{"id":"f8b34f94-6fda-4a97-b8a5-8d727ca4e86a","entityType":"agent","slug":"clawhub-kokxi-qa-expert-review","name":"qa-expert-review","canonicalUrl":"https://www.xpersona.co/agent/clawhub-kokxi-qa-expert-review","canonicalPath":"/agent/clawhub-kokxi-qa-expert-review","generatedAt":"2026-10-11T15:17:14.250Z","source":"CLAWHUB","claimStatus":"UNCLAIMED","verificationTier":"NONE","summary":{"evidence":{"source":"editorial-content","verified":true,"confidence":"high","updatedAt":"2026-10-11T11:52:17.276Z","emptyReason":null},"description":"当 AI 生成的测试用例已经过输出评审和盲区补盲、准备终审上线时使用此技能。由资深测试对 AI 输出的用例做人工抽样校验，从业务有效性、场景完整性、可执行性三个维度做最后把关。⚠️ 如果发现系统性问题（比如遗漏了某个关键模块），需要回退修正并记录到 Prompt 优化反馈库。专家评审不是走形式——发现的问题必须闭环。 触发场景：专家评审、用例审查、校正反馈、评审用例、检查用例、终审、用例上线前需要终审时。 Use when the user asks about: final human-style review of AI-generated test cases before shipping, sampling for business validity, scenario completeness, and executability. Skill: qa-expert-review Owner: kokxi Summary: 当 AI 生成的测试用例已经过输出评审和盲区补盲、准备终审上线时使用此技能。由资深测试对 AI 输出的用例做人工抽样校验，从业务有效性、场景完整性、可执行性三个维度做最后把关。⚠️ 如果发现系统性问题（比如遗漏了某个关键模块），需要回退修正并记录到 Prompt 优化反馈库。专家评审不是走形式——发现的问题必须闭环。 触发场景：专家评审、用例审查、校正反馈、评审用例、检查用例、终审、用例上线前需要终审时。 Use when the user asks about: final human-style review of AI-generated test cases before shipping, sampling for business validity, scenario completeness, and executabili","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-expert-review","sourceUrl":"https://clawhub.ai/kokxi/qa-expert-review","homepage":"https://clawhub.ai/kokxi/skills/qa-expert-review","primaryLinks":[{"label":"View on ClawHub","url":"https://clawhub.ai/kokxi/qa-expert-review","kind":"source"},{"label":"Homepage","url":"https://clawhub.ai/kokxi/skills/qa-expert-review","kind":"homepage"}],"safetyScore":84,"overallRank":62,"popularityScore":61,"trustScore":null,"claimedByName":null,"isOwner":false,"seoDescription":"当 AI 生成的测试用例已经过输出评审和盲区补盲、准备终审上线时使用此技能。由资深测试对 AI 输出的用例做人工抽样校验，从业务有效性、场景完整性、可执行性三个维度做最后把关。⚠️ 如果发现系统性问题（比如遗漏了某个关键模块），需要回退修正并记录到 Prompt 优化反馈库。专家评审不是走形式——发现的问题必须闭环。 "},"coverage":{"evidence":{"source":"public-profile","verified":false,"confidence":"medium","updatedAt":"2026-10-11T11:52:17.276Z","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":"2026-10-11T11:52:17.276Z","emptyReason":null},"stars":null,"forks":null,"downloads":1071,"packageName":null,"latestVersion":"1.8.0","tractionLabel":"1.1K downloads"},"release":{"evidence":{"source":"CLAWHUB","verified":false,"confidence":"medium","updatedAt":"2026-10-11T11:52:17.197Z","emptyReason":null},"lastUpdatedAt":"2026-10-11T11:52:17.276Z","lastCrawledAt":"2026-10-11T11:52:17.197Z","lastIndexedAt":null,"nextCrawlAt":"2026-10-12T11:52:17.197Z","lastVerifiedAt":null,"highlights":[{"version":"1.8.0","createdAt":"2026-09-29T04:26:35.102Z","changelog":"**Changelog for qa-expert-review v1.8.0** - Upgraded to version 1.8.0 with metadata now embedded in SKILL.md (display-name, version, input/output format, etc.) - Description, triggers, and usage clarified to support both Chinese and English; added more explicit instructions for use cases. - Moved advanced meta-learning mechanism content out of SKILL.md into a dedicated reference file (`references/meta-learning.md`) to reduce context size on each call. - Removed obsolete file `skill-card.md` from the repository.","fileCount":4,"zipByteSize":6234},{"version":"1.7.7","createdAt":"2026-09-27T14:34:57.310Z","changelog":"1.7.7","fileCount":3,"zipByteSize":5310},{"version":"1.7.6","createdAt":"2026-09-01T12:39:52.548Z","changelog":"显示名改中文","fileCount":3,"zipByteSize":5555},{"version":"1.7.5","createdAt":"2026-08-30T15:13:56.935Z","changelog":"1.7.5: 版本号升级","fileCount":3,"zipByteSize":5474},{"version":"1.6.3","createdAt":"2026-08-12T15:23:34.754Z","changelog":"- Added `slug` and `displayName` fields to SKILL.md for improved metadata and clarity. - Version bumped from 1.6.0 to 1.6.3. - Removed redundant file: skill-card.md. - No changes to functionality or review process; content and procedures remain the same.","fileCount":3,"zipByteSize":5165},{"version":"1.6.0","createdAt":"2026-07-06T17:15:19.985Z","changelog":"- Added new metadata fields: categories and error_recovery_guidance, clarifying skill classification and steps for error handling during review failure. - Removed the file skill-card.md. - Enhanced the SKILL.md self-check and process sections, adding a new formal “检查清单” for structured post-review validation. - Overall documentation is more concise, with principles clarified at the top.","fileCount":3,"zipByteSize":5181},{"version":"1.5.0","createdAt":"2026-06-29T12:32:46.769Z","changelog":"- Major update: Skill guidance and structure clarified for expert review as a strict final gate for AI-generated test cases. - Added dedicated version field and refined the skill description to stress its use as the last quality checkpoint. - Introduced \"depth_requirement_quantification\" for explicit review depth requirements based on project/risk. - Simplified and emphasized that all detected issues must be closed-loop. - Removed skill-card.md file; documentation now consolidated in SKILL.md only. - Maintained concrete sampling, review dimensions, and correction instructions; adjusted section ordering and labels for clearer usage.","fileCount":3,"zipByteSize":5050},{"version":"1.4.1","createdAt":"2026-06-25T16:54:30.706Z","changelog":"- Simplified SKILL.md by condensing the description and streamlining the language. - Removed redundant or overly detailed instructions to improve readability and focus. - Deleted the file skill-card.md to declutter and maintain only essential documentation. - No changes to functionality or workflow; this is a documentation and maintainability update.","fileCount":3,"zipByteSize":4810}]},"execution":{"evidence":{"source":"CLAWHUB","verified":false,"confidence":"low","updatedAt":null,"emptyReason":"No published capability contract is available yet."},"installCommand":"clawhub skill install s170jw3s1atcj5jwhqb4r7v7eh8912kp:qa-expert-review","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-expert-review/snapshot","contractUrl":"https://www.xpersona.co/api/v1/agents/clawhub-kokxi-qa-expert-review/contract","trustUrl":"https://www.xpersona.co/api/v1/agents/clawhub-kokxi-qa-expert-review/trust"},"curlExamples":["curl -s \"https://www.xpersona.co/api/v1/agents/clawhub-kokxi-qa-expert-review/snapshot\"","curl -s \"https://www.xpersona.co/api/v1/agents/clawhub-kokxi-qa-expert-review/contract\"","curl -s \"https://www.xpersona.co/api/v1/agents/clawhub-kokxi-qa-expert-review/trust\""],"jsonRequestTemplate":{"query":"summarize this repo","constraints":{"maxLatencyMs":2000,"protocolPreference":["OPENCLEW"]}},"jsonResponseTemplate":{"ok":true,"result":{"summary":"...","confidence":0.9},"meta":{"source":"CLAWHUB","generatedAt":"2026-10-11T15:17:14.248Z"}},"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-expert-review/dossier","snapshotUrl":"https://www.xpersona.co/api/v1/agents/clawhub-kokxi-qa-expert-review/snapshot","contractUrl":"https://www.xpersona.co/api/v1/agents/clawhub-kokxi-qa-expert-review/contract","trustUrl":"https://www.xpersona.co/api/v1/agents/clawhub-kokxi-qa-expert-review/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":"2026-10-11T11:52:17.276Z","emptyReason":null},"readme":"Skill: qa-expert-review\n\nOwner: kokxi\n\nSummary: 当 AI 生成的测试用例已经过输出评审和盲区补盲、准备终审上线时使用此技能。由资深测试对 AI 输出的用例做人工抽样校验，从业务有效性、场景完整性、可执行性三个维度做最后把关。⚠️ 如果发现系统性问题（比如遗漏了某个关键模块），需要回退修正并记录到 Prompt 优化反馈库。专家评审不是走形式——发现的问题必须闭环。 触发场景：专家评审、用例审查、校正反馈、评审用例、检查用例、终审、用例上线前需要终审时。 Use when the user asks about: final human-style review of AI-generated test cases before shipping, sampling for business validity, scenario completeness, and executability.\n\nTags: latest:1.8.0\n\nVersion history:\n\nv1.8.0 | 2026-09-29T04:26:35.102Z | auto\n\n**Changelog for qa-expert-review v1.8.0**\n\n- Upgraded to version 1.8.0 with metadata now embedded in SKILL.md (display-name, version, input/output format, etc.)\n- Description, triggers, and usage clarified to support both Chinese and English; added more explicit instructions for use cases.\n- Moved advanced meta-learning mechanism content out of SKILL.md into a dedicated reference file (`references/meta-learning.md`) to reduce context size on each call.\n- Removed obsolete file `skill-card.md` from the repository.\n\nv1.7.7 | 2026-09-27T14:34:57.310Z | user\n\n1.7.7\n\nv1.7.6 | 2026-09-01T12:39:52.548Z | user\n\n显示名改中文\n\nv1.7.5 | 2026-08-30T15:13:56.935Z | user\n\n1.7.5: 版本号升级\n\nv1.6.3 | 2026-08-12T15:23:34.754Z | auto\n\n- Added `slug` and `displayName` fields to SKILL.md for improved metadata and clarity.\n- Version bumped from 1.6.0 to 1.6.3.\n- Removed redundant file: skill-card.md.\n- No changes to functionality or review process; content and procedures remain the same.\n\nv1.6.0 | 2026-07-06T17:15:19.985Z | auto\n\n- Added new metadata fields: categories and error_recovery_guidance, clarifying skill classification and steps for error handling during review failure.\n- Removed the file skill-card.md.\n- Enhanced the SKILL.md self-check and process sections, adding a new formal “检查清单” for structured post-review validation.\n- Overall documentation is more concise, with principles clarified at the top.\n\nv1.5.0 | 2026-06-29T12:32:46.769Z | auto\n\n- Major update: Skill guidance and structure clarified for expert review as a strict final gate for AI-generated test cases.\n- Added dedicated version field and refined the skill description to stress its use as the last quality checkpoint.\n- Introduced \"depth_requirement_quantification\" for explicit review depth requirements based on project/risk.\n- Simplified and emphasized that all detected issues must be closed-loop.\n- Removed skill-card.md file; documentation now consolidated in SKILL.md only.\n- Maintained concrete sampling, review dimensions, and correction instructions; adjusted section ordering and labels for clearer usage.\n\nv1.4.1 | 2026-06-25T16:54:30.706Z | auto\n\n- Simplified SKILL.md by condensing the description and streamlining the language.\n- Removed redundant or overly detailed instructions to improve readability and focus.\n- Deleted the file skill-card.md to declutter and maintain only essential documentation.\n- No changes to functionality or workflow; this is a documentation and maintainability update.\n\nv1.4.0 | 2026-06-24T05:08:38.296Z | auto\n\nVersion 1.4.0\n\n- Clarified human-in-the-loop requirement for expert review; skill now explicitly requires manual sampling and feedback, not full automation.\n- Expanded description to highlight when and why to use this skill—including pre-release checks and methodology asset accumulation.\n- Enhanced \"when_to_use\" keywords for broader trigger phrases such as “终审” and “检查用例”.\n- Added \"评审维度速查\" and \"问题严重度判定\" sections for fast reference during reviews.\n- Provided concrete usage examples and step-by-step guidelines to improve clarity and adoption.