Output:** [Inputs are structured QA context packages. Review generated prompts before using them to drive QA decisions.] <br>\n\n## Skill Version(s): <br>\n1.4.0 (source: server-resolved release metadata) <br>\n\n## Ethical Considerations: <br>\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. <br>","readmeExcerpt":"Skill: qa-ai-prompt-strategy Owner: kokxi Summary: 根据不同的测试目标和上下文，选择最佳的提示词模式来驱动AI生成高质量的测试用例。当AI输出的测试用例质量不够好、太泛泛、或者深度不够时，问题往往不在AI而在提示词。此技能提供结构化提示词模板，注入前面步骤产出的分析结果，输出包含角色定义、输出格式规范和约束条件的优化提示词。⚠️ 作为工作流的必过步骤，不得跳过。 触发场景：怎么问AI、AI回答不好、换个方式问、提示词、提问模板、提示词优化、角色扮演、AI输出太浅需要更深时。 Use when the user asks about: choosing or optimizing the prompt that drives test case generation — role definition, output format constraints, and injectio","codeSnippets":[],"executableExamples":[{"language":"text","snippet":"1. 角色定义：你是[领域]资深测试专家\n2. 输出数量：生成[N]条测试用例（N = 需求数量 × 5）\n3. 覆盖维度：必须覆盖以下维度\n   - 功能测试：[具体功能点]\n   - 异常测试：[异常场景类型]\n   - 边界测试：[边界条件类型]\n   - 并发测试：[并发场景]\n   - 安全测试：[安全风险点]\n   - 性能测试：[性能指标]\n4. 输出格式：Markdown表格，包含需求ID和风险ID\n5. 质量要求：每条用例必须可执行、可验证"},{"language":"text","snippet":"1. 数量约束：国产模型对\"生成 N 条用例\"偶有缩水 → 提示词写\"不少于 N 条\"，并加\"如果不足，补充边界和异常场景\"\n2. 格式约束：多数国产模型默认带 Markdown 代码块 → 需显式声明\"直接输出表格，不要代码块包裹\"\n3. 中文表达：国产模型中文流畅但对\"用例标题\"格式理解差异大 → 给出 1 条示例（如 TC_API_LOGIN_001 正确凭证登录成功）\n4. 编号规则：部分模型会自作主张改编号 → 明确\"严格使用 TC_{模块缩写}_{功能缩写}_{序号}，不得改动格式\"\n5. 深度控制：国产模型倾向少而浅 → 用深度量化（简单×5/中等×10/复杂×15）约束用例数量级"},{"language":"text","snippet":"请按以下框架输出测试用例：\n1. 用例编号：TC_{模块缩写}_{功能缩写}_{序号}（如 TC_API_LOGIN_001）\n2. 用例标题：[动作] + [对象] + [条件]\n3. 前置条件：[测试前需要满足的条件]\n4. 测试步骤：[1. 2. 3. ...]\n5. 预期结果：[具体可验证的预期]\n6. 优先级：P0/P1/P2/P3\n7. 风险等级：高/中/低\n\n输出格式：Markdown表格\n\n测试范围：[功能描述]\n测试深度：覆盖正常/异常/边界/安全"},{"language":"text","snippet":"你现在是一位[角色]，正在使用[功能]。\n\n你的背景：\n- 使用频率：[每天/每周/偶尔]\n- 技术水平：[新手/普通/专家]\n- 核心诉求：[你最关心什么]\n- 常见操作：[你通常怎么用]\n\n请从这个角色的视角，列出：\n1. 你会怎么用这个功能？\n2. 你会遇到什么问题？\n3. 什么会让你不满意？\n4. 你会怎么误用这个功能？"},{"language":"text","snippet":"请按以下步骤分析这个功能：\n\n第1步：需求解构\n- 列出所有显性需求\n- 挖掘隐含假设\n- 识别潜在矛盾\n\n第2步：场景构建\n- 主路径场景\n- 分支路径场景\n- 异常恢复场景\n\n第3步：深度设计\n- 边界条件分析\n- 组合测试策略\n- 状态转换覆盖\n\n第4步：风险评估\n- 高风险区域\n- 建议测试深度\n\n功能描述：[具体描述]"},{"language":"text","snippet":"以上是你生成的测试用例。现在请：\n\n1. 假设挖掘\n- 你在输出中做了哪些假设？\n- 这些假设合理吗？\n- 如果假设不成立会怎样？\n\n2. 盲区检查\n- 哪些场景你可能遗漏了？\n- 哪些边界你没有覆盖？\n- 并发、时序、资源竞争考虑了吗？\n\n3. 改进建议\n- 最需要补充的3个场景是什么？\n- 从哪个方向迭代最有效？"}],"parameters":null,"dependencies":[],"permissions":[],"extractedFiles":[{"path":"SKILL.md","content":"---\nname: qa-ai-prompt-strategy\ndescription: >-\n  根据不同的测试目标和上下文，选择最佳的提示词模式来驱动AI生成高质量的测试用例。当AI输出的测试用例质量不够好、太泛泛、或者深度不够时，问题往往不在AI而在提示词。