Files

T

xst 4f30b9d702 feat: Execute zone - Playwright PC Web + Appium mobile + AI screenshot diff + test conclusion reports

- Add 3 new agents: web-executor, mobile-executor, result-reporter
- web-executor: Playwright multi-browser (Chromium/Firefox/WebKit) automated scripts
- mobile-executor: Appium dual-platform (Android/iOS) automated scripts
- result-reporter: pixel-level AI visual comparison + test conclusion report with screenshots
- Auto-generate executable Python test scripts from Markdown test cases
- Screenshot strategies: on-failure (default) + on-step (optional)
- Visual diff grading: <1% pass / 1-5% minor / 5-15% UI_DIFF / >15% blocker
- Failure multi-classification: REAL_BUG/UI_DIFF/ENV_ISSUE/DATA_ISSUE/CASE_BUG/SCRIPT_ERROR
- requirements.txt: add playwright + Pillow
- Fleet now: 17 agents across 6 battle zones

2026-07-10 11:03:58 +08:00

5.3 KiB

Raw Blame History

name, description, metadata

name

description

metadata

qe-fleet

Agentic QE Fleet — 14 个专业 AI Agent 组成的自治质量工程舰队。当用户输入 /qe-fleet 或 /case_generate 时使用本 skill。

short-description
多 Agent QE Fleet：从需求到测试用例的全流程自动化 + 质量门禁 + 知识沉淀

Agentic QE Fleet

当用户输入以下任一意图时使用本 skill：

/qe-fleet run <需求文档>
/qe-fleet prepare <需求文档>
/qe-fleet analyze <需求文档>
/qe-fleet design <需求文档>
/qe-fleet review <需求文档>
/qe-fleet export <需求文档>
/qe-fleet monitor <需求文档> --results <测试结果>
/qe-fleet status <需求文档>
/case_generate <需求文档>（向后兼容别名）

自动执行要求

收到 /qe-fleet 命令后，不要停在说明阶段，必须自动完成以下步骤：

/qe-fleet run

执行：

python3 scripts/fleet_runner.py run --requirement <需求文档路径>

fleet_runner.py 会自动按战区顺序执行：
- PREPARE: document-parser(文档解析) → knowledge-activator(知识激活)
- ANALYZE: requirement-analyzer(需求分析) + conflict-detector(冲突检测) → risk-assessor(风险评估)
- DESIGN: test-strategist(测试策略) → testpoint-designer(测试点) + data-builder(测试数据) → case-designer(用例设计)
- EXECUTE: web-executor(Playwright PC Web) + mobile-executor(Appium 移动端) → result-reporter(截图对比+结论)
- REVIEW: case-reviewer(用例评审) + coverage-auditor(覆盖率审计) → quality-gatekeeper(质量裁决)
- MONITOR: execution-analyst(执行分析) → knowledge-curator(知识沉淀)
- EXPORT: 质量裁决 PASS 后自动导出 Excel
检查确认门禁：
- 若 analyze 战区 confirmation_gate.required=true 且 decision_status 不是 confirmed，阻断并告知
- 提供确认单路径和阻断原因
检查质量裁决：
- 若 review 战区 quality_verdict 为 BLOCKED，告知阻断原因
- 若为 PASS 或 PASS_WITH_FIX，自动导出
最终反馈：
- 各战区状态（✅ 完成 / ⏳ 进行中 / ⬜ 待执行）
- 产物文件路径
- 质量裁决结果
- 若失败，失败在哪一步

/qe-fleet status

python3 scripts/fleet_runner.py status --requirement <需求文档路径>

/qe-fleet monitor

python3 scripts/fleet_runner.py monitor --requirement <需求文档路径> --results <测试结果文件>

战区详细流程

Prepare 战区

document-parser: 解析 docx/pdf/doc → 标准化 Markdown；自动识别同主题技术方案；标注解析置信度
knowledge-activator: 按需求内容关键词+语义匹配激活术语/规则/历史缺陷/最佳实践；检测知识缺口

Analyze 战区

requirement-analyzer: 结构化需求模型（背景/目标/角色/规则/流程/异常）；项目画像差异化；歧义标注
conflict-detector: 语义级历史需求冲突检测（方向/数值/状态机/权限）；严重度分级(P0-P3)
risk-assessor: 多维度风险矩阵（资损/可用性/数据/合规/兼容性）；可能性 × 影响度 = 风险等级

Design 战区

test-strategist: 测试金字塔分配；优先级覆盖规则；P0 必测清单
testpoint-designer: 全面测试点矩阵；来源标注（需求/历史缺陷/风险矩阵/冲突修订/项目画像）
case-designer: 可执行用例；原子性；双验证预期结果（UI + 数据）
data-builder: 自动提取+人工补充测试数据（账号/金额/ID/枚举/边界值）

Execute 战区

web-executor: 生成 Playwright 测试脚本；多浏览器（Chromium/Firefox/WebKit）；每步/失败自动截图
mobile-executor: 生成 Appium 测试脚本；Android (UiAutomator2) + iOS (XCUITest)；双平台截图采集
result-reporter: 截图 AI 视觉对比；像素级差异检测；多平台测试结论报告（含截图证据）

Review 战区

case-reviewer: 按 review_checklist 逐项评审；错误分级（阻断/建议/优化）
coverage-auditor: 需求→测试点→用例三级追溯；覆盖缺口识别；过度覆盖识别
quality-gatekeeper: 三级裁决（PASS / PASS_WITH_FIX / BLOCKED）；裁决依据引用具体评审条目

Monitor 战区

execution-analyst: 失败归类（ENV/DATA/CASE/REAL_BUG）；失败模式识别；根因推测
knowledge-curator: 自动回写知识库；去重保护；P0 自动生效 / P1-P3 人工确认

约束

除非脚本执行失败，不要要求用户手动执行中间命令
确认门禁未解除时，必须阻断并告知原因和解决路径
质量裁决 BLOCKED 时，不得导出 Excel
若主输入是 .docx/.doc/.pdf，必须基于 prepare 产出的标准化 Markdown
若 manifest 中有技术方案文件，必须纳入分析
需求有歧义时必须显式标注 > ⚠️ 待确认：问题、影响范围、建议确认方向
基于项目画像差异化，避免通用化输出
历史缺陷和易漏场景必须显式体现在测试点或用例中
预期结果必须同时覆盖 UI 反馈和数据状态变化
若改动涉及 scripts/、.claude/、agents/、AGENTS.md、README.md，必须执行 governance_audit.py auto

兼容性

/case_generate 保留为 /qe-fleet run 的别名，行为完全一致。

5.3 KiB Raw Blame History