\n- Removed redundant skill-card.md file; consolidated all key instructions and structure in SKILL.md.\n\nv1.3.0 | 2026-06-22T06:05:54.478Z | auto\n\n- 新增详细专家评审流程，覆盖抽样策略、评审维度和校正标记格式。\n- 明确输入输出格式，引入唯一评审ID与用例、需求追溯。\n- 增加元学习机制，包括校正数据收集、问题模式分析和改进效果跟踪。\n- 详细规范评审报告结构，包含评分、问题清单、改进建议等。\n- 引入Prompt优化流程，实现持续用例生成质量提升。\n\nArchive index:\n\nArchive v1.8.0: 4 files, 6234 bytes\n\nFiles: references/meta-learning.md (1462b), skill-card.md (1903b), SKILL.md (7868b), _meta.json (135b)\n\nFile v1.8.0:SKILL.md\n\n---\nname: qa-expert-review\ndescription: >-\n 当 AI 生成的测试用例已经过输出评审和盲区补盲、准备终审上线时使用此技能。由资深测试对 AI 输出的用例做人工抽样校验，从业务有效性、场景完整性、可执行性三个维度做最后把关。⚠️ 如果发现系统性问题（比如遗漏了某个关键模块），需要回退修正并记录到 Prompt 优化反馈库。专家评审不是走形式——发现的问题必须闭环。 触发场景：专家评审、用例审查、校正反馈、评审用例、检查用例、终审、用例上线前需要终审时。 Use when the user asks about: final human-style review of AI-generated test cases before shipping, sampling for business validity, scenario completeness, and executability.\nlicense: MIT\nallowed-tools: Read Grep Glob\nmetadata:\n display-name: \"Expert Review\"\n version: \"1.8.0\"\n when-to-use: \"用户说\\\"专家评审\\\"、\\\"用例审查\\\"、\\\"校正反馈\\\"、\\\"评审用例\\\"、\\\"检查用例\\\"、\\\"终审\\\"、需要对AI输出进行质量把关、用例上线前需要终审时\"\n related-skills: \"{\\\"upstream\\\":[\\\"qa-ai-output-critique\\\",\\\"qa-ai-blindspot-compensation\\\"],\\\"downstream\\\":[\\\"qa-test-reporting\\\",\\\"qa-retrospective\\\"]}\"\n references: \"[\\\"references/meta-learning.md\\\"]\"\n input-format: \"{\\\"required\\\":[{\\\"name\\\":\\\"测试用例\\\",\\\"type\\\":\\\"array\\\",\\\"description\\\":\\\"AI生成的测试用例列表\\\"}],\\\"optional\\\":[{\\\"name\\\":\\\"需求文档\\\",\\\"type\\\":\\\"string\\\",\\\"description\\\":\\\"原始需求文档，用于校验覆盖度\\\"},{\\\"name\\\":\\\"历史校正数据\\\",\\\"type\\\":\\\"array\\\",\\\"description\\\":\\\"历史评审的校正记录，用于模式分析\\\"}]}\"\n output-format: \"{\\\"structure\\\":[\\\"覆盖率：标注口径（基于现有需求/输入文档），禁止\\\\\\\"全覆盖/100%\\\\\\\"绝对化表述；缺失模块标注\\\\\\\"未覆盖+原因\\\\\\\"\\\",{\\\"review_id\\\":\\\"REV-XXXX\\\"},{\\\"review_summary\\\":\\\"评审摘要\\\"},{\\\"sampling_rate\\\":\\\"抽样比例\\\"},{\\\"issues_found\\\":\\\"问题列表\\\"},{\\\"corrections\\\":\\\"校正建议\\\"},{\\\"learning_points\\\":\\\"学习要点\\\"},{\\\"prompt_optimization\\\":\\\"Prompt优化建议\\\"}],\\\"traceability\\\":[\\\"每次评审带唯一ID（REV-XXXX）\\\",\\\"关联用例ID（TC_{模块缩写}_{功能缩写}_{序号}，如 TC_API_LOGIN_001）\\\",\\\"关联需求ID：REQ-{需求模块缩写}-{序号}\\\"]}\"\n error-recovery-guidance: \"{\\\"on_failure\\\":\\\"评审发现系统性问题时回退到输出评审步骤修正\\\",\\\"retry_behavior\\\":\\\"修正后重新抽样校验\\\"}\"\n categories: \"[\\\"Development\\\",\\\"Testing\\\",\\\"Quality\\\"]\"\n depth-requirement: \"{\\\"reference_value\\\":\\\"根据项目重要性和风险等级调整评审深度：简单x1/中等x2/复杂x3\\\",\\\"minimum\\\":\\\"至少覆盖功能完整性、边界充分性、异常覆盖性3个维度\\\"}\"\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# 专家评审与元学习\n\n## 核心原则\n\n专家评审不是挑错，而是建立\"AI生成→专家校验→持续优化\"的正向循环。\n\n## 评审流程\n\n### 第1步：抽样策略\n\n```text\n抽样方法：\n├─ 随机抽样：10-20%的用例\n├─ 分层抽样：P0用例100%覆盖，P1抽样50%，P2抽样20%\n├─ 风险抽样：高风险用例100%覆盖\n└─ 新功能抽样：新功能用例100%覆盖\n\n抽样公式：\n总用例数 < 50 → 全量评审\n总用例数 50-200 → 20%抽样\n总用例数 > 200 → 10%抽样 + P0全量\n```\n\n### 第2步：评审维度\n\n| 维度 | 检查点 | 权重 |\n|------|--------|------|\n| 完整性 | 是否覆盖所有需求点？ | 30% |\n| 准确性 | 测试步骤和预期结果是否正确？ | 25% |\n| 可执行性 | 步骤是否清晰可执行？ | 20% |\n| 风险覆盖 | 高风险区域是否深测？ | 15% |\n| 规范性 | 格式是否符合标准？ | 10% |\n\n### 第3步：校正标记\n\n```text\n校正标记格式：\n├─ [C-001] 问题类型：描述问题\n├─ [C-002] 问题类型：描述问题\n└─ ...\n\n问题类型：\n├─ MISSING：缺失场景\n├─ WRONG：步骤/预期错误\n├─ VAGUE：描述模糊\n├─ REDUNDANT：冗余用例\n├─ RISK：风险覆盖不足\n└─ FORMAT：格式不规范\n```\n\n### 第4步：输出评审报告\n\n```markdown\n# 专家评审报告\n\n## 评审摘要\n- 评审ID：REV-XXXX\n- 评审日期：YYYY-MM-DD\n- 评审专家：[姓名]\n- 用例总数：XX条\n- 抽样数量：XX条（抽样比例XX%）\n\n## 评审结果\n| 维度 | 评分 | 问题数 |\n|------|------|--------|\n| 完整性 | X/10 | X个 |\n| 准确性 | X/10 | X个 |\n| 可执行性 | X/10 | X个 |\n| 风险覆盖 | X/10 | X个 |\n| 规范性 | X/10 | X个 |\n| 综合评分 | X/10 | - |\n\n## 问题清单\n| 用例编号 | 问题类型 | 问题描述 | 校正建议 |\n|---------|---------|---------|---------|\n| TC_XXX_001 | MISSING | 缺少并发场景 | 补充并发测试用例 |\n| TC_XXX_002 | VAGUE | 步骤描述模糊 | 明确操作步骤 |\n\n## 学习要点\n1. 高频问题：[问题模式]\n2. 改进方向：[具体建议]\n3. Prompt优化：[优化建议]\n\n## 元学习建议\n- 更新checklist：[新增检查项]\n- 优化prompt：[提示词调整]\n- 补充技能：[需要增强的技能]\n```\n\n## 评审维度速查\n\n### 各维度典型问题速查\n\n| 维度 | 常见问题现象 | 重点关注 | 通过标准 |\n|------|------------|---------|---------|\n| 完整性 | 缺少某个需求点/场景 | 需求追溯ID是否全部覆盖 | 每个需求点≥1条用例 |\n| 准确性 | 预期结果与实际不符 | 业务规则是否正确应用 | 预期结果=需求定义 |\n| 可执行性 | 步骤模糊/依赖不明确 | 新人能否按步骤执行 | 按步骤可复现 |\n| 风险覆盖 | 高风险区域用例不够深 | 资金/安全/并发是否深测 | 高风险区域≥3条用例 |\n| 规范性 | 格式不统一/字段缺失 | 是否使用标准模板 | 模板字段完整率100% |\n\n### 常见问题严重度判定\n\n| 问题类型 | 严重 | 一般 | 轻微 |\n|---------|------|------|------|\n| MISSING | 核心功能缺失 | 非核心功能缺失 | 边缘场景缺失 |\n| WRONG | 预期结果方向错误 | 步骤顺序错误 | 步骤表述不精确 |\n| VAGUE | 完全无法执行 | 需少量猜测 | 措辞可优化 |\n| RISK | 资金/安全未覆盖 | 非功能未覆盖 | 兼容性/体验未覆盖 |\n| REDUNDANT | 完全重复且P0 | 场景重叠 | 边界略有重叠 |\n| FORMAT | 完全无格式 | 部分字段缺失 | 格式可微调 |\n\n## 加载时机\n\n| 什么时候读 | 读哪个 |\n|-----------|--------|\n| 把评审反馈沉淀为可复用资产时 | [`references/meta-learning.md`](references/meta-learning.md) |\n\n> `元学习机制`的完整内容已下沉至 `references/meta-learning.md`，避免每次触发都占用上下文。\n\n## 应用场景\n\n**AI生成了20条登录模块测试用例**\n→ 抽样策略：按风险分层抽8条（P0全抽、P1抽50%、P2抽20%）\n→ 评审维度：\n - 功能覆盖：登录成功/失败/锁定（完整✅）\n - 异常覆盖：密码错误/账号锁定（完整✅）\n - 安全覆盖：SQL注入/XSS（遗漏❌）\n→ 校正标记：补充安全测试场景 + 更新Prompt：新增\"必须包含SQL注入和XSS测试\"\n→ 元学习：将安全场景缺失模式加入checklist\n\n**用户说\"评审一下这个AI生成的用例\"**\n→ 自动化评审流程：抽样→校验→校正→输出评审报告+Prompt优化建议\n\n## 自检清单\n\n评审完成后检查：\n- [ ] 抽样策略是否合理？\n- [ ] 评审维度是否覆盖？\n- [ ] 校正标记是否规范？\n- [ ] 评审报告是否完整？\n- [ ] 学习要点是否提炼？\n- [ ] Prompt优化建议是否具体？\n\n\n## 检查清单\n\n- [ ] 抽样是否覆盖高风险区域？\n- [ ] 评审维度是否完整？\n- [ ] 系统性问题是否识别？\n- [ ] 改进建议是否可行？\n- [ ] 评审报告是否生成？\n\nFile v1.8.0:_meta.json\n\n{\n \"ownerId\": \"kn71y9b23csfx0ykgm55d5m9x5891zt8\",\n \"slug\": \"qa-expert-review\",\n \"version\": \"1.8.0\",\n \"publishedAt\": 1790655995102\n}\n\nFile v1.8.0:references/meta-learning.md\n\n# 评审反馈元学习机制详解\n\n> 本文是 `qa-expert-review` 的**评审反馈元学习机制详解**。把评审反馈沉淀为可复用资产时读本文；\n其余部分留在 SKILL.md，不必读本文。\n\n---\n\n\n### 校正数据收集\n\n```text\n收集内容：\n├─ 问题类型分布\n├─ 高频问题模式\n├─ 专家校正建议\n├─ 用例质量趋势\n└─ 改进效果跟踪\n\n存储格式：\n{\n \"review_id\": \"REV-001\",\n \"date\": \"2024-01-01\",\n \"issues\": [\n {\n \"type\": \"MISSING\",\n \"count\": 5,\n \"pattern\": \"缺少并发场景\",\n \"correction\": \"补充并发测试\"\n }\n ],\n \"learning_points\": [...]\n}\n```\n\n### 模式识别\n\n```text\n识别方法：\n├─ 问题聚类：识别相似问题\n├─ 趋势分析：问题数量变化\n├─ 根因分析：为什么会出现这个问题\n└─ 改进验证：改进措施是否有效\n\n输出：\n├─ 高频问题TOP5\n├─ 问题趋势图\n├─ 改进建议\n└─ 效果评估\n```\n\n### Prompt优化\n\n```text\n优化流程：\n1. 分析校正数据\n2. 识别Prompt不足\n3. 生成优化建议\n4. 测试优化效果\n5. 持续迭代\n\n优化示例：\n原Prompt：\"生成登录模块的测试用例\"\n优化后：\"生成登录模块的测试用例，需覆盖：\n1. 正常登录流程\n2. 异常场景（密码错误、账号锁定）\n3. 边界条件（密码长度、特殊字符）\n4. 并发场景（多设备同时登录）\n5. 安全场景（SQL注入、XSS）\"\n```\n\nFile v1.8.0:skill-card.md\n\n## Description:\n\nGuides a final, risk-aware review of AI-generated test cases for business validity, scenario coverage, and executability before release.\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 reviewers use this skill to sample and assess AI-generated test cases, document defects and corrections, and feed recurring findings into future test-case generation.\n\n### Deployment Geography for Use:\n\nGlobal\n\n## Known Risks and Mitigations:\n\nRisk: Installing the suggested broader skill set could run code from an unverified source.\n\nMitigation: Verify the Kokxi/qa-test-skills source and prefer a pinned version or trusted commit before running the suggested npx command.\n\nRisk: Sampling can miss important gaps in AI-generated test cases.\n\nMitigation: Review all highest-priority and high-risk cases, trace coverage to available requirements, and repeat review after correcting systematic gaps.\n\n## Reference(s):\n\n- [Meta-learning reference](references/meta-learning.md)\n- [ClawHub skill release](https://clawhub.ai/kokxi/skills/qa-expert-review)\n\n## Skill Output:\n\n**Output Type(s):** [Text, Markdown, Guidance]\n\n**Output Format:** [Markdown review report with scores, issue table, corrections, and improvement recommendations]\n\n**Output Parameters:** [1D]\n\n**Other Properties Related to Output:** [Includes review and test-case IDs, sampling rate, requirements traceability, and prompt-optimization suggestions.]\n\n## Skill Version(s):\n\n1.8.0 (source: skill frontmatter and ClawHub 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, 5310 bytes\n\nFiles: skill-card.md (1778b), SKILL.md (8691b), _meta.json (135b)\n\nFile v1.7.7:SKILL.md\n\n---\nname: qa-expert-review\nslug: qa-expert-review\ndisplayName: Expert Review\nversion: 1.7.7\ndescription: >-\n 当 AI 生成的测试用例已经过输出评审和盲区补盲、准备终审上线时使用此技能。由资深测试对 AI 输出的用例做人工抽样校验，从业务有效性、场景完整性、可执行性三个维度做最后把关。⚠️ 如果发现系统性问题（比如遗漏了某个关键模块），需要回退修正并记录到 Prompt 优化反馈库。专家评审不是走形式——发现的问题必须闭环。\n\nwhen_to_use: 用户说\"专家评审\"、\"用例审查\"、\"校正反馈\"、\"评审用例\"、\"检查用例\"、\"终审\"、需要对AI输出进行质量把关、用例上线前需要终审时\nallowed-tools: Read Grep Glob\nrelated_skills:\n upstream:\n - qa-ai-output-critique # 输入：AI生成的测试用例\n - qa-ai-blindspot-compensation # 输入：补盲后的测试用例\n downstream:\n - qa-test-reporting # 输出：评审报告\n - qa-retrospective # 输出：校正数据用于复盘\ninput_format:\n required:\n - name: 测试用例\n type: array\n description: AI生成的测试用例列表\n optional:\n - name: 需求文档\n type: string\n description: 原始需求文档，用于校验覆盖度\n - name: 历史校正数据\n type: array\n description: 历史评审的校正记录，用于模式分析\noutput_format:\n structure:\n - 测试用例表格：固定 9 列（用例编号|测试类型|功能模块|测试标题|用例级别|预置条件|测试步骤|预期结果|风险等级）\n - 用例级别：P0≤20%（核心流程）/ P1≤40%（主要功能）/ P2≤30%（次要功能）/ P3≤10%（边缘场景）\n - 覆盖率：标注口径（基于现有需求/输入文档），禁止\"全覆盖/100%\"绝对化表述；缺失模块标注\"未覆盖+原因\"\n - review_id: \"REV-XXXX\"\n - review_summary: \"评审摘要\"\n - sampling_rate: \"抽样比例\"\n - issues_found: \"问题列表\"\n - corrections: \"校正建议\"\n - learning_points: \"学习要点\"\n - prompt_optimization: \"Prompt优化建议\"\n traceability:\n - 每次评审带唯一ID（REV-XXXX）\n - 关联用例ID（TC_{模块缩写}_{功能缩写}_{序号}，如 TC_API_LOGIN_001）\n - 关联需求ID（TC_{需求模块缩写}_{功能缩写}_{序号}）\ndepth_requirement_quantification:\n reference_value: \"根据项目重要性和风险等级调整评审深度：简单x1/中等x2/复杂x3\"\n minimum: \"至少覆盖功能完整性、边界充分性、异常覆盖性3个维度\"\ncategories: ['Development','Testing','Quality']\nerror_recovery_guidance:\n on_failure: \"评审发现系统性问题时回退到输出评审步骤修正\"\n retry_behavior: \"修正后重新抽样校验\"\n---\n# 专家评审与元学习\n\n## 核心原则\n\n专家评审不是挑错，而是建立\"AI生成→专家校验→持续优化\"的正向循环。\n\n## 评审流程\n\n### 第1步：抽样策略\n\n```text\n抽样方法：\n├─ 随机抽样：10-20%的用例\n├─ 分层抽样：P0用例100%覆盖，P1抽样50%，P2抽样20%\n├─ 风险抽样：高风险用例100%覆盖\n└─ 新功能抽样：新功能用例100%覆盖\n\n抽样公式：\n总用例数 < 50 → 全量评审\n总用例数 50-200 → 20%抽样\n总用例数 > 200 → 10%抽样 + P0全量\n```\n\n### 第2步：评审维度\n\n| 维度 | 检查点 | 权重 |\n|------|--------|------|\n| 完整性 | 是否覆盖所有需求点？ | 30% |\n| 准确性 | 测试步骤和预期结果是否正确？ | 25% |\n| 可执行性 | 步骤是否清晰可执行？ | 20% |\n| 风险覆盖 | 高风险区域是否深测？ | 15% |\n| 规范性 | 格式是否符合标准？ | 10% |\n\n### 第3步：校正标记\n\n```text\n校正标记格式：\n├─ [C-001] 问题类型：描述问题\n├─ [C-002] 问题类型：描述问题\n└─ ...\n\n问题类型：\n├─ MISSING：缺失场景\n├─ WRONG：步骤/预期错误\n├─ VAGUE：描述模糊\n├─ REDUNDANT：冗余用例\n├─ RISK：风险覆盖不足\n└─ FORMAT：格式不规范\n```\n\n### 第4步：输出评审报告\n\n```markdown\n# 专家评审报告\n\n## 评审摘要\n- 评审ID：REV-XXXX\n- 评审日期：YYYY-MM-DD\n- 评审专家：[姓名]\n- 用例总数：XX条\n- 抽样数量：XX条（抽样比例XX%）\n\n## 评审结果\n| 维度 | 评分 | 问题数 |\n|------|------|--------|\n| 完整性 | X/10 | X个 |\n| 准确性 | X/10 | X个 |\n| 可执行性 | X/10 | X个 |\n| 风险覆盖 | X/10 | X个 |\n| 规范性 | X/10 | X个 |\n| 综合评分 | X/10 | - |\n\n## 问题清单\n| 用例编号 | 问题类型 | 问题描述 | 校正建议 |\n|---------|---------|---------|---------|\n| TC_XXX_001 | MISSING | 缺少并发场景 | 补充并发测试用例 |\n| TC_XXX_002 | VAGUE | 步骤描述模糊 | 明确操作步骤 |\n\n## 学习要点\n1. 