此技能提供结构化提示词模板，注入前面步骤产出的分析结果，输出包含角色定义、输出格式规范和约束条件的优化提示词。⚠️ 作为工作流的必过步骤，不得跳过。 触发场景：怎么问AI、AI回答不好、换个方式问、提示词、提问模板、提示词优化、角色扮演、AI输出太浅需要更深时。 Use when the user asks about: choosing or optimizing the prompt that drives test case generation — role definition, output format constraints, and injection of prior analysis results.\nlicense: MIT\nallowed-tools: Read Grep Glob\nmetadata:\n  display-name: \"Ai Prompt Strategy\"\n  version: \"1.8.0\"\n  when-to-use: \"用户说\\\"怎么问AI\\\"、\\\"AI回答不好\\\"、\\\"换个方式问\\\"、\\\"提示词\\\"、\\\"提问模板\\\"、\\\"提示词优化\\\"、\\\"角色扮演\\\"、需要不同测试视角、AI输出太浅需要更深时\"\n  related-skills: \"{\\\"upstream\\\":[\\\"qa-ai-context-engineering\\\"],\\\"downstream\\\":[\\\"qa-ai-output-critique\\\"]}\"\n  references: \"[\\\"references/prompt-patterns.md\\\"]\"\n  input-format: \"{\\\"required\\\":[{\\\"name\\\":\\\"AI上下文包\\\",\\\"type\\\":\\\"object\\\",\\\"description\\\":\\\"来自qa-ai-context-engineering的上下文包\\\"}],\\\"optional\\\":[{\\\"name\\\":\\\"输出格式要求\\\",\\\"type\\\":\\\"string\\\",\\\"description\\\":\\\"期望的输出格式和规范\\\"},{\\\"name\\\":\\\"约束条件\\\",\\\"type\\\":\\\"string\\\",\\\"description\\\":\\\"提示词的约束和限制\\\"}]}\"\n  output-format: \"{\\\"traceability\\\":[\\\"本技能生成提示词，不产出唯一ID\\\"],\\\"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\\\\\\\"\\\",{\\\"optimized_prompt\\\":\\\"优化后的提示词\\\"},{\\\"role_definition\\\":\\\"角色定义\\\"},{\\\"output_format_spec\\\":\\\"输出格式规范\\\"},{\\\"constraint_list\\\":\\\"约束条件列表\\\"}]}\"\n  error-recovery-guidance: \"{\\\"on_failure\\\":\\\"提示词输出质量不达标时回退到上下文工程步骤\\\",\\\"retry_behavior\\\":\\\"补充上下文要素后重新优化提示词\\\"}\"\n  categories: \"[\\\"Development\\\",\\\"Testing\\\",\\\"AI\\\"]\"\n  depth-requirement: \"{\\\"reference_value\\\":\\\"根据场景复杂度和输出要求调整策略深度：简单x1/中等x2/复杂x3\\\",\\\"minimum\\\":\\\"至少包含角色定义、输出格式、约束条件3个核心要素\\\"}\"\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 提示词策略\n\n## 核心原则\n\n不同的测试目标，需要不同的提问模式。\n\n## 提示词优化要求\n\n**关键指标**：提示词必须包含以下要素\n\n```text\n1. 角色定义：你是[领域]资深测试专家\n2. 输出数量：生成[N]条测试用例（N = 需求数量 × 5）\n3. 覆盖维度：必须覆盖以下维度\n   - 功能测试：[具体功能点]\n   - 异常测试：[异常场景类型]\n   - 边界测试：[边界条件类型]\n   - 并发测试：[并发场景]\n   - 安全测试：[安全风险点]\n   - 性能测试：[性能指标]\n4. 输出格式：Markdown表格，包含需求ID和风险ID\n5. 质量要求：每条用例必须可执行、可验证\n```\n\n## 加载时机\n\n| 什么时候读 | 读哪个 |\n|-----------|--------|\n| 选定提示词模式后，取对应模板 | [`references/prompt-patterns.md`](references/prompt-patterns.md) |\n\n> `六大提示词模式`的完整内容已下沉至 `references/prompt-patterns.md`，避免每次触发都占用上下文。