qa-ai-prompt-strategy

根据不同的测试目标和上下文，选择最佳的提示词模式来驱动AI生成高质量的测试用例。当AI输出的测试用例质量不够好、太泛泛、或者深度不够时，问题往往不在AI而在提示词。此技能提供结构化提示词模板，注入前面步骤产出的分析结果，输出包含角色定义、输出格式规范和约束条件的优化提示词。⚠️ 作为工作流的必过步骤，不得跳过。 触发场景：怎么问AI、AI回答不好、换个方式问、提示词、提问模板、提示词优化、角色扮演、AI输出太浅需要更深时。 Use when the user asks about: choosing or optimizing the prompt that drives test case generation — role definition, output format constraints, and injection of prior analysis results.

⚠️ 本技能单独使用效果有限，建议配合完整技能集（12 步工作流）使用。安装：npx skills add Kokxi/qa-test-skills

AI 提示词策略

核心原则

不同的测试目标，需要不同的提问模式。

提示词优化要求

关键指标：提示词必须包含以下要素

text

1. 角色定义：你是[领域]资深测试专家
2. 输出数量：生成[N]条测试用例（N = 需求数量 × 5）
3. 覆盖维度：必须覆盖以下维度
   - 功能测试：[具体功能点]
   - 异常测试：[异常场景类型]
   - 边界测试：[边界条件类型]
   - 并发测试：[并发场景]
   - 安全测试：[安全风险点]
   - 性能测试：[性能指标]
4. 输出格式：Markdown表格，包含需求ID和风险ID
5. 质量要求：每条用例必须可执行、可验证

加载时机

什么时候读	读哪个
选定提示词模式后，取对应模板	references/prompt-patterns.md

六大提示词模式的完整内容已下沉至 references/prompt-patterns.md，避免每次触发都占用上下文。

模式选择指南

测试目标	推荐模式	优势	局限	复杂度
快速生成用例	结构化输出	标准化、高效、易对比	深度不足、缺乏个性	★★
深入理解用户	角色扮演	贴近真实场景、发现UX问题	依赖角色设定准确性	★★★
复杂功能分析	分步引导	系统化、不遗漏深度	耗时长、需要迭代	★★★★
质量评审	反向质疑	查漏补缺、打破盲区	需要已有输出为基础	★★★
全面覆盖	多视角	多维度、无死角	输出量大、需筛选	★★★★
挑战假设	对抗	逼出深层思考、验证假设	需要专业对抗经验	★★★★★

模式组合策略

多个模式串联使用效果更佳：

组合	流程	适用场景
结构化输出 → 反向质疑	先生成 → 再查漏	日常快速迭代
分步引导 → 多视角	深度分析 → 多维度覆盖	复杂功能完整测试
角色扮演 → 对抗	模拟用户 → 挑战假设	用户体验全面验证
结构化输出 → 反向质疑 → 对抗	生成 → 评审 → 深度挑战	高安全/高风险场景

输出示例

用户说："帮我生成登录模块的测试用例"

普通问法（效果差）：

帮我生成登录模块的测试用例

优化问法（使用结构化输出模式）：

请按以下框架输出登录模块的测试用例：

1. 用例编号：TC_{模块缩写}{功能缩写}{序号}（如 TC_API_LOGIN_001）
2. 用例标题：[动作] + [对象] + [条件]
3. 前置条件
4. 测试步骤
5. 预期结果
6. 优先级：P0/P1/P2/P3
7. 风险等级：高/中/低

输出格式：Markdown表格

测试范围：用户登录功能（用户名+密码） 测试深度：覆盖正常/异常/边界/安全/并发

检查清单

选择提示词策略后检查：

• 提示词是否包含角色定义？
• 是否指定了输出数量和格式？
• 覆盖维度是否完整？
• 是否包含质量要求？

国产大模型适配

不同模型对提示词的敏感度不同，同一模板在国产模型上需针对性调整：

模型	上下文窗口	适配要点
DeepSeek	64K-128K	擅长中文指令理解，JSON 输出需显式声明"输出严格 JSON，不要 Markdown 代码块包裹"；对分步引导模式响应好
通义千问	32K-100K+	结构化输出稳定，角色扮演模式效果好；需在角色定义中明确"你是测试工程师"避免幻觉角色
文心一言	8K-32K	窗口相对小，上下文包需精简；对抗/反向质疑模式响应较弱，用多视角模式替代
豆包	32K-128K	对话式交互友好，长提示词易截断；提示词尾部放最核心的约束（输出格式/编号规则）
Kimi	128K-200K	长上下文优势明显，适合完整上下文包直投；但对"必须输出 N 条"类数量约束需强调

适配策略：

text

1. 数量约束：国产模型对"生成 N 条用例"偶有缩水 → 提示词写"不少于 N 条"，并加"如果不足，补充边界和异常场景"
2. 格式约束：多数国产模型默认带 Markdown 代码块 → 需显式声明"直接输出表格，不要代码块包裹"
3. 中文表达：国产模型中文流畅但对"用例标题"格式理解差异大 → 给出 1 条示例（如 TC_API_LOGIN_001 正确凭证登录成功）
4. 编号规则：部分模型会自作主张改编号 → 明确"严格使用 TC_{模块缩写}_{功能缩写}_{序号}，不得改动格式"
5. 深度控制：国产模型倾向少而浅 → 用深度量化（简单×5/中等×10/复杂×15）约束用例数量级

常见反模式

1. 万能模板：一个模板打天下 → 不同目标用不同模式，按选择指南匹配
2. 过度堆叠：一次给太多约束让AI无从下手 → 按需分层叠加，先从2-3个核心维度开始
3. 缺乏被测反馈：只给格式不给被测功能 → 模板尾部必须附带实际功能描述或上下文
4. 角色混乱：让AI同时扮演多个矛盾角色 → 同一模式内只做一个角色，多角色用多视角模式
5. 忽略验证：只生成不验证 → 生成后必须用反向质疑或对抗模式验证质量