高频问题：[问题模式]\n2. 改进方向：[具体建议]\n3. Prompt优化：[优化建议]\n\n## 元学习建议\n- 更新checklist：[新增检查项]\n- 优化prompt：[提示词调整]\n- 补充技能：[需要增强的技能]\n```\n\n## 评审维度速查\n\n### 各维度典型问题速查\n\n| 维度 | 常见问题现象 | 重点关注 | 通过标准 |\n|------|------------|---------|---------|\n| 完整性 | 缺少某个需求点/场景 | 需求追溯ID是否全部覆盖 | 每个需求点≥1条用例 |\n| 准确性 | 预期结果与实际不符 | 业务规则是否正确应用 | 预期结果=需求定义 |\n| 可执行性 | 步骤模糊/依赖不明确 | 新人能否按步骤执行 | 按步骤可复现 |\n| 风险覆盖 | 高风险区域用例不够深 | 资金/安全/并发是否深测 | 高风险区域≥3条用例 |\n| 规范性 | 格式不统一/字段缺失 | 是否使用标准模板 | 模板字段完整率100% |\n\n### 常见问题严重度判定\n\n| 问题类型 | 严重 | 一般 | 轻微 |\n|---------|------|------|------|\n| MISSING | 核心功能缺失 | 非核心功能缺失 | 边缘场景缺失 |\n| WRONG | 预期结果方向错误 | 步骤顺序错误 | 步骤表述不精确 |\n| VAGUE | 完全无法执行 | 需少量猜测 | 措辞可优化 |\n| RISK | 资金/安全未覆盖 | 非功能未覆盖 | 兼容性/体验未覆盖 |\n| REDUNDANT | 完全重复且P0 | 场景重叠 | 边界略有重叠 |\n| FORMAT | 完全无格式 | 部分字段缺失 | 格式可微调 |\n\n## 元学习机制\n\n### 校正数据收集\n\n```text\n收集内容：\n├─ 问题类型分布\n├─ 高频问题模式\n├─ 专家校正建议\n├─ 用例质量趋势\n└─ 改进效果跟踪\n\n存储格式：\n{\n \"review_id\": \"REV-001\",\n \"date\": \"2024-01-01\",\n \"issues\": [\n {\n \"type\": \"MISSING\",\n \"count\": 5,\n \"pattern\": \"缺少并发场景\",\n \"correction\": \"补充并发测试\"\n }\n ],\n \"learning_points\": [...]\n}\n```\n\n### 模式识别\n\n```text\n识别方法：\n├─ 问题聚类：识别相似问题\n├─ 趋势分析：问题数量变化\n├─ 根因分析：为什么会出现这个问题\n└─ 改进验证：改进措施是否有效\n\n输出：\n├─ 高频问题TOP5\n├─ 问题趋势图\n├─ 改进建议\n└─ 效果评估\n```\n\n### Prompt优化\n\n```text\n优化流程：\n1. 分析校正数据\n2. 识别Prompt不足\n3. 生成优化建议\n4. 测试优化效果\n5. 持续迭代\n\n优化示例：\n原Prompt：\"生成登录模块的测试用例\"\n优化后：\"生成登录模块的测试用例，需覆盖：\n1. 正常登录流程\n2. 异常场景（密码错误、账号锁定）\n3. 边界条件（密码长度、特殊字符）\n4. 并发场景（多设备同时登录）\n5. 安全场景（SQL注入、XSS）\"\n```\n\n## 应用场景\n\n**AI生成了20条登录模块测试用例**\n→ 抽样策略：按风险分层抽8条（P0全抽、P1抽50%、P2抽20%）\n→ 评审维度：\n - 功能覆盖：登录成功/失败/锁定（完整✅）\n - 异常覆盖：密码错误/账号锁定（完整✅）\n - 安全覆盖：SQL注入/XSS（遗漏❌）\n→ 校正标记：补充安全测试场景 + 更新Prompt：新增\"必须包含SQL注入和XSS测试\"\n→ 元学习：将安全场景缺失模式加入checklist\n\n**用户说\"评审一下这个AI生成的用例\"**\n→ 自动化评审流程：抽样→校验→校正→输出评审报告+Prompt优化建议\n\n## 自检清单\n\n评审完成后检查：\n- [ ] 抽样策略是否合理？\n- [ ] 评审维度是否覆盖？\n- [ ] 校正标记是否规范？\n- [ ] 评审报告是否完整？\n- [ ] 学习要点是否提炼？\n- [ ] Prompt优化建议是否具体？\n\n\n## 检查清单\n\n- [ ] 抽样是否覆盖高风险区域？\n- [ ] 评审维度是否完整？\n- [ ] 系统性问题是否识别？\n- [ ] 改进建议是否可行？\n- [ ] 评审报告是否生成？\n\nFile v1.7.7:_meta.json\n\n{\n \"ownerId\": \"kn71y9b23csfx0ykgm55d5m9x5891zt8\",\n \"slug\": \"qa-expert-review\",\n \"version\": \"1.7.7\",\n \"publishedAt\": 1790519697310\n}\n\nFile v1.7.7:skill-card.md\n\n## Description:\n\nGuides expert review of AI-generated test cases through risk-based sampling, quality checks, corrections, and feedback for future improvements.\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 professionals and developers use this Chinese-language workflow to perform final review of AI-generated test cases before release, identify gaps, and recommend corrections and prompt improvements.\n\n### Deployment Geography for Use:\n\nGlobal\n\n## Known Risks and Mitigations:\n\nRisk: Broad QA trigger phrases may select this skill for requests that are not final test-case reviews.\n\nMitigation: Review trigger phrases alongside other QA skills and use it for final review of AI-generated test cases.\n\nRisk: Sampled reviews can leave defects or missing requirements undiscovered.\n\nMitigation: State the sampling basis, flag uncovered modules, and return systemic gaps for correction and renewed review.\n\n## Reference(s):\n\n- [ClawHub skill listing](https://clawhub.ai/kokxi/skills/qa-expert-review)\n\n## Skill Output:\n\n**Output Type(s):** [Markdown, Guidance]\n\n**Output Format:** [Chinese-language Markdown review report and test-case table]\n\n**Output Parameters:** [1D]\n\n**Other Properties Related to Output:** [Includes sampling results, issue IDs, correction suggestions, and prompt-improvement feedback.]\n\n## Skill Version(s):\n\n1.7.7 (source: skill frontmatter and server-resolved release)\n\n## Ethical Considerations:\n\nUsers should evaluate whether this skill is appropriate for their environment, review any generated or modified files before relying on them, and apply their organization's safety, security, and compliance requirements before deployment.\n\nArchive v1.7.6: 3 files, 5555 bytes\n\nFiles: skill-card.md (1845b), SKILL.md (9252b), _meta.json (135b)\n\nFile v1.7.6:SKILL.md\n\n---\r\nname: qa-expert-review\r\nslug: qa-expert-review\r\ndisplayName: 测试专家评审\r\nversion: 1.7.5\r\ndescription: >-\r\n 当 AI 生成的测试用例已经过输出评审和盲区补盲、准备终审上线时使用此技能。由资深测试对 AI 输出的用例做人工抽样校验，从业务有效性、场景完整性、可执行性三个维度做最后把关。⚠️ 如果发现系统性问题（比如遗漏了某个关键模块），需要回退修正并记录到 Prompt 优化反馈库。专家评审不是走形式——发现的问题必须闭环。\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\"专家评审\"、\"用例审查\"、\"校正反馈\"、\"评审用例\"、\"检查用例\"、\"终审\"、需要对AI输出进行质量把关、用例上线前需要终审时\r\nallowed-tools: Read Grep Glob\r\nrelated_skills:\r\n upstream:\r\n - qa-ai-output-critique # 输入：AI生成的测试用例\r\n - qa-ai-blindspot-compensation # 输入：补盲后的测试用例\r\n downstream:\r\n - qa-test-reporting # 输出：评审报告\r\n - qa-retrospective # 输出：校正数据用于复盘\r\ninput_format:\r\n required:\r\n - name: 测试用例\r\n type: array\r\n description: AI生成的测试用例列表\r\n optional:\r\n - name: 需求文档\r\n type: string\r\n description: 原始需求文档，用于校验覆盖度\r\n - name: 历史校正数据\r\n type: array\r\n description: 历史评审的校正记录，用于模式分析\r\noutput_format:\r\n structure:\r\n - 测试用例表格：固定 9 列（用例编号|测试类型|功能模块|测试标题|用例级别|预置条件|测试步骤|预期结果|风险等级）\r\n - 用例级别：P0≤20%（核心流程）/ P1≤40%（主要功能）/ P2≤30%（次要功能）/ P3≤10%（边缘场景）\r\n - 覆盖率：标注口径（基于现有需求/输入文档），禁止\"全覆盖/100%\"绝对化表述；缺失模块标注\"未覆盖+原因\"\r\n - review_id: \"REV-XXXX\"\r\n - review_summary: \"评审摘要\"\r\n - sampling_rate: \"抽样比例\"\r\n - issues_found: \"问题列表\"\r\n - corrections: \"校正建议\"\r\n - learning_points: \"学习要点\"\r\n - prompt_optimization: \"Prompt优化建议\"\r\n traceability:\r\n - 每次评审带唯一ID（REV-XXXX）\r\n - 关联用例ID（TC_{模块缩写}_{功能缩写}_{序号}，如 TC_API_LOGIN_001）\r\n - 关联需求ID（TC_{需求模块缩写}_{功能缩写}_{序号}）\r\ndepth_requirement_quantification:\r\n reference_value: \"根据项目重要性和风险等级调整评审深度：简单x1/中等x2/复杂x3\"\r\n minimum: \"至少覆盖功能完整性、边界充分性、异常覆盖性3个维度\"\r\ncategories: ['Development','Testing','Quality']\r\nerror_recovery_guidance:\r\n on_failure: \"评审发现系统性问题时回退到输出评审步骤修正\"\r\n retry_behavior: \"修正后重新抽样校验\"\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# 专家评审与元学习\r\n\r\n## 核心原则\r\n\r\n专家评审不是挑错，而是建立\"AI生成→专家校验→持续优化\"的正向循环。\r\n\r\n## 评审流程\r\n\r\n### 第1步：抽样策略\r\n\r\n```text\r\n抽样方法：\r\n├─ 随机抽样：10-20%的用例\r\n├─ 分层抽样：P0用例100%覆盖，P1抽样50%，P2抽样20%\r\n├─ 风险抽样：高风险用例100%覆盖\r\n└─ 新功能抽样：新功能用例100%覆盖\r\n\r\n抽样公式：\r\n总用例数 < 50 → 全量评审\r\n总用例数 50-200 → 20%抽样\r\n总用例数 > 200 → 10%抽样 + P0全量\r\n```\r\n\r\n### 第2步：评审维度\r\n\r\n| 维度 | 检查点 | 权重 |\r\n|------|--------|------|\r\n| 完整性 | 是否覆盖所有需求点？ | 30% |\r\n| 准确性 | 测试步骤和预期结果是否正确？ | 25% |\r\n| 可执行性 | 步骤是否清晰可执行？ | 20% |\r\n| 风险覆盖 | 高风险区域是否深测？ | 15% |\r\n| 规范性 | 格式是否符合标准？ | 10% |\r\n\r\n### 第3步：校正标记\r\n\r\n```text\r\n校正标记格式：\r\n├─ [C-001] 问题类型：描述问题\r\n├─ [C-002] 问题类型：描述问题\r\n└─ ...\r\n\r\n问题类型：\r\n├─ MISSING：缺失场景\r\n├─ WRONG：步骤/预期错误\r\n├─ VAGUE：描述模糊\r\n├─ REDUNDANT：冗余用例\r\n├─ RISK：风险覆盖不足\r\n└─ FORMAT：格式不规范\r\n```\r\n\r\n### 第4步：输出评审报告\r\n\r\n```markdown\r\n# 专家评审报告\r\n\r\n## 评审摘要\r\n- 评审ID：REV-XXXX\r\n- 评审日期：YYYY-MM-DD\r\n- 评审专家：[姓名]\r\n- 用例总数：XX条\r\n- 抽样数量：XX条（抽样比例XX%）\r\n\r\n## 评审结果\r\n| 维度 | 评分 | 问题数 |\r\n|------|------|--------|\r\n| 完整性 | X/10 | X个 |\r\n| 准确性 | X/10 | X个 |\r\n| 可执行性 | X/10 | X个 |\r\n| 风险覆盖 | X/10 | X个 |\r\n| 规范性 | X/10 | X个 |\r\n| 综合评分 | X/10 | - |\r\n\r\n## 问题清单\r\n| 用例编号 | 问题类型 | 问题描述 | 校正建议 |\r\n|---------|---------|---------|---------|\r\n| TC_XXX_001 | MISSING | 缺少并发场景 | 补充并发测试用例 |\r\n| TC_XXX_002 | VAGUE | 步骤描述模糊 | 明确操作步骤 |\r\n\r\n## 学习要点\r\n1. 高频问题：[问题模式]\r\n2. 改进方向：[具体建议]\r\n3. Prompt优化：[优化建议]\r\n\r\n## 元学习建议\r\n- 更新checklist：[新增检查项]\r\n- 优化prompt：[提示词调整]\r\n- 补充技能：[需要增强的技能]\r\n```\r\n\r\n## 评审维度速查\r\n\r\n### 各维度典型问题速查\r\n\r\n| 维度 | 常见问题现象 | 重点关注 | 通过标准 |\r\n|------|------------|---------|---------|\r\n| 完整性 | 缺少某个需求点/场景 | 需求追溯ID是否全部覆盖 | 每个需求点≥1条用例 |\r\n| 准确性 | 预期结果与实际不符 | 业务规则是否正确应用 | 预期结果=需求定义 |\r\n| 可执行性 | 步骤模糊/依赖不明确 | 新人能否按步骤执行 | 按步骤可复现 |\r\n| 风险覆盖 | 高风险区域用例不够深 | 资金/安全/并发是否深测 | 高风险区域≥3条用例 |\r\n| 规范性 | 格式不统一/字段缺失 | 是否使用标准模板 | 模板字段完整率100% |\r\n\r\n### 常见问题严重度判定\r\n\r\n| 问题类型 | 严重 | 一般 | 轻微 |\r\n|---------|------|------|------|\r\n| MISSING | 核心功能缺失 | 非核心功能缺失 | 边缘场景缺失 |\r\n| WRONG | 预期结果方向错误 | 步骤顺序错误 | 步骤表述不精确 |\r\n| VAGUE | 完全无法执行 | 需少量猜测 | 措辞可优化 |\r\n| RISK | 资金/安全未覆盖 | 非功能未覆盖 | 兼容性/体验未覆盖 |\r\n| REDUNDANT | 完全重复且P0 | 场景重叠 | 边界略有重叠 |\r\n| FORMAT | 完全无格式 | 部分字段缺失 | 格式可微调 |\r\n\r\n## 元学习机制\r\n\r\n### 校正数据收集\r\n\r\n```text\r\n收集内容：\r\n├─ 问题类型分布\r\n├─ 高频问题模式\r\n├─ 专家校正建议\r\n├─ 用例质量趋势\r\n└─ 改进效果跟踪\r\n\r\n存储格式：\r\n{\r\n \"review_id\": \"REV-001\",\r\n \"date\": \"2024-01-01\",\r\n \"issues\": [\r\n {\r\n \"type\": \"MISSING\",\r\n \"count\": 5,\r\n \"pattern\": \"缺少并发场景\",\r\n \"correction\": \"补充并发测试\"\r\n }\r\n ],\r\n \"learning_points\": [...]\r\n}\r\n```\r\n\r\n### 模式识别\r\n\r\n```text\r\n识别方法：\r\n├─ 问题聚类：识别相似问题\r\n├─ 趋势分析：问题数量变化\r\n├─ 根因分析：为什么会出现这个问题\r\n└─ 改进验证：改进措施是否有效\r\n\r\n输出：\r\n├─ 高频问题TOP5\r\n├─ 问题趋势图\r\n├─ 改进建议\r\n└─ 效果评估\r\n```\r\n\r\n### Prompt优化\r\n\r\n```text\r\n优化流程：\r\n1. 分析校正数据\r\n2. 识别Prompt不足\r\n3. 生成优化建议\r\n4. 测试优化效果\r\n5. 持续迭代\r\n\r\n优化示例：\r\n原Prompt：\"生成登录模块的测试用例\"\r\n优化后：\"生成登录模块的测试用例，需覆盖：\r\n1. 正常登录流程\r\n2. 异常场景（密码错误、账号锁定）\r\n3. 边界条件（密码长度、特殊字符）\r\n4. 并发场景（多设备同时登录）\r\n5. 安全场景（SQL注入、XSS）\"\r\n```\r\n\r\n## 应用场景\r\n\r\n**AI生成了20条登录模块测试用例**\r\n→ 抽样策略：按风险分层抽8条（P0全抽、P1抽50%、P2抽20%）\r\n→ 评审维度：\r\n - 功能覆盖：登录成功/失败/锁定（完整✅）\r\n - 异常覆盖：密码错误/账号锁定（完整✅）\r\n - 安全覆盖：SQL注入/XSS（遗漏❌）\r\n→ 校正标记：补充安全测试场景 + 更新Prompt：新增\"必须包含SQL注入和XSS测试\"\r\n→ 元学习：将安全场景缺失模式加入checklist\r\n\r\n**用户说\"评审一下这个AI生成的用例\"**\r\n→ 自动化评审流程：抽样→校验→校正→输出评审报告+Prompt优化建议\r\n\r\n## 自检清单\r\n\r\n评审完成后检查：\r\n- [ ] 抽样策略是否合理？\r\n- [ ] 评审维度是否覆盖？\r\n- [ ] 校正标记是否规范？\r\n- [ ] 评审报告是否完整？\r\n- [ ] 学习要点是否提炼？\r\n- [ ] Prompt优化建议是否具体？\r\n\r\n\r\n## 检查清单\r\n\r\n- [ ] 抽样是否覆盖高风险区域？\r\n- [ ] 评审维度是否完整？\r\n- [ ] 系统性问题是否识别？\r\n- [ ] 改进建议是否可行？\r\n- [ ] 评审报告是否生成？\n\nFile v1.7.6:_meta.json\n\n{\n \"ownerId\": \"kn71y9b23csfx0ykgm55d5m9x5891zt8\",\n \"slug\": \"qa-expert-review\",\n \"version\": \"1.7.6\",\n \"publishedAt\": 1788266392548\n}\n\nFile v1.7.6:skill-card.md\n\n## Description:\n\nGuides a senior QA-style final review of AI-generated test cases, checking business validity, scenario completeness, executability, and closure of systemic issues before release.\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 leads, and product teams use this skill to sample and review AI-generated test cases before release. It helps identify missing scenarios, unclear steps, incorrect expectations, risk gaps, and prompt improvements.\n\n### Deployment Geography for Use:\n\nGlobal\n\n## Known Risks and Mitigations:\n\nRisk: The artifact recommends an unpinned bulk install of a third-party skill bundle.\n\nMitigation: Use the skill as a read-only QA review checklist unless the exact Kokxi/qa-test-skills revision and installer are inspected and trusted first.