\n\n## 模式选择指南\n\n| 测试目标 | 推荐模式 | 优势 | 局限 | 复杂度 |\n|---------|---------|------|------|-------|\n| 快速生成用例 | 结构化输出 | 标准化、高效、易对比 | 深度不足、缺乏个性 | ★★ |\n| 深入理解用户 | 角色扮演 | 贴近真实场景、发现UX问题 | 依赖角色设定准确性 | ★★★ |\n| 复杂功能分析 | 分步引导 | 系统化、不遗漏深度 | 耗时长、需要迭代 | ★★★★ |\n| 质量评审 | 反向质疑 | 查漏补缺、打破盲区 | 需要已有输出为基础 | ★★★ |\n| 全面覆盖 | 多视角 | 多维度、无死角 | 输出量大、需筛选 | ★★★★ |\n| 挑战假设 | 对抗 | 逼出深层思考、验证假设 | 需要专业对抗经验 | ★★★★★ |\n\n## 模式组合策略\n\n多个模式串联使用效果更佳：\n\n| 组合 | 流程 | 适用场景 |\n|------|------|---------|\n| 结构化输出 → 反向质疑 | 先生成 → 再查漏 | 日常快速迭代 |\n| 分步引导 → 多视角 | 深度分析 → 多维度覆盖 | 复杂功能完整测试 |\n| 角色扮演 → 对抗 | 模拟用户 → 挑战假设 | 用户体验全面验证 |\n| 结构化输出 → 反向质疑 → 对抗 | 生成 → 评审 → 深度挑战 | 高安全/高风险场景 |\n\n## 输出示例\n\n用户说：\"帮我生成登录模块的测试用例\"\n\n**普通问法**（效果差）：\n> 帮我生成登录模块的测试用例\n\n**优化问法**（使用结构化输出模式）：\n> >\n> 请按以下框架"},{"path":"_meta.json","content":"{\n  \"ownerId\": \"kn71y9b23csfx0ykgm55d5m9x5891zt8\",\n  \"slug\": \"qa-ai-prompt-strategy\",\n  \"version\": \"1.8.0\",\n  \"publishedAt\": 1790655913897\n}"},{"path":"references/prompt-patterns.md","content":"# 六大提示词模式模板\n\n> 本文是 `qa-ai-prompt-strategy` 的**六种提示词模式模板**。选定模式后取对应模板填写；\n只需要选模式的判断依据时不必读。\n\n---\n\n\n### 模式1：结构化输出模式\n**适用场景**：需要标准化、可对比的测试用例\n\n```text\n\n请按以下框架输出测试用例：\n1. 用例编号：TC_{模块缩写}_{功能缩写}_{序号}（如 TC_API_LOGIN_001）\n2. 用例标题：[动作] + [对象] + [条件]\n3. 前置条件：[测试前需要满足的条件]\n4. 测试步骤：[1. 2. 3. ...]\n5. 预期结果：[具体可验证的预期]\n6. 优先级：P0/P1/P2/P3\n7. 风险等级：高/中/低\n\n输出格式：Markdown表格\n\n测试范围：[功能描述]\n测试深度：覆盖正常/异常/边界/安全\n```\n\n### 模式2：角色扮演模式\n**适用场景**：需要从特定视角深入测试\n\n```text\n你现在是一位[角色]，正在使用[功能]。\n\n你的背景：\n- 使用频率：[每天/每周/偶尔]\n- 技术水平：[新手/普通/专家]\n- 核心诉求：[你最关心什么]\n- 常见操作：[你通常怎么用]\n\n请从这个角色的视角，列出：\n1. 你会怎么用这个功能？\n2. 你会遇到什么问题？\n3. 什么会让你不满意？\n4. 你会怎么误用这个功能？\n```\n\n### 模式3：分步引导模式\n**适用场景**：复杂功能需要深度分析\n\n```text\n请按以下步骤分析这个功能：\n\n第1步：需求解构\n- 列出所有显性需求\n- 挖掘隐含假设\n- 识别潜在矛盾\n\n第2步：场景构建\n- 主路径场景\n- 分支路径场景\n- 异常恢复场景\n\n第3步：深度设计\n- 边界条件分析\n- 组合测试策略\n- 状态转换覆盖\n\n第4步：风险评估\n- 高风险区域\n- 建议测试深度\n\n功能描述：[具体描述]\n```\n\n### 模式4：反向质疑模式\n**适用场景**：AI输出后需要查漏补缺\n\n```text\n以上是你生成的测试用例。现在请：\n\n1. 假设挖掘\n- 你在输出中做了哪些假设？\n- 这些假设合理吗？\n- 如果假设不成立会怎样？\n\n2. 盲区检查\n- 哪些场景你可能遗漏了？\n- 哪些边界你没有覆盖？\n- 并发、时序、资源竞争考虑了吗？\n\n3. 改进建议\n- 最需要补充的3个场景是什么？\n- 从哪个方向迭代最有效？\n```\n\n### 模式5：多视角模式\n**适用场景**：需要全面覆盖不同角度\n\n```text\n请从以下三个视角分别分析这个功能：\n\n【用户视角】\n- 核心诉求：\n- 操作路径：\n- 痛点预测：\n\n【开发视角】\n- 技术实现风险：\n- 边界条件：\n- 异常处理：\n\n【运维视角】\n- 监控需求：\n- 故障场景：\n- 恢复方案：\n\n功能描述：[具体描述]\n```\n\n### 模式6：对抗模式\n**适用场景**：挑战AI的输出，逼出深层思考\n\n```text\n我对你的输出有以下质疑：\n\n1. [具体质疑点1]：你考虑过[特定场景]吗？\n2. [具体质疑点2]：如果[极端情况]发生会怎样？\n3. [具体质疑点3]：这个假设[具体假设]成立吗？\n\n请针对每个质疑：\n- 承认或反驳\n- 补充你的分析\n- 如果确实遗漏，补充测试场景\n```"},{"path":"skill-card.md","content":"## Description:\n\nSelects and adapts Chinese-language prompt patterns to help QA teams ask AI for more structured and useful test cases.