\n\n## Reference(s):\n\n- [ClawHub skill page](https://clawhub.ai/kokxi/skills/qa-expert-review)\n- [Publisher profile](https://clawhub.ai/user/kokxi)\n\n## Skill Output:\n\n**Output Type(s):** [Markdown, Text, Guidance]\n\n**Output Format:** [Markdown review report with test-case tables, scoring tables, issue lists, correction suggestions, learning points, and prompt optimization notes]\n\n**Output Parameters:** [1D]\n\n**Other Properties Related to Output:** [Includes review IDs, sampling rates, linked test case IDs, linked requirement IDs, severity labels, and correction markers.]\n\n## Skill Version(s):\n\n1.7.6 (source: server release metadata; 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, 5474 bytes\n\nFiles: skill-card.md (2174b), SKILL.md (8691b), _meta.json (135b)\n\nFile v1.7.5:SKILL.md\n\n---\nname: qa-expert-review\nslug: qa-expert-review\ndisplayName: Expert Review\nversion: 1.7.5\ndescription: >-\n 当 AI 生成的测试用例已经过输出评审和盲区补盲、准备终审上线时使用此技能。由资深测试对 AI 输出的用例做人工抽样校验，从业务有效性、场景完整性、可执行性三个维度做最后把关。⚠️ 如果发现系统性问题（比如遗漏了某个关键模块），需要回退修正并记录到 Prompt 优化反馈库。专家评审不是走形式——发现的问题必须闭环。\n\nwhen_to_use: 用户说\"专家评审\"、\"用例审查\"、\"校正反馈\"、\"评审用例\"、\"检查用例\"、\"终审\"、需要对AI输出进行质量把关、用例上线前需要终审时\nallowed-tools: Read Grep Glob\nrelated_skills:\n upstream:\n - qa-ai-output-critique # 输入：AI生成的测试用例\n - qa-ai-blindspot-compensation # 输入：补盲后的测试用例\n downstream:\n - qa-test-reporting # 输出：评审报告\n - qa-retrospective # 输出：校正数据用于复盘\ninput_format:\n required:\n - name: 测试用例\n type: array\n description: AI生成的测试用例列表\n optional:\n - name: 需求文档\n type: string\n description: 原始需求文档，用于校验覆盖度\n - name: 历史校正数据\n type: array\n description: 历史评审的校正记录，用于模式分析\noutput_format:\n structure:\n - 测试用例表格：固定 9 列（用例编号|测试类型|功能模块|测试标题|用例级别|预置条件|测试步骤|预期结果|风险等级）\n - 用例级别：P0≤20%（核心流程）/ P1≤40%（主要功能）/ P2≤30%（次要功能）/ P3≤10%（边缘场景）\n - 覆盖率：标注口径（基于现有需求/输入文档），禁止\"全覆盖/100%\"绝对化表述；缺失模块标注\"未覆盖+原因\"\n - review_id: \"REV-XXXX\"\n - review_summary: \"评审摘要\"\n - sampling_rate: \"抽样比例\"\n - issues_found: \"问题列表\"\n - corrections: \"校正建议\"\n - learning_points: \"学习要点\"\n - prompt_optimization: \"Prompt优化建议\"\n traceability:\n - 每次评审带唯一ID（REV-XXXX）\n - 关联用例ID（TC_{模块缩写}_{功能缩写}_{序号}，如 TC_API_LOGIN_001）\n - 关联需求ID（TC_{需求模块缩写}_{功能缩写}_{序号}）\ndepth_requirement_quantification:\n reference_value: \"根据项目重要性和风险等级调整评审深度：简单x1/中等x2/复杂x3\"\n minimum: \"至少覆盖功能完整性、边界充分性、异常覆盖性3个维度\"\ncategories: ['Development','Testing','Quality']\nerror_recovery_guidance:\n on_failure: \"评审发现系统性问题时回退到输出评审步骤修正\"\n retry_behavior: \"修正后重新抽样校验\"\n---\n# 专家评审与元学习\n\n## 核心原则\n\n专家评审不是挑错，而是建立\"AI生成→专家校验→持续优化\"的正向循环。\n\n## 评审流程\n\n### 第1步：抽样策略\n\n```text\n抽样方法：\n├─ 随机抽样：10-20%的用例\n├─ 分层抽样：P0用例100%覆盖，P1抽样50%，P2抽样20%\n├─ 风险抽样：高风险用例100%覆盖\n└─ 新功能抽样：新功能用例100%覆盖\n\n抽样公式：\n总用例数 < 50 → 全量评审\n总用例数 50-200 → 20%抽样\n总用例数 > 200 → 10%抽样 + P0全量\n```\n\n### 第2步：评审维度\n\n| 维度 | 检查点 | 权重 |\n|------|--------|------|\n| 完整性 | 是否覆盖所有需求点？ | 30% |\n| 准确性 | 测试步骤和预期结果是否正确？ | 25% |\n| 可执行性 | 步骤是否清晰可执行？ | 20% |\n| 风险覆盖 | 高风险区域是否深测？ | 15% |\n| 规范性 | 格式是否符合标准？ | 10% |\n\n### 第3步：校正标记\n\n```text\n校正标记格式：\n├─ [C-001] 问题类型：描述问题\n├─ [C-002] 问题类型：描述问题\n└─ ...\n\n问题类型：\n├─ MISSING：缺失场景\n├─ WRONG：步骤/预期错误\n├─ VAGUE：描述模糊\n├─ REDUNDANT：冗余用例\n├─ RISK：风险覆盖不足\n└─ FORMAT：格式不规范\n```\n\n### 第4步：输出评审报告\n\n```markdown\n# 专家评审报告\n\n## 评审摘要\n- 评审ID：REV-XXXX\n- 评审日期：YYYY-MM-DD\n- 评审专家：[姓名]\n- 用例总数：XX条\n- 抽样数量：XX条（抽样比例XX%）\n\n## 评审结果\n| 维度 | 评分 | 问题数 |\n|------|------|--------|\n| 完整性 | X/10 | X个 |\n| 准确性 | X/10 | X个 |\n| 可执行性 | X/10 | X个 |\n| 风险覆盖 | X/10 | X个 |\n| 规范性 | X/10 | X个 |\n| 综合评分 | X/10 | - |\n\n## 问题清单\n| 用例编号 | 问题类型 | 问题描述 | 校正建议 |\n|---------|---------|---------|---------|\n| TC_XXX_001 | MISSING | 缺少并发场景 | 补充并发测试用例 |\n| TC_XXX_002 | VAGUE | 步骤描述模糊 | 明确操作步骤 |\n\n## 学习要点\n1. 高频问题：[问题模式]\n2. 改进方向：[具体建议]\n3. Prompt优化：[优化建议]\n\n## 元学习建议\n- 更新checklist：[新增检查项]\n- 优化prompt：[提示词调整]\n- 补充技能：[需要增强的技能]\n```\n\n## 评审维度速查\n\n### 各维度典型问题速查\n\n| 维度 | 常见问题现象 | 重点关注 | 通过标准 |\n|------|------------|---------|---------|\n| 完整性 | 缺少某个需求点/场景 | 需求追溯ID是否全部覆盖 | 每个需求点≥1条用例 |\n| 准确性 | 预期结果与实际不符 | 业务规则是否正确应用 | 预期结果=需求定义 |\n| 可执行性 | 步骤模糊/依赖不明确 | 新人能否按步骤执行 | 按步骤可复现 |\n| 风险覆盖 | 高风险区域用例不够深 | 资金/安全/并发是否深测 | 高风险区域≥3条用例 |\n| 规范性 | 格式不统一/字段缺失 | 是否使用标准模板 | 模板字段完整率100% |\n\n### 常见问题严重度判定\n\n| 问题类型 | 严重 | 一般 | 轻微 |\n|---------|------|------|------|\n| MISSING | 核心功能缺失 | 非核心功能缺失 | 边缘场景缺失 |\n| WRONG | 预期结果方向错误 | 步骤顺序错误 | 步骤表述不精确 |\n| VAGUE | 完全无法执行 | 需少量猜测 | 措辞可优化 |\n| RISK | 资金/安全未覆盖 | 非功能未覆盖 | 兼容性/体验未覆盖 |\n| REDUNDANT | 完全重复且P0 | 场景重叠 | 边界略有重叠 |\n| FORMAT | 完全无格式 | 部分字段缺失 | 格式可微调 |\n\n## 元学习机制\n\n### 校正数据收集\n\n```text\n收集内容：\n├─ 问题类型分布\n├─ 高频问题模式\n├─ 专家校正建议\n├─ 用例质量趋势\n└─ 改进效果跟踪\n\n存储格式：\n{\n \"review_id\": \"REV-001\",\n \"date\": \"2024-01-01\",\n \"issues\": [\n {\n \"type\": \"MISSING\",\n \"count\": 5,\n \"pattern\": \"缺少并发场景\",\n \"correction\": \"补充并发测试\"\n }\n ],\n \"learning_points\": [...]\n}\n```\n\n### 模式识别\n\n```text\n识别方法：\n├─ 问题聚类：识别相似问题\n├─ 趋势分析：问题数量变化\n├─ 根因分析：为什么会出现这个问题\n└─ 改进验证：改进措施是否有效\n\n输出：\n├─ 高频问题TOP5\n├─ 问题趋势图\n├─ 改进建议\n└─ 效果评估\n```\n\n### Prompt优化\n\n```text\n优化流程：\n1. 分析校正数据\n2. 识别Prompt不足\n3. 生成优化建议\n4. 测试优化效果\n5. 持续迭代\n\n优化示例：\n原Prompt：\"生成登录模块的测试用例\"\n优化后：\"生成登录模块的测试用例，需覆盖：\n1. 正常登录流程\n2. 异常场景（密码错误、账号锁定）\n3. 边界条件（密码长度、特殊字符）\n4. 并发场景（多设备同时登录）\n5. 安全场景（SQL注入、XSS）\"\n```\n\n## 应用场景\n\n**AI生成了20条登录模块测试用例**\n→ 抽样策略：按风险分层抽8条（P0全抽、P1抽50%、P2抽20%）\n→ 评审维度：\n - 功能覆盖：登录成功/失败/锁定（完整✅）\n - 异常覆盖：密码错误/账号锁定（完整✅）\n - 安全覆盖：SQL注入/XSS（遗漏❌）\n→ 校正标记：补充安全测试场景 + 更新Prompt：新增\"必须包含SQL注入和XSS测试\"\n→ 元学习：将安全场景缺失模式加入checklist\n\n**用户说\"评审一下这个AI生成的用例\"**\n→ 自动化评审流程：抽样→校验→校正→输出评审报告+Prompt优化建议\n\n## 自检清单\n\n评审完成后检查：\n- [ ] 抽样策略是否合理？\n- [ ] 评审维度是否覆盖？\n- [ ] 校正标记是否规范？\n- [ ] 评审报告是否完整？\n- [ ] 学习要点是否提炼？\n- [ ] Prompt优化建议是否具体？\n\n\n## 检查清单\n\n- [ ] 抽样是否覆盖高风险区域？\n- [ ] 评审维度是否完整？\n- [ ] 系统性问题是否识别？\n- [ ] 改进建议是否可行？\n- [ ] 评审报告是否生成？\n\nFile v1.7.5:_meta.json\n\n{\n \"ownerId\": \"kn71y9b23csfx0ykgm55d5m9x5891zt8\",\n \"slug\": \"qa-expert-review\",\n \"version\": \"1.7.5\",\n \"publishedAt\": 1788102836935\n}\n\nFile v1.7.5:skill-card.md\n\n## Description:\n\nReviews AI-generated test cases before final release by sampling and checking business validity, scenario completeness, and executability, then requiring closure on any systemic issues found.\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 leads, and development teams use this skill to perform final expert review of AI-generated test cases before release. It produces review findings, corrections, learning points, and prompt optimization feedback for improving future test generation.\n\n### Deployment Geography for Use:\n\nGlobal\n\n## Known Risks and Mitigations:\n\nRisk: Broad trigger phrases could cause the QA review template to be used for general document checking instead of final test-case review.\n\nMitigation: Invoke the skill explicitly for final review of AI-generated test cases after output critique and blindspot compensation.\n\nRisk: Expert review findings can affect release readiness if systemic coverage or executability issues are found.\n\nMitigation: Route systemic issues back through correction, record them as prompt optimization feedback, and re-run sampling before treating the test set as release-ready.\n\n## Reference(s):\n\n- [ClawHub skill page](https://clawhub.ai/kokxi/skills/qa-expert-review)\n\n## Skill Output:\n\n**Output Type(s):** [Markdown, Analysis, Guidance]\n\n**Output Format:** [Markdown report with tables, issue lists, corrections, learning points, and prompt optimization suggestions]\n\n**Output Parameters:** [1D]\n\n**Other Properties Related to Output:** [Includes a unique review ID, sampling rate, traceable test case identifiers, severity-style correction markers, and coverage statements tied to the provided requirements or input documents.]\n\n## Skill Version(s):\n\n1.7.5 (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, 5165 bytes\n\nFiles: skill-card.md (2038b), SKILL.md (8154b), _meta.json (135b)\n\nFile v1.6.3:SKILL.md\n\n---\nname: qa-expert-review\nslug: qa-expert-review\ndisplayName: Expert Review\nversion: 1.6.3\ndescription: >-\n 当 AI 生成的测试用例已经过输出评审和盲区补盲、准备终审上线时使用此技能。由资深测试对 AI 输出的用例做人工抽样校验，从业务有效性、场景完整性、可执行性三个维度做最后把关。⚠️ 如果发现系统性问题（比如遗漏了某个关键模块），需要回退修正并记录到 Prompt 优化反馈库。专家评审不是走形式——发现的问题必须闭环。\n\nwhen_to_use: 用户说\"专家评审\"、\"用例审查\"、\"校正反馈\"、\"评审用例\"、\"检查用例\"、\"终审\"、需要对AI输出进行质量把关、用例上线前需要终审时\nallowed-tools: Read Grep Glob\nrelated_skills:\n upstream:\n - qa-ai-output-critique # 输入：AI生成的测试用例\n - qa-ai-blindspot-compensation # 输入：补盲后的测试用例\n downstream:\n - qa-test-reporting # 输出：评审报告\n - qa-retrospective # 输出：校正数据用于复盘\ninput_format:\n required:\n - name: 测试用例\n type: array\n description: AI生成的测试用例列表\n optional:\n - name: 需求文档\n type: string\n description: 原始需求文档，用于校验覆盖度\n - name: 历史校正数据\n type: array\n description: 历史评审的校正记录，用于模式分析\noutput_format:\n structure:\n - review_id: \"REV-XXXX\"\n - review_summary: \"评审摘要\"\n - sampling_rate: \"抽样比例\"\n - issues_found: \"问题列表\"\n - corrections: \"校正建议\"\n - learning_points: \"学习要点\"\n - prompt_optimization: \"Prompt优化建议\"\n traceability:\n - 每次评审带唯一ID（REV-XXXX）\n - 关联用例ID（TC-XXXX）\n - 关联需求ID（REQ-XXXX）\ndepth_requirement_quantification:\n reference_value: \"根据项目重要性和风险等级调整评审深度：简单x1/中等x2/复杂x3\"\n minimum: \"至少覆盖功能完整性、边界充分性、异常覆盖性3个维度\"\ncategories: ['Development','Testing','Quality']\nerror_recovery_guidance:\n on_failure: \"评审发现系统性问题时回退到输出评审步骤修正\"\n retry_behavior: \"修正后重新抽样校验\"\n---\n# 专家评审与元学习\n\n## 核心原则\n\n专家评审不是挑错，而是建立\"AI生成→专家校验→持续优化\"的正向循环。\n\n## 评审流程\n\n### 第1步：抽样策略\n\n```text\n抽样方法：\n├─ 随机抽样：10-20%的用例\n├─ 分层抽样：P0用例100%覆盖，P1抽样50%，P2抽样20%\n├─ 风险抽样：高风险用例100%覆盖\n└─ 新功能抽样：新功能用例100%覆盖\n\n抽样公式：\n总用例数 < 50 → 全量评审\n总用例数 50-200 → 20%抽样\n总用例数 > 200 → 10%抽样 + P0全量\n```\n\n### 第2步：评审维度\n\n| 维度 | 检查点 | 权重 |\n|------|--------|------|\n| 完整性 | 是否覆盖所有需求点？ | 30% |\n| 准确性 | 测试步骤和预期结果是否正确？ | 25% |\n| 可执行性 | 步骤是否清晰可执行？ | 20% |\n| 风险覆盖 | 高风险区域是否深测？ | 15% |\n| 规范性 | 格式是否符合标准？ | 10% |\n\n### 第3步：校正标记\n\n```text\n校正标记格式：\n├─ [C-001] 问题类型：描述问题\n├─ [C-002] 问题类型：描述问题\n└─ ...\n\n问题类型：\n├─ MISSING：缺失场景\n├─ WRONG：步骤/预期错误\n├─ VAGUE：描述模糊\n├─ REDUNDANT：冗余用例\n├─ RISK：风险覆盖不足\n└─ FORMAT：格式不规范\n```\n\n### 第4步：输出评审报告\n\n```markdown\n# 专家评审报告\n\n## 评审摘要\n- 评审ID：REV-XXXX\n- 评审日期：YYYY-MM-DD\n- 评审专家：[姓名]\n- 用例总数：XX条\n- 抽样数量：XX条（抽样比例XX%）\n\n## 评审结果\n| 维度 | 评分 | 问题数 |\n|------|------|--------|\n| 完整性 | X/10 | X个 |\n| 准确性 | X/10 | X个 |\n| 可执行性 | X/10 | X个 |\n| 风险覆盖 | X/10 | X个 |\n| 规范性 | X/10 | X个 |\n| 综合评分 | X/10 | - |\n\n## 问题清单\n| 用例编号 | 问题类型 | 问题描述 | 校正建议 |\n|---------|---------|---------|---------|\n| TC_XXX_001 | MISSING | 缺少并发场景 | 补充并发测试用例 |\n| TC_XXX_002 | VAGUE | 步骤描述模糊 | 明确操作步骤 |\n\n## 学习要点\n1. 高频问题：[问题模式]\n2. 改进方向：[具体建议]\n3. Prompt优化：[优化建议]\n\n## 元学习建议\n- 更新checklist：[新增检查项]\n- 优化prompt：[提示词调整]\n- 补充技能：[需要增强的技能]\n```\n\n## 评审维度速查\n\n### 各维度典型问题速查\n\n| 维度 | 常见问题现象 | 重点关注 | 通过标准 |\n|------|------------|---------|---------|\n| 完整性 | 缺少某个需求点/场景 | 需求追溯ID是否全部覆盖 | 每个需求点≥1条用例 |\n| 准确性 | 预期结果与实际不符 | 业务规则是否正确应用 | 预期结果=需求定义 |\n| 可执行性 | 步骤模糊/依赖不明确 | 新人能否按步骤执行 | 按步骤可复现 |\n| 风险覆盖 | 高风险区域用例不够深 | 资金/安全/并发是否深测 | 高风险区域≥3条用例 |\n| 规范性 | 格式不统一/字段缺失 | 是否使用标准模板 | 模板字段完整率100% |\n\n### 常见问题严重度判定\n\n| 问题类型 | 严重 | 一般 | 轻微 |\n|---------|------|------|------|\n| MISSING | 核心功能缺失 | 非核心功能缺失 | 边缘场景缺失 |\n| WRONG | 预期结果方向错误 | 步骤顺序错误 | 步骤表述不精确 |\n| VAGUE | 完全无法执行 | 需少量猜测 | 措辞可优化 |\n| RISK | 资金/安全未覆盖 | 非功能未覆盖 | 兼容性/体验未覆盖 |\n| REDUNDANT | 完全重复且P0 | 场景重叠 | 边界略有重叠 |\n| FORMAT | 完全无格式 | 部分字段缺失 | 格式可微调 |\n\n## 元学习机制\n\n### 校正数据收集\n\n```text\n收集内容：\n├─ 问题类型分布\n├─ 高频问题模式\n├─ 专家校正建议\n├─ 用例质量趋势\n└─ 改进效果跟踪\n\n存储格式：\n{\n \"review_id\": \"REV-001\",\n \"date\": \"2024-01-01\",\n \"issues\": [\n {\n \"type\": \"MISSING\",\n \"count\": 5,\n \"pattern\": \"缺少并发场景\",\n \"correction\": \"补充并发测试\"\n }\n ],\n \"learning_points\": [...]\n}\n```\n\n### 模式识别\n\n```text\n识别方法：\n├─ 问题聚类：识别相似问题\n├─ 趋势分析：问题数量变化\n├─ 根因分析：为什么会出现这个问题\n└─ 改进验证：改进措施是否有效\n\n输出：\n├─ 高频问题TOP5\n├─ 问题趋势图\n├─ 改进建议\n└─ 效果评估\n```\n\n### Prompt优化\n\n```text\n优化流程：\n1. 分析校正数据\n2. 识别Prompt不足\n3. 生成优化建议\n4. 测试优化效果\n5. 持续迭代\n\n优化示例：\n原Prompt：\"生成登录模块的测试用例\"\n优化后：\"生成登录模块的测试用例，需覆盖：\n1. 正常登录流程\n2. 异常场景（密码错误、账号锁定）\n3. 边界条件（密码长度、特殊字符）\n4. 并发场景（多设备同时登录）\n5. 安全场景（SQL注入、XSS）\"\n```\n\n## 应用场景\n\n**AI生成了20条登录模块测试用例**\n→ 抽样策略：按风险分层抽8条（P0全抽、P1抽50%、P2抽20%）\n→ 评审维度：\n - 功能覆盖：登录成功/失败/锁定（完整✅）\n - 异常覆盖：密码错误/账号锁定（完整✅）\n - 安全覆盖：SQL注入/XSS（遗漏❌）\n→ 校正标记：补充安全测试场景 + 更新Prompt：新增\"必须包含SQL注入和XSS测试\"\n→ 元学习：将安全场景缺失模式加入checklist\n\n**用户说\"评审一下这个AI生成的用例\"**\n→ 自动化评审流程：抽样→校验→校正→输出评审报告+Prompt优化建议\n\n## 自检清单\n\n评审完成后检查：\n- [ ] 抽样策略是否合理？\n- [ ] 评审维度是否覆盖？\n- [ ] 校正标记是否规范？\n- [ ] 评审报告是否完整？\n- [ ] 学习要点是否提炼？\n- [ ] Prompt优化建议是否具体？\n\n\n## 检查清单\n\n- [ ] 抽样是否覆盖高风险区域？\n- [ ] 评审维度是否完整？\n- [ ] 系统性问题是否识别？\n- [ ] 改进建议是否可行？\n- [ ] 评审报告是否生成？\n\nFile v1.6.3:_meta.json\n\n{\n \"ownerId\": \"kn71y9b23csfx0ykgm55d5m9x5891zt8\",\n \"slug\": \"qa-expert-review\",\n \"version\": \"1.6.3\",\n \"publishedAt\": 1786548214754\n}\n\nFile v1.6.3:skill-card.md\n\n## Description:\n\nQA Expert Review guides final human review of AI-generated test cases through sampling, scoring, correction notes, learning points, and prompt optimization feedback before release.\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 reviewers, testers, and delivery teams use this skill when AI-generated test cases are ready for final review before release. It supports sampling strategy selection, quality scoring, issue classification, correction recommendations, and feedback for improving future prompts.\n\n### Deployment Geography for Use:\n\nGlobal\n\n## Known Risks and Mitigations:\n\nRisk: The skill may activate on broad test-review phrases and produce Chinese-language reports.\n\nMitigation: Invoke it for final QA test-case review workflows and specify the desired report language or review scope when needed.\n\nRisk: Review findings or prompt optimization suggestions may be incomplete or misleading if the supplied test cases or requirements are incomplete.\n\nMitigation: Have a qualified QA reviewer verify sampled findings against the source requirements before using the report for release decisions.\n\n## Reference(s):\n\n\n## Skill Output:\n\n**Output Type(s):** [text, markdown, guidance]\n\n**Output Format:** [Markdown review report with structured issue tables, correction suggestions, learning points, and prompt optimization recommendations.]\n\n**Output Parameters:** [1D]\n\n**Other Properties Related to Output:** [Produces a single review workflow response; no code execution, network access, or credential handling was identified in security evidence.]\n\n## Skill Version(s):\n\n1.6.3 (source: SKILL.md 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, 5181 bytes\n\nFiles: skill-card.md (2084b), SKILL.md (8360b), _meta.json (135b)\n\nFile v1.6.0:SKILL.md\n\n---\r\nname: qa-expert-review\r\nversion: 1.6.0\r\ndescription: >-\r\n 当 AI 生成的测试用例已经过输出评审和盲区补盲、准备终审上线时使用此技能。由资深测试对 AI 输出的用例做人工抽样校验，从业务有效性、场景完整性、可执行性三个维度做最后把关。⚠️ 如果发现系统性问题（比如遗漏了某个关键模块），需要回退修正并记录到 Prompt 优化反馈库。专家评审不是走形式——发现的问题必须闭环。\r\n\r\nwhen_to_use: 用户说\"专家评审\"、\"用例审查\"、\"校正反馈\"、\"评审用例\"、\"检查用例\"、\"终审\"、需要对AI输出进行质量把关、用例上线前需要终审时\r\nallowed-tools: Read Grep Glob\r\nrelated_skills:\r\n upstream:\r\n - qa-ai-output-critique # 输入：AI生成的测试用例\r\n - qa-ai-blindspot-compensation # 输入：补盲后的测试用例\r\n downstream:\r\n - qa-test-reporting # 输出：评审报告\r\n - qa-retrospective # 输出：校正数据用于复盘\r\ninput_format:\r\n required:\r\n - name: 测试用例\r\n type: array\r\n description: AI生成的测试用例列表\r\n optional:\r\n - name: 需求文档\r\n type: string\r\n description: 原始需求文档，用于校验覆盖度\r\n - name: 历史校正数据\r\n type: array\r\n description: 历史评审的校正记录，用于模式分析\r\noutput_format:\r\n structure:\r\n - review_id: \"REV-XXXX\"\r\n - review_summary: \"评审摘要\"\r\n - sampling_rate: \"抽样比例\"\r\n - issues_found: \"问题列表\"\r\n - corrections: \"校正建议\"\r\n - learning_points: \"学习要点\"\r\n - prompt_optimization: \"Prompt优化建议\"\r\n traceability:\r\n - 每次评审带唯一ID（REV-XXXX）\r\n - 关联用例ID（TC-XXXX）\r\n - 关联需求ID（REQ-XXXX）\r\ndepth_requirement_quantification:\r\n reference_value: \"根据项目重要性和风险等级调整评审深度：简单x1/中等x2/复杂x3\"\r\n minimum: \"至少覆盖功能完整性、边界充分性、异常覆盖性3个维度\"\r\ncategories: ['Development','Testing','Quality']\r\nerror_recovery_guidance:\r\n on_failure: \"评审发现系统性问题时回退到输出评审步骤修正\"\r\n retry_behavior: \"修正后重新抽样校验\"\r\n---\r\n# 专家评审与元学习\r\n\r\n## 核心原则\r\n\r\n专家评审不是挑错，而是建立\"AI生成→专家校验→持续优化\"的正向循环。\r\n\r\n## 评审流程\r\n\r\n### 第1步：抽样策略\r\n\r\n```text\r\n抽样方法：\r\n├─ 随机抽样：10-20%的用例\r\n├─ 分层抽样：P0用例100%覆盖，P1抽样50%，P2抽样20%\r\n├─ 风险抽样：高风险用例100%覆盖\r\n└─ 新功能抽样：新功能用例100%覆盖\r\n\r\n抽样公式：\r\n总用例数 < 50 → 全量评审\r\n总用例数 50-200 → 20%抽样\r\n总用例数 > 200 → 10%抽样 + P0全量\r\n```\r\n\r\n### 第2步：评审维度\r\n\r\n| 维度 | 检查点 | 权重 |\r\n|------|--------|------|\r\n| 完整性 | 是否覆盖所有需求点？ | 30% |\r\n| 准确性 | 测试步骤和预期结果是否正确？ | 25% |\r\n| 可执行性 | 步骤是否清晰可执行？ | 20% |\r\n| 风险覆盖 | 高风险区域是否深测？ | 15% |\r\n| 规范性 | 格式是否符合标准？ | 10% |\r\n\r\n### 第3步：校正标记\r\n\r\n```text\r\n校正标记格式：\r\n├─ [C-001] 问题类型：描述问题\r\n├─ [C-002] 问题类型：描述问题\r\n└─ ...\r\n\r\n问题类型：\r\n├─ MISSING：缺失场景\r\n├─ WRONG：步骤/预期错误\r\n├─ VAGUE：描述模糊\r\n├─ REDUNDANT：冗余用例\r\n├─ RISK：风险覆盖不足\r\n└─ FORMAT：格式不规范\r\n```\r\n\r\n### 第4步：输出评审报告\r\n\r\n```markdown\r\n# 专家评审报告\r\n\r\n## 评审摘要\r\n- 评审ID：REV-XXXX\r\n- 评审日期：YYYY-MM-DD\r\n- 评审专家：[姓名]\r\n- 用例总数：XX条\r\n- 抽样数量：XX条（抽样比例XX%）\r\n\r\n## 评审结果\r\n| 维度 | 评分 | 问题数 |\r\n|------|------|--------|\r\n| 完整性 | X/10 | X个 |\r\n| 准确性 | X/10 | X个 |\r\n| 可执行性 | X/10 | X个 |\r\n| 风险覆盖 | X/10 | X个 |\r\n| 规范性 | X/10 | X个 |\r\n| 综合评分 | X/10 | - |\r\n\r\n## 问题清单\r\n| 用例编号 | 问题类型 | 问题描述 | 校正建议 |\r\n|---------|---------|---------|---------|\r\n| TC_XXX_001 | MISSING | 缺少并发场景 | 补充并发测试用例 |\r\n| TC_XXX_002 | VAGUE | 步骤描述模糊 | 明确操作步骤 |\r\n\r\n## 学习要点\r\n1. 高频问题：[问题模式]\r\n2. 改进方向：[具体建议]\r\n3. Prompt优化：[优化建议]\r\n\r\n## 元学习建议\r\n- 更新checklist：[新增检查项]\r\n- 优化prompt：[提示词调整]\r\n- 补充技能：[需要增强的技能]\r\n```\r\n\r\n## 评审维度速查\r\n\r\n### 各维度典型问题速查\r\n\r\n| 维度 | 常见问题现象 | 重点关注 | 通过标准 |\r\n|------|------------|---------|---------|\r\n| 完整性 | 缺少某个需求点/场景 | 需求追溯ID是否全部覆盖 | 每个需求点≥1条用例 |\r\n| 准确性 | 预期结果与实际不符 | 业务规则是否正确应用 | 预期结果=需求定义 |\r\n| 可执行性 | 步骤模糊/依赖不明确 | 新人能否按步骤执行 | 按步骤可复现 |\r\n| 风险覆盖 | 高风险区域用例不够深 | 资金/安全/并发是否深测 | 高风险区域≥3条用例 |\r\n| 规范性 | 格式不统一/字段缺失 | 是否使用标准模板 | 模板字段完整率100% |\r\n\r\n### 常见问题严重度判定\r\n\r\n| 问题类型 | 严重 | 一般 | 轻微 |\r\n|---------|------|------|------|\r\n| MISSING | 核心功能缺失 | 非核心功能缺失 | 边缘场景缺失 |\r\n| WRONG | 预期结果方向错误 | 步骤顺序错误 | 步骤表述不精确 |\r\n| VAGUE | 完全无法执行 | 需少量猜测 | 措辞可优化 |\r\n| RISK | 资金/安全未覆盖 | 非功能未覆盖 | 兼容性/体验未覆盖 |\r\n| REDUNDANT | 完全重复且P0 | 场景重叠 | 边界略有重叠 |\r\n| FORMAT | 完全无格式 | 部分字段缺失 | 格式可微调 |\r\n\r\n## 元学习机制\r\n\r\n### 校正数据收集\r\n\r\n```text\r\n收集内容：\r\n├─ 问题类型分布\r\n├─ 高频问题模式\r\n├─ 专家校正建议\r\n├─ 用例质量趋势\r\n└─ 改进效果跟踪\r\n\r\n存储格式：\r\n{\r\n \"review_id\": \"REV-001\",\r\n \"date\": \"2024-01-01\",\r\n \"issues\": [\r\n {\r\n \"type\": \"MISSING\",\r\n \"count\": 5,\r\n \"pattern\": \"缺少并发场景\",\r\n \"correction\": \"补充并发测试\"\r\n }\r\n ],\r\n \"learning_points\": [...]\r\n}\r\n```\r\n\r\n### 模式识别\r\n\r\n```text\r\n识别方法：\r\n├─ 问题聚类：识别相似问题\r\n├─ 趋势分析：问题数量变化\r\n├─ 根因分析：为什么会出现这个问题\r\n└─ 改进验证：改进措施是否有效\r\n\r\n输出：\r\n├─ 高频问题TOP5\r\n├─ 问题趋势图\r\n├─ 改进建议\r\n└─ 效果评估\r\n```\r\n\r\n### Prompt优化\r\n\r\n```text\r\n优化流程：\r\n1. 分析校正数据\r\n2. 识别Prompt不足\r\n3. 生成优化建议\r\n4. 测试优化效果\r\n5. 持续迭代\r\n\r\n优化示例：\r\n原Prompt：\"生成登录模块的测试用例\"\r\n优化后：\"生成登录模块的测试用例，需覆盖：\r\n1. 正常登录流程\r\n2. 异常场景（密码错误、账号锁定）\r\n3. 边界条件（密码长度、特殊字符）\r\n4. 并发场景（多设备同时登录）\r\n5. 安全场景（SQL注入、XSS）\"\r\n```\r\n\r\n## 应用场景\r\n\r\n**AI生成了20条登录模块测试用例**\r\n→ 抽样策略：按风险分层抽8条（P0全抽、P1抽50%、P2抽20%）\r\n→ 评审维度：\r\n - 功能覆盖：登录成功/失败/锁定（完整✅）\r\n - 异常覆盖：密码错误/账号锁定（完整✅）\r\n - 安全覆盖：SQL注入/XSS（遗漏❌）\r\n→ 校正标记：补充安全测试场景 + 更新Prompt：新增\"必须包含SQL注入和XSS测试\"\r\n→ 元学习：将安全场景缺失模式加入checklist\r\n\r\n**用户说\"评审一下这个AI生成的用例\"**\r\n→ 自动化评审流程：抽样→校验→校正→输出评审报告+Prompt优化建议\r\n\r\n## 自检清单\r\n\r\n评审完成后检查：\r\n- [ ] 抽样策略是否合理？\r\n- [ ] 评审维度是否覆盖？\r\n- [ ] 校正标记是否规范？\r\n- [ ] 评审报告是否完整？\r\n- [ ] 学习要点是否提炼？\r\n- [ ] Prompt优化建议是否具体？\r\n\r\n\r\n## 检查清单\r\n\r\n- [ ] 抽样是否覆盖高风险区域？\r\n- [ ] 评审维度是否完整？\r\n- [ ] 系统性问题是否识别？\r\n- [ ] 改进建议是否可行？\r\n- [ ] 评审报告是否生成？\n\nFile v1.6.0:_meta.json\n\n{\n \"ownerId\": \"kn71y9b23csfx0ykgm55d5m9x5891zt8\",\n \"slug\": \"qa-expert-review\",\n \"version\": \"1.6.0\",\n \"publishedAt\": 1783358119985\n}\n\nFile v1.6.0:skill-card.md\n\n## Description:
\nReviews AI-generated test cases before release by sampling and checking business validity, scenario completeness, and executability, then produces corrections and prompt-optimization feedback.
\n\nThis skill is ready for commercial/non-commercial use.
\n\n## Publisher:
\n[kokxi](https://clawhub.ai/user/kokxi)
\n\n### License/Terms of Use:
\nMIT-0
\n\n\n## Use Case:
\nQA engineers, test leads, and release reviewers use this skill to perform final expert review of AI-generated test cases before they are accepted for use. It supports sampling strategy selection, issue classification, correction recommendations, and prompt-improvement feedback loops.
\n\n### Deployment Geography for Use:
\nGlobal
\n\n## Known Risks and Mitigations:
\nRisk: Broad QA or final-review trigger phrases may activate the skill outside its intended test-case review context.
\nMitigation: Use it only when reviewing AI-generated test cases or related requirements and correction history.
\nRisk: Review guidance could introduce incorrect or misleading QA recommendations if accepted without review.
\nMitigation: Have a qualified reviewer validate findings before changing release-ready test suites, correction records, or prompt libraries.
\n\n\n## Reference(s):
\n\n\n## Skill Output:
\n**Output Type(s):** [text, markdown, guidance]
\n**Output Format:** [Markdown review report with tables, correction items, learning points, and prompt-optimization recommendations]
\n**Output Parameters:** [1D]
\n**Other Properties Related to Output:** [Outputs include review IDs, sampling rates, issue lists, traceability IDs, corrections, and follow-up learning points.]
\n\n## Skill Version(s):
\n1.6.0 (source: frontmatter and server release evidence)
\n\n## Ethical Considerations:
\nUsers should evaluate whether this skill is appropriate for their environment, review any generated or modified files before relying on them, and apply their organization's safety, security, and compliance requirements before deployment.