\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 skill to choose and refine prompts for AI-assisted test-case design, including roles, output formats, constraints, and coverage dimensions.\n\n### Deployment Geography for Use:\n\nGlobal\n\n## Known Risks and Mitigations:\n\nRisk: Broad activation phrases may trigger this skill for general prompt requests.\n\nMitigation: Use it only when developing QA test prompts.\n\nRisk: The optional skill-set installation suggestion is unpinned.\n\nMitigation: Review its source and prefer a pinned revision before running the installation command.\n\n## Reference(s):\n\n- [Prompt pattern templates](references/prompt-patterns.md)\n- [ClawHub skill listing](https://clawhub.ai/kokxi/skills/qa-ai-prompt-strategy)\n\n## Skill Output:\n\n**Output Type(s):** [Text, Markdown, Guidance]\n\n**Output Format:** [Structured prompts, often in Markdown]\n\n**Output Parameters:** [1D]\n\n**Other Properties Related to Output:** [Provides role definitions, output requirements, constraints, and coverage expectations; produces prompts rather than test cases or unique IDs.]\n\n## Skill Version(s):\n\n1.8.0 (source: skill frontmatter and 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."}],"languages":[],"docsSourceLabel":"CLAWHUB","editorialOverview":"根据不同的测试目标和上下文，选择最佳的提示词模式来驱动AI生成高质量的测试用例。当AI输出的测试用例质量不够好、太泛泛、或者深度不够时，问题往往不在AI而在提示词。此技能提供结构化提示词模板，注入前面步骤产出的分析结果，输出包含角色定义、输出格式规范和约束条件的优化提示词。⚠️ 作为工作流的必过步骤，不得跳过。 触发场景：怎么问AI、AI回答不好、换个方式问、提示词、提问模板、提示词优化、角色扮演、AI输出太浅需要更深时。 Use when the user asks about: choosing or optimizing the prompt that drives test case generation — role definition, output format constraints, and injection of prior analysis results. Skill: qa-ai-prompt-strategy Owner: kokxi Summary: 根据不同的测试目标和上下文，选择最佳的提示词模式来驱动AI生成高质量的测试用例。当AI输出的测试用例质量不够好、太泛泛、或者深度不够时，问题往往不在AI而在提示词。此技能提供结构化提示词模板，注入前面步骤产出的分析结果，输出包含角色定义、输出格式规范和约束条件的优化提示词。⚠️ 作为工作流的必过步骤，不得跳过。 触发场景：怎么问AI、AI回答不好、换个方式问、提示词、提问模板、提示词优化、角色扮演、AI输出太浅需要更深时。 Use when the user asks about: choosing or optimizing the prompt that drives test case generation — role definition, output format constraints, and injectio","editorialQuality":{"score":100,"threshold":65,"status":"ready","wordCount":1005,"uniquenessScore":51,"reasons":[]}},"media":{"evidence":{"source":"no-media","verified":false,"confidence":"low","updatedAt":"2026-10-11T07:15:28.443Z","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":"2026-10-11T07:15:28.443Z","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":"2026-10-11T10:52:25.908Z","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"}]}}}