\n\nArchive v1.5.0: 3 files, 5050 bytes\n\nFiles: skill-card.md (1980b), SKILL.md (8189b), _meta.json (135b)\n\nFile v1.5.0:SKILL.md\n\n---\r\nname: qa-expert-review\r\nversion: 1.5.0\r\ndescription: >-\r\n 当 AI 生成的测试用例已经过输出评审和盲区补盲、准备终审上线时使用此技能。由资深测试对 AI 输出的用例做人工抽样校验，从业务有效性、场景完整性、可执行性三个维度做最后把关。⚠️ 如果发现系统性问题（比如遗漏了某个关键模块），需要回退修正并记录到 Prompt 优化反馈库。专家评审不是走形式——发现的问题必须闭环。\r\n\r\nwhen_to_use: 用户说\"专家评审\"、\"用例审查\"、\"校正反馈\"、\"评审用例\"、\"检查用例\"、\"终审\"、需要对AI输出进行质量把关、用例上线前需要终审时\r\nallowed-tools: Read Grep Glob\r\nrelated_skills:\r\n upstream:\r\n - qa-ai-output-critique # 输入：AI生成的测试用例\r\n - qa-ai-blindspot-compensation # 输入：补盲后的测试用例\r\n downstream:\r\n - qa-test-reporting # 输出：评审报告\r\n - qa-retrospective # 输出：校正数据用于复盘\r\ninput_format:\r\n required:\r\n - name: 测试用例\r\n type: array\r\n description: AI生成的测试用例列表\r\n optional:\r\n - name: 需求文档\r\n type: string\r\n description: 原始需求文档，用于校验覆盖度\r\n - name: 历史校正数据\r\n type: array\r\n description: 历史评审的校正记录，用于模式分析\r\noutput_format:\r\n structure:\r\n - review_id: \"REV-XXXX\"\r\n - review_summary: \"评审摘要\"\r\n - sampling_rate: \"抽样比例\"\r\n - issues_found: \"问题列表\"\r\n - corrections: \"校正建议\"\r\n - learning_points: \"学习要点\"\r\n - prompt_optimization: \"Prompt优化建议\"\r\n traceability:\r\n - 每次评审带唯一ID（REV-XXXX）\r\n - 关联用例ID（TC-XXXX）\r\n - 关联需求ID（REQ-XXXX）\r\ndepth_requirement_quantification:\r\n reference_value: \"根据项目重要性和风险等级调整评审深度：简单x1/中等x2/复杂x3\"\r\n minimum: \"至少覆盖功能完整性、边界充分性、异常覆盖性3个维度\"\r\n---\r\n\r\n# 专家评审与元学习\r\n\r\n## 核心原则\r\n\r\n你是一位资深测试专家，擅长对AI生成的测试用例进行质量评审，并将校正反馈转化为持续改进的能力。\r\n**核心原则**：专家评审不是挑错，而是建立\"AI生成→专家校验→持续优化\"的正向循环。\r\n本技能覆盖抽样策略、评审维度、校正标记、元学习机制。\r\n\r\n## 评审流程\r\n\r\n### 第1步：抽样策略\r\n\r\n```text\r\n抽样方法：\r\n├─ 随机抽样：10-20%的用例\r\n├─ 分层抽样：P0用例100%覆盖，P1抽样50%，P2抽样20%\r\n├─ 风险抽样：高风险用例100%覆盖\r\n└─ 新功能抽样：新功能用例100%覆盖\r\n\r\n抽样公式：\r\n总用例数 < 50 → 全量评审\r\n总用例数 50-200 → 20%抽样\r\n总用例数 > 200 → 10%抽样 + P0全量\r\n```\r\n\r\n### 第2步：评审维度\r\n\r\n| 维度 | 检查点 | 权重 |\r\n|------|--------|------|\r\n| 完整性 | 是否覆盖所有需求点？ | 30% |\r\n| 准确性 | 测试步骤和预期结果是否正确？ | 25% |\r\n| 可执行性 | 步骤是否清晰可执行？ | 20% |\r\n| 风险覆盖 | 高风险区域是否深测？ | 15% |\r\n| 规范性 | 格式是否符合标准？ | 10% |\r\n\r\n### 第3步：校正标记\r\n\r\n```text\r\n校正标记格式：\r\n├─ [C-001] 问题类型：描述问题\r\n├─ [C-002] 问题类型：描述问题\r\n└─ ...\r\n\r\n问题类型：\r\n├─ MISSING：缺失场景\r\n├─ WRONG：步骤/预期错误\r\n├─ VAGUE：描述模糊\r\n├─ REDUNDANT：冗余用例\r\n├─ RISK：风险覆盖不足\r\n└─ FORMAT：格式不规范\r\n```\r\n\r\n### 第4步：输出评审报告\r\n\r\n```markdown\r\n# 专家评审报告\r\n\r\n## 评审摘要\r\n- 评审ID：REV-XXXX\r\n- 评审日期：YYYY-MM-DD\r\n- 评审专家：[姓名]\r\n- 用例总数：XX条\r\n- 抽样数量：XX条（抽样比例XX%）\r\n\r\n## 评审结果\r\n| 维度 | 评分 | 问题数 |\r\n|------|------|--------|\r\n| 完整性 | X/10 | X个 |\r\n| 准确性 | X/10 | X个 |\r\n| 可执行性 | X/10 | X个 |\r\n| 风险覆盖 | X/10 | X个 |\r\n| 规范性 | X/10 | X个 |\r\n| 综合评分 | X/10 | - |\r\n\r\n## 问题清单\r\n| 用例编号 | 问题类型 | 问题描述 | 校正建议 |\r\n|---------|---------|---------|---------|\r\n| TC_XXX_001 | MISSING | 缺少并发场景 | 补充并发测试用例 |\r\n| TC_XXX_002 | VAGUE | 步骤描述模糊 | 明确操作步骤 |\r\n\r\n## 学习要点\r\n1. 高频问题：[问题模式]\r\n2. 改进方向：[具体建议]\r\n3. Prompt优化：[优化建议]\r\n\r\n## 元学习建议\r\n- 更新checklist：[新增检查项]\r\n- 优化prompt：[提示词调整]\r\n- 补充技能：[需要增强的技能]\r\n```\r\n\r\n## 评审维度速查\r\n\r\n### 各维度典型问题速查\r\n\r\n| 维度 | 常见问题现象 | 重点关注 | 通过标准 |\r\n|------|------------|---------|---------|\r\n| 完整性 | 缺少某个需求点/场景 | 需求追溯ID是否全部覆盖 | 每个需求点≥1条用例 |\r\n| 准确性 | 预期结果与实际不符 | 业务规则是否正确应用 | 预期结果=需求定义 |\r\n| 可执行性 | 步骤模糊/依赖不明确 | 新人能否按步骤执行 | 按步骤可复现 |\r\n| 风险覆盖 | 高风险区域用例不够深 | 资金/安全/并发是否深测 | 高风险区域≥3条用例 |\r\n| 规范性 | 格式不统一/字段缺失 | 是否使用标准模板 | 模板字段完整率100% |\r\n\r\n### 常见问题严重度判定\r\n\r\n| 问题类型 | 严重 | 一般 | 轻微 |\r\n|---------|------|------|------|\r\n| MISSING | 核心功能缺失 | 非核心功能缺失 | 边缘场景缺失 |\r\n| WRONG | 预期结果方向错误 | 步骤顺序错误 | 步骤表述不精确 |\r\n| VAGUE | 完全无法执行 | 需少量猜测 | 措辞可优化 |\r\n| RISK | 资金/安全未覆盖 | 非功能未覆盖 | 兼容性/体验未覆盖 |\r\n| REDUNDANT | 完全重复且P0 | 场景重叠 | 边界略有重叠 |\r\n| FORMAT | 完全无格式 | 部分字段缺失 | 格式可微调 |\r\n\r\n## 元学习机制\r\n\r\n### 校正数据收集\r\n\r\n```text\r\n收集内容：\r\n├─ 问题类型分布\r\n├─ 高频问题模式\r\n├─ 专家校正建议\r\n├─ 用例质量趋势\r\n└─ 改进效果跟踪\r\n\r\n存储格式：\r\n{\r\n \"review_id\": \"REV-001\",\r\n \"date\": \"2024-01-01\",\r\n \"issues\": [\r\n {\r\n \"type\": \"MISSING\",\r\n \"count\": 5,\r\n \"pattern\": \"缺少并发场景\",\r\n \"correction\": \"补充并发测试\"\r\n }\r\n ],\r\n \"learning_points\": [...]\r\n}\r\n```\r\n\r\n### 模式识别\r\n\r\n```text\r\n识别方法：\r\n├─ 问题聚类：识别相似问题\r\n├─ 趋势分析：问题数量变化\r\n├─ 根因分析：为什么会出现这个问题\r\n└─ 改进验证：改进措施是否有效\r\n\r\n输出：\r\n├─ 高频问题TOP5\r\n├─ 问题趋势图\r\n├─ 改进建议\r\n└─ 效果评估\r\n```\r\n\r\n### Prompt优化\r\n\r\n```text\r\n优化流程：\r\n1. 分析校正数据\r\n2. 识别Prompt不足\r\n3. 生成优化建议\r\n4. 测试优化效果\r\n5. 持续迭代\r\n\r\n优化示例：\r\n原Prompt：\"生成登录模块的测试用例\"\r\n优化后：\"生成登录模块的测试用例，需覆盖：\r\n1. 正常登录流程\r\n2. 异常场景（密码错误、账号锁定）\r\n3. 边界条件（密码长度、特殊字符）\r\n4. 并发场景（多设备同时登录）\r\n5. 安全场景（SQL注入、XSS）\"\r\n```\r\n\r\n## 应用场景\r\n\r\n**AI生成了20条登录模块测试用例**\r\n→ 抽样策略：按风险分层抽8条（P0全抽、P1抽50%、P2抽20%）\r\n→ 评审维度：\r\n - 功能覆盖：登录成功/失败/锁定（完整✅）\r\n - 异常覆盖：密码错误/账号锁定（完整✅）\r\n - 安全覆盖：SQL注入/XSS（遗漏❌）\r\n→ 校正标记：补充安全测试场景 + 更新Prompt：新增\"必须包含SQL注入和XSS测试\"\r\n→ 元学习：将安全场景缺失模式加入checklist\r\n\r\n**用户说\"评审一下这个AI生成的用例\"**\r\n→ 自动化评审流程：抽样→校验→校正→输出评审报告+Prompt优化建议\r\n\r\n## 自检清单\r\n\r\n评审完成后检查：\r\n- [ ] 抽样策略是否合理？\r\n- [ ] 评审维度是否覆盖？\r\n- [ ] 校正标记是否规范？\r\n- [ ] 评审报告是否完整？\r\n- [ ] 学习要点是否提炼？\r\n- [ ] Prompt优化建议是否具体？\n\nFile v1.5.0:_meta.json\n\n{\n \"ownerId\": \"kn71y9b23csfx0ykgm55d5m9x5891zt8\",\n \"slug\": \"qa-expert-review\",\n \"version\": \"1.5.0\",\n \"publishedAt\": 1782736366769\n}\n\nFile v1.5.0:skill-card.md\n\n## Description:
\nReviews AI-generated test cases before final release by sampling them and checking business validity, scenario completeness, and executability, then requiring correction feedback for systemic issues.
\n\nThis skill is ready for commercial/non-commercial use.
\n\n## Publisher:
\n[kokxi](https://clawhub.ai/user/kokxi)
\n\n### License/Terms of Use:
\nMIT-0
\n\n\n## Use Case:
\nQA reviewers, testers, and product teams use this skill as a final gate before AI-generated test cases go live. It produces sampled review findings, correction suggestions, learning points, and prompt optimization guidance.
\n\n### Deployment Geography for Use:
\nGlobal
\n\n## Known Risks and Mitigations:
\nRisk: The skill may activate on broad review phrases in mixed-language environments.
\nMitigation: Use explicit prompts that state the desired language, review scope, and whether this QA expert review skill should be applied.
\nRisk: Review findings can affect whether generated test cases are accepted for release.
\nMitigation: Have a qualified reviewer confirm sampled findings, systemic issue claims, and prompt optimization suggestions before treating the report as a final gate.
\n\n\n## Reference(s):
\n\n\n## Skill Output:
\n**Output Type(s):** [Text, Markdown, Guidance]
\n**Output Format:** [Markdown review report with tables and structured correction lists]
\n**Output Parameters:** [1D]
\n**Other Properties Related to Output:** [Includes review IDs, sampled issue lists, corrections, learning points, and prompt optimization suggestions.]
\n\n## Skill Version(s):
\n1.5.0 (source: SKILL.md frontmatter and release evidence)
\n\n## Ethical Considerations:
\nUsers should evaluate whether this skill is appropriate for their environment, review any generated or modified files before relying on them, and apply their organization's safety, security, and compliance requirements before deployment.
\n\nArchive v1.4.1: 3 files, 4810 bytes\n\nFiles: skill-card.md (2077b), SKILL.md (7650b), _meta.json (135b)\n\nFile v1.4.1:SKILL.md\n\n---\r\nname: qa-expert-review\r\ndescription: >-\r\n 专家评审与元学习，由专家对AI生成用例进行人工抽样校验，输出校正反馈并驱动Prompt持续优化。当需要终审把关或质量审核时激活。\r\n\r\nwhen_to_use: 用户说\"专家评审\"、\"用例审查\"、\"校正反馈\"、\"评审用例\"、\"检查用例\"、\"终审\"、需要对AI输出进行质量把关、用例上线前需要终审时\r\nallowed-tools: Read Grep Glob\r\nrelated_skills:\r\n upstream:\r\n - qa-ai-output-critique # 输入：AI生成的测试用例\r\n - qa-ai-blindspot-compensation # 输入：补盲后的测试用例\r\n downstream:\r\n - qa-test-reporting # 输出：评审报告\r\n - qa-retrospective # 输出：校正数据用于复盘\r\ninput_format:\r\n required:\r\n - name: 测试用例\r\n type: array\r\n description: AI生成的测试用例列表\r\n optional:\r\n - name: 需求文档\r\n type: string\r\n description: 原始需求文档，用于校验覆盖度\r\n - name: 历史校正数据\r\n type: array\r\n description: 历史评审的校正记录，用于模式分析\r\noutput_format:\r\n structure:\r\n - review_id: \"REV-XXXX\"\r\n - review_summary: \"评审摘要\"\r\n - sampling_rate: \"抽样比例\"\r\n - issues_found: \"问题列表\"\r\n - corrections: \"校正建议\"\r\n - learning_points: \"学习要点\"\r\n - prompt_optimization: \"Prompt优化建议\"\r\n traceability:\r\n - 每次评审带唯一ID（REV-XXXX）\r\n - 关联用例ID（TC-XXXX）\r\n - 关联需求ID（REQ-XXXX）\r\n---\r\n\r\n# 专家评审与元学习\r\n\r\n## Overview\r\n\r\n你是一位资深测试专家，擅长对AI生成的测试用例进行质量评审，并将校正反馈转化为持续改进的能力。\r\n**核心原则**：专家评审不是挑错，而是建立\"AI生成→专家校验→持续优化\"的正向循环。\r\n本技能覆盖抽样策略、评审维度、校正标记、元学习机制。\r\n\r\n## 评审流程\r\n\r\n### 第1步：抽样策略\r\n\r\n```\r\n抽样方法：\r\n├─ 随机抽样：10-20%的用例\r\n├─ 分层抽样：P0用例100%覆盖，P1抽样50%，P2抽样20%\r\n├─ 风险抽样：高风险用例100%覆盖\r\n└─ 新功能抽样：新功能用例100%覆盖\r\n\r\n抽样公式：\r\n总用例数 < 50 → 全量评审\r\n总用例数 50-200 → 20%抽样\r\n总用例数 > 200 → 10%抽样 + P0全量\r\n```\r\n\r\n### 第2步：评审维度\r\n\r\n| 维度 | 检查点 | 权重 |\r\n|------|--------|------|\r\n| 完整性 | 是否覆盖所有需求点？ | 30% |\r\n| 准确性 | 测试步骤和预期结果是否正确？ | 25% |\r\n| 可执行性 | 步骤是否清晰可执行？ | 20% |\r\n| 风险覆盖 | 高风险区域是否深测？ | 15% |\r\n| 规范性 | 格式是否符合标准？ | 10% |\r\n\r\n### 第3步：校正标记\r\n\r\n```\r\n校正标记格式：\r\n├─ [C-001] 问题类型：描述问题\r\n├─ [C-002] 问题类型：描述问题\r\n└─ ...\r\n\r\n问题类型：\r\n├─ MISSING：缺失场景\r\n├─ WRONG：步骤/预期错误\r\n├─ VAGUE：描述模糊\r\n├─ REDUNDANT：冗余用例\r\n├─ RISK：风险覆盖不足\r\n└─ FORMAT：格式不规范\r\n```\r\n\r\n### 第4步：输出评审报告\r\n\r\n```markdown\r\n# 专家评审报告\r\n\r\n## 评审摘要\r\n- 评审ID：REV-XXXX\r\n- 评审日期：YYYY-MM-DD\r\n- 评审专家：[姓名]\r\n- 用例总数：XX条\r\n- 抽样数量：XX条（抽样比例XX%）\r\n\r\n## 评审结果\r\n| 维度 | 评分 | 问题数 |\r\n|------|------|--------|\r\n| 完整性 | X/10 | X个 |\r\n| 准确性 | X/10 | X个 |\r\n| 可执行性 | X/10 | X个 |\r\n| 风险覆盖 | X/10 | X个 |\r\n| 规范性 | X/10 | X个 |\r\n| 综合评分 | X/10 | - |\r\n\r\n## 问题清单\r\n| 用例编号 | 问题类型 | 问题描述 | 校正建议 |\r\n|---------|---------|---------|---------|\r\n| TC_XXX_001 | MISSING | 缺少并发场景 | 补充并发测试用例 |\r\n| TC_XXX_002 | VAGUE | 步骤描述模糊 | 明确操作步骤 |\r\n\r\n## 学习要点\r\n1. 高频问题：[问题模式]\r\n2. 改进方向：[具体建议]\r\n3. Prompt优化：[优化建议]\r\n\r\n## 元学习建议\r\n- 更新checklist：[新增检查项]\r\n- 优化prompt：[提示词调整]\r\n- 补充技能：[需要增强的技能]\r\n```\r\n\r\n## 评审维度速查\r\n\r\n### 各维度典型问题速查\r\n\r\n| 维度 | 常见问题现象 | 重点关注 | 通过标准 |\r\n|------|------------|---------|---------|\r\n| 完整性 | 缺少某个需求点/场景 | 需求追溯ID是否全部覆盖 | 每个需求点≥1条用例 |\r\n| 准确性 | 预期结果与实际不符 | 业务规则是否正确应用 | 预期结果=需求定义 |\r\n| 可执行性 | 步骤模糊/依赖不明确 | 新人能否按步骤执行 | 按步骤可复现 |\r\n| 风险覆盖 | 高风险区域用例不够深 | 资金/安全/并发是否深测 | 高风险区域≥3条用例 |\r\n| 规范性 | 格式不统一/字段缺失 | 是否使用标准模板 | 模板字段完整率100% |\r\n\r\n### 常见问题严重度判定\r\n\r\n| 问题类型 | 严重 | 一般 | 轻微 |\r\n|---------|------|------|------|\r\n| MISSING | 核心功能缺失 | 非核心功能缺失 | 边缘场景缺失 |\r\n| WRONG | 预期结果方向错误 | 步骤顺序错误 | 步骤表述不精确 |\r\n| VAGUE | 完全无法执行 | 需少量猜测 | 措辞可优化 |\r\n| RISK | 资金/安全未覆盖 | 非功能未覆盖 | 兼容性/体验未覆盖 |\r\n| REDUNDANT | 完全重复且P0 | 场景重叠 | 边界略有重叠 |\r\n| FORMAT | 完全无格式 | 部分字段缺失 | 格式可微调 |\r\n\r\n## 元学习机制\r\n\r\n### 校正数据收集\r\n\r\n```\r\n收集内容：\r\n├─ 问题类型分布\r\n├─ 高频问题模式\r\n├─ 专家校正建议\r\n├─ 用例质量趋势\r\n└─ 改进效果跟踪\r\n\r\n存储格式：\r\n{\r\n \"review_id\": \"REV-001\",\r\n \"date\": \"2024-01-01\",\r\n \"issues\": [\r\n {\r\n \"type\": \"MISSING\",\r\n \"count\": 5,\r\n \"pattern\": \"缺少并发场景\",\r\n \"correction\": \"补充并发测试\"\r\n }\r\n ],\r\n \"learning_points\": [...]\r\n}\r\n```\r\n\r\n### 模式识别\r\n\r\n```\r\n识别方法：\r\n├─ 问题聚类：识别相似问题\r\n├─ 趋势分析：问题数量变化\r\n├─ 根因分析：为什么会出现这个问题\r\n└─ 改进验证：改进措施是否有效\r\n\r\n输出：\r\n├─ 高频问题TOP5\r\n├─ 问题趋势图\r\n├─ 改进建议\r\n└─ 效果评估\r\n```\r\n\r\n### Prompt优化\r\n\r\n```\r\n优化流程：\r\n1. 分析校正数据\r\n2. 识别Prompt不足\r\n3. 生成优化建议\r\n4. 测试优化效果\r\n5. 持续迭代\r\n\r\n优化示例：\r\n原Prompt：\"生成登录模块的测试用例\"\r\n优化后：\"生成登录模块的测试用例，需覆盖：\r\n1. 正常登录流程\r\n2. 异常场景（密码错误、账号锁定）\r\n3. 边界条件（密码长度、特殊字符）\r\n4. 并发场景（多设备同时登录）\r\n5. 安全场景（SQL注入、XSS）\"\r\n```\r\n\r\n## Examples\r\n\r\n**AI生成了20条登录模块测试用例**\r\n→ 抽样策略：按风险分层抽8条（P0全抽、P1抽50%、P2抽20%）\r\n→ 评审维度：\r\n - 功能覆盖：登录成功/失败/锁定（完整✅）\r\n - 异常覆盖：密码错误/账号锁定（完整✅）\r\n - 安全覆盖：SQL注入/XSS（遗漏❌）\r\n→ 校正标记：补充安全测试场景 + 更新Prompt：新增\"必须包含SQL注入和XSS测试\"\r\n→ 元学习：将安全场景缺失模式加入checklist\r\n\r\n**用户说\"评审一下这个AI生成的用例\"**\r\n→ 自动化评审流程：抽样→校验→校正→输出评审报告+Prompt优化建议\r\n\r\n## Guidelines\r\n\r\n评审完成后检查：\r\n- [ ] 抽样策略是否合理？\r\n- [ ] 评审维度是否覆盖？\r\n- [ ] 校正标记是否规范？\r\n- [ ] 评审报告是否完整？\r\n- [ ] 学习要点是否提炼？\r\n- [ ] Prompt优化建议是否具体？\n\nFile v1.4.1:_meta.json\n\n{\n \"ownerId\": \"kn71y9b23csfx0ykgm55d5m9x5891zt8\",\n \"slug\": \"qa-expert-review\",\n \"version\": \"1.4.1\",\n \"publishedAt\": 1782406470706\n}\n\nFile v1.4.1:skill-card.md\n\n## Description:
\nReviews AI-generated test cases through expert sampling, correction feedback, and prompt-improvement guidance for final quality checks.
\n\nThis skill is ready for commercial/non-commercial use.
\n\n## Publisher:
\n[kokxi](https://clawhub.ai/user/kokxi)
\n\n### License/Terms of Use:
\nMIT-0
\n\n\n## Use Case:
\nQA engineers and test leads use this skill to review AI-generated test cases before release, identify coverage and execution issues, and turn corrections into prompt optimization guidance.
\n\n### Deployment Geography for Use:
\nGlobal
\n\n## Known Risks and Mitigations:
\nRisk: Broad activation wording may cause the workflow to run for general QA review requests rather than explicit AI-generated test-case review tasks.
\nMitigation: Use the skill only when the user explicitly asks for expert review, correction feedback, or final quality checks on AI-generated test cases.
\nRisk: The artifact SKILL.md contains a UTF-8 BOM, which can interfere with parsers that expect plain Markdown frontmatter at the first byte.
\nMitigation: Remove the BOM before packaging if the target runtime or validation pipeline requires frontmatter to start at the first byte.
\n\n\n## Reference(s):
\n- [ClawHub skill page](https://clawhub.ai/kokxi/skills/qa-expert-review)
\n\n\n## Skill Output:
\n**Output Type(s):** [text, markdown, guidance]
\n**Output Format:** [Markdown review report with structured issue lists, corrections, learning points, and prompt optimization suggestions]
\n**Output Parameters:** [1D]
\n**Other Properties Related to Output:** [Includes traceability identifiers for reviews, test cases, and requirements when provided.]
\n\n## Skill Version(s):
\n1.4.1 (source: server release metadata)
\n\n## Ethical Considerations:
\nUsers should evaluate whether this skill is appropriate for their environment, review any generated or modified files before relying on them, and apply their organization's safety, security, and compliance requirements before deployment.
\n\nArchive v1.4.0: 3 files, 4884 bytes\n\nFiles: skill-card.md (2065b), SKILL.md (7872b), _meta.json (135b)\n\nFile v1.4.0:SKILL.md\n\n---\nname: qa-expert-review\ndescription: >-\n 专家评审与元学习，由人类专家对AI生成的测试用例进行人工抽样校验，输出校正反馈并驱动Prompt持续优化。当用户明确要求人工专家审核、终审或质量把关时自动触发。\n 也适用于：测试用例上线前需要终审，或需要将评审经验沉淀为团队资产时。\n 注意：本技能需人类参与（抽样→评审→校正→反馈）；如需全自动质量门禁请使用qa-ai-output-critique。\n 关键词：专家评审、用例审查、质量把关、元学习、抽样策略、评审维度、校正反馈、Prompt优化、模式识别、评审报告、人工审核。\nwhen_to_use: 用户说\"专家评审\"、\"用例审查\"、\"校正反馈\"、\"评审用例\"、\"检查用例\"、\"终审\"、需要对AI输出进行质量把关、用例上线前需要终审时\nallowed-tools: Read Grep Glob\nrelated_skills:\n upstream:\n - qa-ai-output-critique # 输入：AI生成的测试用例\n - qa-ai-blindspot-compensation # 输入：补盲后的测试用例\n downstream:\n - qa-test-reporting # 输出：评审报告\n - qa-retrospective # 输出：校正数据用于复盘\ninput_format:\n required:\n - name: 测试用例\n type: array\n description: AI生成的测试用例列表\n optional:\n - name: 需求文档\n type: string\n description: 原始需求文档，用于校验覆盖度\n - name: 历史校正数据\n type: array\n description: 历史评审的校正记录，用于模式分析\noutput_format:\n structure:\n - review_id: \"REV-XXXX\"\n - review_summary: \"评审摘要\"\n - sampling_rate: \"抽样比例\"\n - issues_found: \"问题列表\"\n - corrections: \"校正建议\"\n - learning_points: \"学习要点\"\n - prompt_optimization: \"Prompt优化建议\"\n traceability:\n - 每次评审带唯一ID（REV-XXXX）\n - 关联用例ID（TC-XXXX）\n - 关联需求ID（REQ-XXXX）\n---\n\n# 专家评审与元学习\n\n## Overview\n\n你是一位资深测试专家，擅长对AI生成的测试用例进行质量评审，并将校正反馈转化为持续改进的能力。\n**核心原则**：专家评审不是挑错，而是建立\"AI生成→专家校验→持续优化\"的正向循环。\n本技能覆盖抽样策略、评审维度、校正标记、元学习机制。\n\n## 评审流程\n\n### 第1步：抽样策略\n\n```\n抽样方法：\n├─ 随机抽样：10-20%的用例\n├─ 分层抽样：P0用例100%覆盖，P1抽样50%，P2抽样20%\n├─ 风险抽样：高风险用例100%覆盖\n└─ 新功能抽样：新功能用例100%覆盖\n\n抽样公式：\n总用例数 < 50 → 全量评审\n总用例数 50-200 → 20%抽样\n总用例数 > 200 → 10%抽样 + P0全量\n```\n\n### 第2步：评审维度\n\n| 维度 | 检查点 | 权重 |\n|------|--------|------|\n| 完整性 | 是否覆盖所有需求点？ | 30% |\n| 准确性 | 测试步骤和预期结果是否正确？ | 25% |\n| 可执行性 | 步骤是否清晰可执行？ | 20% |\n| 风险覆盖 | 高风险区域是否深测？ | 15% |\n| 规范性 | 格式是否符合标准？ | 10% |\n\n### 第3步：校正标记\n\n```\n校正标记格式：\n├─ [C-001] 问题类型：描述问题\n├─ [C-002] 问题类型：描述问题\n└─ ...\n\n问题类型：\n├─ MISSING：缺失场景\n├─ WRONG：步骤/预期错误\n├─ VAGUE：描述模糊\n├─ REDUNDANT：冗余用例\n├─ RISK：风险覆盖不足\n└─ FORMAT：格式不规范\n```\n\n### 第4步：输出评审报告\n\n```markdown\n# 专家评审报告\n\n## 评审摘要\n- 评审ID：REV-XXXX\n- 评审日期：YYYY-MM-DD\n- 评审专家：[姓名]\n- 用例总数：XX条\n- 抽样数量：XX条（抽样比例XX%）\n\n## 评审结果\n| 维度 | 评分 | 问题数 |\n|------|------|--------|\n| 完整性 | X/10 | X个 |\n| 准确性 | X/10 | X个 |\n| 可执行性 | X/10 | X个 |\n| 风险覆盖 | X/10 | X个 |\n| 规范性 | X/10 | X个 |\n| 综合评分 | X/10 | - |\n\n## 问题清单\n| 用例编号 | 问题类型 | 问题描述 | 校正建议 |\n|---------|---------|---------|---------|\n| TC_XXX_001 | MISSING | 缺少并发场景 | 补充并发测试用例 |\n| TC_XXX_002 | VAGUE | 步骤描述模糊 | 明确操作步骤 |\n\n## 学习要点\n1. 高频问题：[问题模式]\n2. 改进方向：[具体建议]\n3. Prompt优化：[优化建议]\n\n## 元学习建议\n- 更新checklist：[新增检查项]\n- 优化prompt：[提示词调整]\n- 补充技能：[需要增强的技能]\n```\n\n## 评审维度速查\n\n### 各维度典型问题速查\n\n| 维度 | 常见问题现象 | 重点关注 | 通过标准 |\n|------|------------|---------|---------|\n| 完整性 | 缺少某个需求点/场景 | 需求追溯ID是否全部覆盖 | 每个需求点≥1条用例 |\n| 准确性 | 预期结果与实际不符 | 业务规则是否正确应用 | 预期结果=需求定义 |\n| 可执行性 | 步骤模糊/依赖不明确 | 新人能否按步骤执行 | 按步骤可复现 |\n| 风险覆盖 | 高风险区域用例不够深 | 资金/安全/并发是否深测 | 高风险区域≥3条用例 |\n| 规范性 | 格式不统一/字段缺失 | 是否使用标准模板 | 模板字段完整率100% |\n\n### 常见问题严重度判定\n\n| 问题类型 | 严重 | 一般 | 轻微 |\n|---------|------|------|------|\n| MISSING | 核心功能缺失 | 非核心功能缺失 | 边缘场景缺失 |\n| WRONG | 预期结果方向错误 | 步骤顺序错误 | 步骤表述不精确 |\n| VAGUE | 完全无法执行 | 需少量猜测 | 措辞可优化 |\n| RISK | 资金/安全未覆盖 | 非功能未覆盖 | 兼容性/体验未覆盖 |\n| REDUNDANT | 完全重复且P0 | 场景重叠 | 边界略有重叠 |\n| FORMAT | 完全无格式 | 部分字段缺失 | 格式可微调 |\n\n## 元学习机制\n\n### 校正数据收集\n\n```\n收集内容：\n├─ 问题类型分布\n├─ 高频问题模式\n├─ 专家校正建议\n├─ 用例质量趋势\n└─ 改进效果跟踪\n\n存储格式：\n{\n \"review_id\": \"REV-001\",\n \"date\": \"2024-01-01\",\n \"issues\": [\n {\n \"type\": \"MISSING\",\n \"count\": 5,\n \"pattern\": \"缺少并发场景\",\n \"correction\": \"补充并发测试\"\n }\n ],\n \"learning_points\": [...]\n}\n```\n\n### 模式识别\n\n```\n识别方法：\n├─ 问题聚类：识别相似问题\n├─ 趋势分析：问题数量变化\n├─ 根因分析：为什么会出现这个问题\n└─ 改进验证：改进措施是否有效\n\n输出：\n├─ 高频问题TOP5\n├─ 问题趋势图\n├─ 改进建议\n└─ 效果评估\n```\n\n### Prompt优化\n\n```\n优化流程：\n1. 分析校正数据\n2. 识别Prompt不足\n3. 生成优化建议\n4. 测试优化效果\n5. 持续迭代\n\n优化示例：\n原Prompt：\"生成登录模块的测试用例\"\n优化后：\"生成登录模块的测试用例，需覆盖：\n1. 正常登录流程\n2. 异常场景（密码错误、账号锁定）\n3. 边界条件（密码长度、特殊字符）\n4. 并发场景（多设备同时登录）\n5. 安全场景（SQL注入、XSS）\"\n```\n\n## Examples\n\n**AI生成了20条登录模块测试用例**\n→ 抽样策略：按风险分层抽8条（P0全抽、P1抽50%、P2抽20%）\n→ 评审维度：\n - 功能覆盖：登录成功/失败/锁定（完整✅）\n - 异常覆盖：密码错误/账号锁定（完整✅）\n - 安全覆盖：SQL注入/XSS（遗漏❌）\n→ 校正标记：补充安全测试场景 + 更新Prompt：新增\"必须包含SQL注入和XSS测试\"\n→ 元学习：将安全场景缺失模式加入checklist\n\n**用户说\"评审一下这个AI生成的用例\"**\n→ 自动化评审流程：抽样→校验→校正→输出评审报告+Prompt优化建议\n\n## Guidelines\n\n评审完成后检查：\n- [ ] 抽样策略是否合理？\n- [ ] 评审维度是否覆盖？\n- [ ] 校正标记是否规范？\n- [ ] 评审报告是否完整？\n- [ ] 学习要点是否提炼？\n- [ ] Prompt优化建议是否具体？\n\nFile v1.4.0:_meta.json\n\n{\n \"ownerId\": \"kn71y9b23csfx0ykgm55d5m9x5891zt8\",\n \"slug\": \"qa-expert-review\",\n \"version\": \"1.4.0\",\n \"publishedAt\": 1782277718296\n}\n\nFile v1.4.0:skill-card.md\n\n## Description:
\nQa Expert Review guides human expert sampling and review of AI-generated test cases, producing correction feedback, learning points, and prompt optimization guidance.
\n\nThis skill is ready for commercial/non-commercial use.
\n\n## Publisher:
\n[kokxi](https://clawhub.ai/user/kokxi)
\n\n### License/Terms of Use:
\nMIT-0
\n\n\n## Use Case:
\nQA practitioners, test leads, and development teams use this skill when AI-generated test cases need human expert final review, sampled quality checks, correction feedback, and prompt-improvement recommendations before release or reuse.
\n\n### Deployment Geography for Use:
\nGlobal
\n\n## Known Risks and Mitigations:
\nRisk: Users may treat the review report as an autonomous release gate.
\nMitigation: Require a human reviewer to validate sampled cases, findings, and recommendations before using the report for release decisions.
\nRisk: Review recommendations may be incomplete if source requirements or historical correction data are missing.
\nMitigation: Provide the relevant requirements and prior correction records when available, and check findings against the original product requirements.
\n\n\n## Reference(s):
\n- [ClawHub skill page](https://clawhub.ai/kokxi/skills/qa-expert-review)
\n\n\n## Skill Output:
\n**Output Type(s):** [Text, Markdown, Guidance]
\n**Output Format:** [Markdown review report with issue tables, correction suggestions, learning points, and prompt optimization guidance]
\n**Output Parameters:** [1D]
\n**Other Properties Related to Output:** [Requires human sampling and validation; review IDs and case or requirement IDs are used for traceability.]
\n\n## Skill Version(s):
\n1.4.0 (source: server release evidence)
\n\n## Ethical Considerations:
\nUsers should evaluate whether this skill is appropriate for their environment, review any generated or modified files before relying on them, and apply their organization's safety, security, and compliance requirements before deployment.
\n\nArchive v1.3.0: 3 files, 3894 bytes\n\nFiles: skill-card.md (2002b), SKILL.md (5346b), _meta.json (135b)\n\nFile v1.3.0:SKILL.md\n\n---\nname: qa-expert-review\ndescription: 专家评审与元学习，对AI生成的测试用例进行专家校验，并将校正反馈用于持续优化。当需要专家审查或持续改进用例质量时激活。\nwhen_to_use: 用户说\"专家评审\"、\"用例审查\"、\"校正反馈\"、需要对AI输出进行质量把关时\nallowed-tools: Read Grep Glob\nrelated_skills:\n upstream:\n - qa-ai-output-critique # 输入：AI生成的测试用例\n - qa-ai-blindspot-compensation # 输入：补盲后的测试用例\n downstream:\n - qa-test-reporting # 输出：评审报告\n - qa-retrospective # 输出：校正数据用于复盘\ninput_format:\n required:\n - name: 测试用例\n type: array\n description: AI生成的测试用例列表\n optional:\n - name: 需求文档\n type: string\n description: 原始需求文档，用于校验覆盖度\n - name: 历史校正数据\n type: array\n description: 历史评审的校正记录，用于模式分析\noutput_format:\n structure:\n - review_id: \"REV-XXXX\"\n - review_summary: \"评审摘要\"\n - sampling_rate: \"抽样比例\"\n - issues_found: \"问题列表\"\n - corrections: \"校正建议\"\n - learning_points: \"学习要点\"\n - prompt_optimization: \"Prompt优化建议\"\n traceability:\n - 每次评审带唯一ID（REV-XXXX）\n - 关联用例ID（TC-XXXX）\n - 关联需求ID（REQ-XXXX）\n---\n\n# 专家评审与元学习\n\n你是一位资深测试专家，擅长对AI生成的测试用例进行质量评审，并将校正反馈转化为持续改进的能力。\n\n## 核心原则\n\n**专家评审不是挑错，而是建立\"AI生成→专家校验→持续优化\"的正向循环。**\n\n## 评审流程\n\n### 第1步：抽样策略\n\n```\n抽样方法：\n├─ 随机抽样：10-20%的用例\n├─ 分层抽样：P0用例100%覆盖，P1抽样50%，P2抽样20%\n├─ 风险抽样：高风险用例100%覆盖\n└─ 新功能抽样：新功能用例100%覆盖\n\n抽样公式：\n总用例数 < 50 → 全量评审\n总用例数 50-200 → 20%抽样\n总用例数 > 200 → 10%抽样 + P0全量\n```\n\n### 第2步：评审维度\n\n| 维度 | 检查点 | 权重 |\n|------|--------|------|\n| 完整性 | 是否覆盖所有需求点？ | 30% |\n| 准确性 | 测试步骤和预期结果是否正确？ | 25% |\n| 可执行性 | 步骤是否清晰可执行？ | 20% |\n| 风险覆盖 | 高风险区域是否深测？ | 15% |\n| 规范性 | 格式是否符合标准？ | 10% |\n\n### 第3步：校正标记\n\n```\n校正标记格式：\n├─ [C-001] 问题类型：描述问题\n├─ [C-002] 问题类型：描述问题\n└─ ...\n\n问题类型：\n├─ MISSING：缺失场景\n├─ WRONG：步骤/预期错误\n├─ VAGUE：描述模糊\n├─ REDUNDANT：冗余用例\n├─ RISK：风险覆盖不足\n└─ FORMAT：格式不规范\n```\n\n### 第4步：输出评审报告\n\n```markdown\n# 专家评审报告\n\n## 评审摘要\n- 评审ID：REV-XXXX\n- 评审日期：YYYY-MM-DD\n- 评审专家：[姓名]\n- 用例总数：XX条\n- 抽样数量：XX条（抽样比例XX%）\n\n## 评审结果\n| 维度 | 评分 | 问题数 |\n|------|------|--------|\n| 完整性 | X/10 | X个 |\n| 准确性 | X/10 | X个 |\n| 可执行性 | X/10 | X个 |\n| 风险覆盖 | X/10 | X个 |\n| 规范性 | X/10 | X个 |\n| 综合评分 | X/10 | - |\n\n## 问题清单\n| 用例编号 | 问题类型 | 问题描述 | 校正建议 |\n|---------|---------|---------|---------|\n| TC_XXX_001 | MISSING | 缺少并发场景 | 补充并发测试用例 |\n| TC_XXX_002 | VAGUE | 步骤描述模糊 | 明确操作步骤 |\n\n## 学习要点\n1. 高频问题：[问题模式]\n2. 改进方向：[具体建议]\n3. Prompt优化：[优化建议]\n\n## 元学习建议\n- 更新checklist：[新增检查项]\n- 优化prompt：[提示词调整]\n- 补充技能：[需要增强的技能]\n```\n\n## 元学习机制\n\n### 校正数据收集\n\n```\n收集内容：\n├─ 问题类型分布\n├─ 高频问题模式\n├─ 专家校正建议\n├─ 用例质量趋势\n└─ 改进效果跟踪\n\n存储格式：\n{\n \"review_id\": \"REV-001\",\n \"date\": \"2024-01-01\",\n \"issues\": [\n {\n \"type\": \"MISSING\",\n \"count\": 5,\n \"pattern\": \"缺少并发场景\",\n \"correction\": \"补充并发测试\"\n }\n ],\n \"learning_points\": [...]\n}\n```\n\n### 模式识别\n\n```\n识别方法：\n├─ 问题聚类：识别相似问题\n├─ 趋势分析：问题数量变化\n├─ 根因分析：为什么会出现这个问题\n└─ 改进验证：改进措施是否有效\n\n输出：\n├─ 高频问题TOP5\n├─ 问题趋势图\n├─ 改进建议\n└─ 效果评估\n```\n\n### Prompt优化\n\n```\n优化流程：\n1. 分析校正数据\n2. 识别Prompt不足\n3. 生成优化建议\n4. 测试优化效果\n5. 持续迭代\n\n优化示例：\n原Prompt：\"生成登录模块的测试用例\"\n优化后：\"生成登录模块的测试用例，需覆盖：\n1. 正常登录流程\n2. 异常场景（密码错误、账号锁定）\n3. 边界条件（密码长度、特殊字符）\n4. 并发场景（多设备同时登录）\n5. 安全场景（SQL注入、XSS）\"\n```\n\n## 验收清单\n\n评审完成后检查：\n- [ ] 抽样策略是否合理？\n- [ ] 评审维度是否覆盖？\n- [ ] 校正标记是否规范？\n- [ ] 评审报告是否完整？\n- [ ] 学习要点是否提炼？\n- [ ] Prompt优化建议是否具体？\n\nFile v1.3.0:_meta.json\n\n{\n \"ownerId\": \"kn71y9b23csfx0ykgm55d5m9x5891zt8\",\n \"slug\": \"qa-expert-review\",\n \"version\": \"1.3.0\",\n \"publishedAt\": 1782108354478\n}\n\nFile v1.3.0:skill-card.md\n\n## Description:
\nReviews AI-generated test cases using expert QA criteria, correction tags, and meta-learning feedback to improve future test-case generation.
\n\nThis skill is ready for commercial/non-commercial use.
\n\n## Publisher:
\n[kokxi](https://clawhub.ai/user/kokxi)
\n\n### License/Terms of Use:
\nMIT-0
\n\n\n## Use Case:
\nQA engineers and test leads use this skill to review AI-generated test cases, validate coverage and executability, record corrections, and turn recurring issues into prompt and process improvements.
\n\n### Deployment Geography for Use:
\nGlobal
\n\n## Known Risks and Mitigations:
\nRisk: The skill can activate on broad quality-review wording and may receive unrelated sensitive material.
\nMitigation: Give clear test-case review context and avoid providing unrelated sensitive content in review prompts.
\nRisk: Incorrect or incomplete review guidance could affect downstream test-case quality.
\nMitigation: Have QA owners review the generated findings and corrections before applying them to test assets or prompt updates.
\n\n\n## Reference(s):
\n- [ClawHub skill page](https://clawhub.ai/kokxi/qa-expert-review)
\n\n\n## Skill Output:
\n**Output Type(s):** [text, markdown, guidance]
\n**Output Format:** [Markdown review report with tables, correction tags, learning points, and prompt optimization suggestions.]
\n**Output Parameters:** [1D]
\n**Other Properties Related to Output:** [Includes review IDs, test-case traceability IDs, requirement traceability IDs, sampling rates, issue categories, corrections, and meta-learning recommendations.]
\n\n## Skill Version(s):
\n1.3.0 (source: server release evidence)
\n\n## Ethical Considerations:
\nUsers should evaluate whether this skill is appropriate for their environment, review any generated or modified files before relying on them, and apply their organization's safety, security, and compliance requirements before deployment.
","readmeExcerpt":"Skill: qa-expert-review Owner: kokxi Summary: 当 AI 生成的测试用例已经过输出评审和盲区补盲、准备终审上线时使用此技能。由资深测试对 AI 输出的用例做人工抽样校验，从业务有效性、场景完整性、可执行性三个维度做最后把关。⚠️ 如果发现系统性问题（比如遗漏了某个关键模块），需要回退修正并记录到 Prompt 优化反馈库。专家评审不是走形式——发现的问题必须闭环。 触发场景：专家评审、用例审查、校正反馈、评审用例、检查用例、终审、用例上线前需要终审时。 Use when the user asks about: final human-style review of AI-generated test cases before shipping, sampling for business validity, scenario completeness, and executabili","codeSnippets":[],"executableExamples":[{"language":"text","snippet":"抽样方法：\n├─ 随机抽样：10-20%的用例\n├─ 分层抽样：P0用例100%覆盖，P1抽样50%，P2抽样20%\n├─ 风险抽样：高风险用例100%覆盖\n└─ 新功能抽样：新功能用例100%覆盖\n\n抽样公式：\n总用例数 < 50 → 全量评审\n总用例数 50-200 → 20%抽样\n总用例数 > 200 → 10%抽样 + P0全量"},{"language":"text","snippet":"校正标记格式：\n├─ [C-001] 问题类型：描述问题\n├─ [C-002] 问题类型：描述问题\n└─ ...\n\n问题类型：\n├─ MISSING：缺失场景\n├─ WRONG：步骤/预期错误\n├─ VAGUE：描述模糊\n├─ REDUNDANT：冗余用例\n├─ RISK：风险覆盖不足\n└─ FORMAT：格式不规范"},{"language":"markdown","snippet":"# 专家评审报告\n\n## 评审摘要\n- 评审ID：REV-XXXX\n- 评审日期：YYYY-MM-DD\n- 评审专家：[姓名]\n- 用例总数：XX条\n- 抽样数量：XX条（抽样比例XX%）\n\n## 评审结果\n| 维度 | 评分 | 问题数 |\n|------|------|--------|\n| 完整性 | X/10 | X个 |\n| 准确性 | X/10 | X个 |\n| 可执行性 | X/10 | X个 |\n| 风险覆盖 | X/10 | X个 |\n| 规范性 | X/10 | X个 |\n| 综合评分 | X/10 | - |\n\n## 问题清单\n| 用例编号 | 问题类型 | 问题描述 | 校正建议 |\n|---------|---------|---------|---------|\n| TC_XXX_001 | MISSING | 缺少并发场景 | 补充并发测试用例 |\n| TC_XXX_002 | VAGUE | 步骤描述模糊 | 明确操作步骤 |\n\n## 学习要点\n1. 高频问题：[问题模式]\n2. 改进方向：[具体建议]\n3. Prompt优化：[优化建议]\n\n## 元学习建议\n- 更新checklist：[新增检查项]\n- 优化prompt：[提示词调整]\n- 补充技能：[需要增强的技能]"},{"language":"text","snippet":"收集内容：\n├─ 问题类型分布\n├─ 高频问题模式\n├─ 专家校正建议\n├─ 用例质量趋势\n└─ 改进效果跟踪\n\n存储格式：\n{\n \"review_id\": \"REV-001\",\n \"date\": \"2024-01-01\",\n \"issues\": [\n {\n \"type\": \"MISSING\",\n \"count\": 5,\n \"pattern\": \"缺少并发场景\",\n \"correction\": \"补充并发测试\"\n }\n ],\n \"learning_points\": [...]\n}"},{"language":"text","snippet":"识别方法：\n├─ 问题聚类：识别相似问题\n├─ 趋势分析：问题数量变化\n├─ 根因分析：为什么会出现这个问题\n└─ 改进验证：改进措施是否有效\n\n输出：\n├─ 高频问题TOP5\n├─ 问题趋势图\n├─ 改进建议\n└─ 效果评估"},{"language":"text","snippet":"优化流程：\n1. 分析校正数据\n2. 识别Prompt不足\n3. 生成优化建议\n4. 测试优化效果\n5. 持续迭代\n\n优化示例：\n原Prompt：\"生成登录模块的测试用例\"\n优化后：\"生成登录模块的测试用例，需覆盖：\n1. 正常登录流程\n2. 异常场景（密码错误、账号锁定）\n3. 边界条件（密码长度、特殊字符）\n4. 并发场景（多设备同时登录）\n5. 安全场景（SQL注入、XSS）\""}],"parameters":null,"dependencies":[],"permissions":[],"extractedFiles":[{"path":"SKILL.md","content":"---\nname: qa-expert-review\ndescription: >-\n 当 AI 生成的测试用例已经过输出评审和盲区补盲、准备终审上线时使用此技能。由资深测试对 AI 输出的用例做人工抽样校验，从业务有效性、场景完整性、可执行性三个维度做最后把关。⚠️ 如果发现系统性问题（比如遗漏了某个关键模块），需要回退修正并记录到 Prompt 优化反馈库。专家评审不是走形式——发现的问题必须闭环。 触发场景：专家评审、用例审查、校正反馈、评审用例、检查用例、终审、用例上线前需要终审时。 Use when the user asks about: final human-style review of AI-generated test cases before shipping, sampling for business validity, scenario completeness, and executability.\nlicense: MIT\nallowed-tools: Read Grep Glob\nmetadata:\n display-name: \"Expert Review\"\n version: \"1.8.0\"\n when-to-use: \"用户说\\\"专家评审\\\"、\\\"用例审查\\\"、\\\"校正反馈\\\"、\\\"评审用例\\\"、\\\"检查用例\\\"、\\\"终审\\\"、需要对AI输出进行质量把关、用例上线前需要终审时\"\n related-skills: \"{\\\"upstream\\\":[\\\"qa-ai-output-critique\\\",\\\"qa-ai-blindspot-compensation\\\"],\\\"downstream\\\":[\\\"qa-test-reporting\\\",\\\"qa-retrospective\\\"]}\"\n references: \"[\\\"references/meta-learning.md\\\"]\"\n input-format: \"{\\\"required\\\":[{\\\"name\\\":\\\"测试用例\\\",\\\"type\\\":\\\"array\\\",\\\"description\\\":\\\"AI生成的测试用例列表\\\"}],\\\"optional\\\":[{\\\"name\\\":\\\"需求文档\\\",\\\"type\\\":\\\"string\\\",\\\"description\\\":\\\"原始需求文档，用于校验覆盖度\\\"},{\\\"name\\\":\\\"历史校正数据\\\",\\\"type\\\":\\\"array\\\",\\\"description\\\":\\\"历史评审的校正记录，用于模式分析\\\"}]}\"\n output-format: \"{\\\"structure\\\":[\\\"覆盖率：标注口径（基于现有需求/输入文档），禁止\\\\\\\"全覆盖/100%\\\\\\\"绝对化表述；缺失模块标注\\\\\\\"未覆盖+原因\\\\\\\"\\\",{\\\"review_id\\\":\\\"REV-XXXX\\\"},{\\\"review_summary\\\":\\\"评审摘要\\\"},{\\\"sampling_rate\\\":\\\"抽样比例\\\"},{\\\"issues_found\\\":\\\"问题列表\\\"},{\\\"corrections\\\":\\\"校正建议\\\"},{\\\"learning_points\\\":\\\"学习要点\\\"},{\\\"prompt_optimization\\\":\\\"Prompt优化建议\\\"}],\\\"traceability\\\":[\\\"每次评审带唯一ID（REV-XXXX）\\\",\\\"关联用例ID（TC_{模块缩写}_{功能缩写}_{序号}，如 TC_API_LOGIN_001）\\\",\\\"关联需求ID：REQ-{需求模块缩写}-{序号}\\\"]}\"\n error-recovery-guidance: \"{\\\"on_failure\\\":\\\"评审发现系统性问题时回退到输出评审步骤修正\\\",\\\"retry_behavior\\\":\\\"修正后重新抽样校验\\\"}\"\n categories: \"[\\\"Development\\\",\\\"Testing\\\",\\\"Quality\\\"]\"\n depth-requirement: \"{\\\"reference_value\\\":\\\"根据项目重要性和风险等级调整评审深度：简单x1/中等x2/复杂x3\\\",\\\"minimum\\\":\\\"至少覆盖功能完整性、边界充分性、异常覆盖性3个维度\\\"}\"\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# 专家评审与元学习\n\n## 核心原则\n\n专家评审不是挑错，而是建立\"AI生成→专家校验→持续优化\"的正向循环。\n\n## 评审流程\n\n### 第1步：抽样策略\n\n```text\n抽样方法：\n├─ 随机抽样：10-20%的用例\n├─ 分层抽样：P0用例100%覆盖，P1抽样50%，P2抽样20%\n├─ 风险抽样：高风险用例100%覆盖\n└─ 新功能抽样：新功能用例100%覆盖\n\n抽样公式：\n总用例数 < 50 → 全量评审\n总用例数 50-200 → 20%抽样\n总用例数 > 200 → 10%抽样 + P0全量\n```\n\n### 第2步：评审维度\n\n| 维度 | 检查点 | 权重 |\n|------|--------|------|\n| 完整性 | 是否覆盖所有需求点？ | 30% |\n| 准确性 | 测试步骤和预期结果是否正确？ | 25% |\n| 可执行性 | 步骤是否清晰可执行？ | 20% |\n| 风险覆盖 | 高风险区域是否深测？ | 15% |\n| 规范性 | 格式是否符合标准？ | 10% |\n\n### 第3步：校正标记\n\n```text\n校正标记格式：\n├─ [C-001] 问题类型：描述问题\n├─ [C-002] 问题类型：描述问题\n└─ ...\n\n问题类型：\n├─ MISSING：缺失场景\n├─ WRONG：步骤/预期错误\n├─ VAGUE：描述模糊\n├─ REDUNDANT：冗余用例\n├─ RISK：风险覆盖不足\n└─ FORMAT：格式不规范\n```\n\n### 第4步：输出评审报告\n\n```markdown\n# 专家评审报告\n\n## 评审摘要\n- 评审ID：REV-XXXX\n- 评审日期：YYYY-MM-DD\n- 评审专家：[姓名]\n- 用例总数：XX条\n- 抽样数量：XX条（抽样比例XX%）\n\n## 评审结果\n| 维度 | 评分 | 问题数 |\n|------|------|--------|\n| 完整性 | X/10 | X个 |\n| 准确性 | X/10 | X个 |\n| 可执行性 | X/10 | X个 |\n| 风险覆盖 | X/10 | X个 |\n| 规范性 | X/10 | X个 |\n| 综合评分 | X/10 | - |\n\n## 问题清单\n| 用例编号 | 问题类型 | 问题描述 | 校正建议 |\n|---------|---------|---------|---------|\n| TC_XXX_001 | MISSING | 缺少并发场景 | 补充并发测试用例 |\n| TC_X"},{"path":"_meta.json","content":"{\n \"ownerId\": \"kn71y9b23csfx0ykgm55d5m9x5891zt8\",\n \"slug\": \"qa-expert-review\",\n \"version\": \"1.8.0\",\n \"publishedAt\": 1790655995102\n}"},{"path":"references/meta-learning.md","content":"# 评审反馈元学习机制详解\n\n> 本文是 `qa-expert-review` 的**评审反馈元学习机制详解**。把评审反馈沉淀为可复用资产时读本文；\n其余部分留在 SKILL.md，不必读本文。\n\n---\n\n\n### 校正数据收集\n\n```text\n收集内容：\n├─ 问题类型分布\n├─ 高频问题模式\n├─ 专家校正建议\n├─ 用例质量趋势\n└─ 改进效果跟踪\n\n存储格式：\n{\n \"review_id\": \"REV-001\",\n \"date\": \"2024-01-01\",\n \"issues\": [\n {\n \"type\": \"MISSING\",\n \"count\": 5,\n \"pattern\": \"缺少并发场景\",\n \"correction\": \"补充并发测试\"\n }\n ],\n \"learning_points\": [...]\n}\n```\n\n### 模式识别\n\n```text\n识别方法：\n├─ 问题聚类：识别相似问题\n├─ 趋势分析：问题数量变化\n├─ 根因分析：为什么会出现这个问题\n└─ 改进验证：改进措施是否有效\n\n输出：\n├─ 高频问题TOP5\n├─ 问题趋势图\n├─ 改进建议\n└─ 效果评估\n```\n\n### Prompt优化\n\n```text\n优化流程：\n1. 分析校正数据\n2. 识别Prompt不足\n3. 生成优化建议\n4. 测试优化效果\n5. 持续迭代\n\n优化示例：\n原Prompt：\"生成登录模块的测试用例\"\n优化后：\"生成登录模块的测试用例，需覆盖：\n1. 正常登录流程\n2. 异常场景（密码错误、账号锁定）\n3. 边界条件（密码长度、特殊字符）\n4. 并发场景（多设备同时登录）\n5. 安全场景（SQL注入、XSS）\"\n```"},{"path":"skill-card.md","content":"## Description:\n\nGuides a final, risk-aware review of AI-generated test cases for business validity, scenario coverage, and executability before release.\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 reviewers use this skill to sample and assess AI-generated test cases, document defects and corrections, and feed recurring findings into future test-case generation.\n\n### Deployment Geography for Use:\n\nGlobal\n\n## Known Risks and Mitigations:\n\nRisk: Installing the suggested broader skill set could run code from an unverified source.\n\nMitigation: Verify the Kokxi/qa-test-skills source and prefer a pinned version or trusted commit before running the suggested npx command.\n\nRisk: Sampling can miss important gaps in AI-generated test cases.\n\nMitigation: Review all highest-priority and high-risk cases, trace coverage to available requirements, and repeat review after correcting systematic gaps.\n\n## Reference(s):\n\n- [Meta-learning reference](references/meta-learning.md)\n- [ClawHub skill release](https://clawhub.ai/kokxi/skills/qa-expert-review)\n\n## Skill Output:\n\n**Output Type(s):** [Text, Markdown, Guidance]\n\n**Output Format:** [Markdown review report with scores, issue table, corrections, and improvement recommendations]\n\n**Output Parameters:** [1D]\n\n**Other Properties Related to Output:** [Includes review and test-case IDs, sampling rate, requirements traceability, and prompt-optimization suggestions.]\n\n## Skill Version(s):\n\n1.8.0 (source: skill frontmatter and ClawHub 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":"当 AI 生成的测试用例已经过输出评审和盲区补盲、准备终审上线时使用此技能。由资深测试对 AI 输出的用例做人工抽样校验，从业务有效性、场景完整性、可执行性三个维度做最后把关。⚠️ 如果发现系统性问题（比如遗漏了某个关键模块），需要回退修正并记录到 Prompt 优化反馈库。专家评审不是走形式——发现的问题必须闭环。 触发场景：专家评审、用例审查、校正反馈、评审用例、检查用例、终审、用例上线前需要终审时。 Use when the user asks about: final human-style review of AI-generated test cases before shipping, sampling for business validity, scenario completeness, and executability. Skill: qa-expert-review Owner: kokxi Summary: 当 AI 生成的测试用例已经过输出评审和盲区补盲、准备终审上线时使用此技能。由资深测试对 AI 输出的用例做人工抽样校验，从业务有效性、场景完整性、可执行性三个维度做最后把关。⚠️ 如果发现系统性问题（比如遗漏了某个关键模块），需要回退修正并记录到 Prompt 优化反馈库。专家评审不是走形式——发现的问题必须闭环。 触发场景：专家评审、用例审查、校正反馈、评审用例、检查用例、终审、用例上线前需要终审时。 Use when the user asks about: final human-style review of AI-generated test cases before shipping, sampling for business validity, scenario completeness, and executabili","editorialQuality":{"score":100,"threshold":65,"status":"ready","wordCount":1099,"uniquenessScore":51,"reasons":[]}},"media":{"evidence":{"source":"no-media","verified":false,"confidence":"low","updatedAt":"2026-10-11T11:52:17.276Z","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":"2026-10-11T11:52:17.276Z","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":"2026-10-11T15:17:14.250Z","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"}]}}}