AI 测试输出评审

对AI生成的测试用例进行八维评审（完整性、正确性、可执行性、风险覆盖、规范性、一致性、追溯性、冗余度），是AI生成用例后的第一个质量门禁。当AI刚刚生成了一大批测试用例、你需要确保这些用例真的有价值而不是"看起来不错"时，应当使用此技能。不要假设AI输出的都是对的——AI经常生成语义正确但实际操作不了的用例。每个维度评分低于7分的必须标注问题并使用MISSING/WRONG/VAGUE等规范格式标记。无上游场景树/风险清单时降级为六维评审（跳过追溯性、简化完整性）。 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

⚠️ 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

⚠️ 安全警告：本技能的示例可能涉及测试用例整理、合并或删除建议。 实际使用时请勿直接执行批量删除操作，先备份原数据并确认非关键用例。 本技能仅在 workspace/ 输出评估文件，不持久化、不外传、不跨会话复用。

AI 输出评审

使用逻辑

本技能分为四个阶段，按顺序执行：

text

阶段一：评审框架（八维评审法）
    │
    │  使用八维评审法对AI输出进行系统打分
    │  输出：评审报告（评分 + 问题清单）
    │
    ▼
阶段二：报告模板（输出格式）
    │
    │  按标准格式输出评审结果
    │  输出：结构化评审报告
    │
    ▼
阶段三：追问问法（深入挖掘）
    │
    │  使用追问技巧引导发现问题
    │  输出：更深层的质量洞察
    │
    ▼
阶段四：辅助工具（假设挖掘/反驳机制/投入产出评估）
    │
    │  补充评审维度，提升评审深度
    │  输出：完整评审结论

关键点：阶段三的"追问问法"是在评审报告输出后使用的，用于引导发现更深层的问题，不是独立的评审体系。

输入要求

必填输入

• AI生成的测试用例

推荐输入（提供则评审更准确）

• 场景树（来自qa-scenario-tree）：用于完整性评审，判断场景覆盖率
• 风险清单（来自qa-risk-intuition）：用于风险覆盖评审，判断高风险区域是否深测
• 需求ID列表：用于追溯性评审，判断用例是否可追溯

降级策略

如果缺少推荐输入：

缺少的输入	评审策略	降级处理
场景树	完整性评审	基于通用场景清单（主流程/分支/异常/边界）
风险清单	风险覆盖评审	基于默认风险类型（资金/安全/并发/数据一致性）
需求ID列表	追溯性评审	跳过，标记为"需补充追溯信息"

评审模式

模式A：完整评审（有场景树和风险清单）

• 八维评审全部启用
• 输出完整评审报告
• 适用场景：工作流中的标准评审

模式B：快速评审（无上游数据）

• 启用六维评审（跳过追溯性，简化完整性）
• 输出简化评审报告
• 标注"建议补充场景树后重新评审"
• 适用场景：独立使用、快速检查

模式选择规则

text

有场景树 AND 有风险清单 → 模式A（完整评审）
否则 → 模式B（快速评审）

核心原则

AI输出看起来都对，但专家能看出哪里不够。

八维评审法速查

评分标准：每维度10分，总分≥64分为合格。详见 references/review-dimensions.md。

维度	评分核心	核心关注
完整性	场景覆盖是否完整	主路径+分支+异常+边界
正确性	业务规则和预期是否正确	内容正确性
可执行性	步骤是否清晰可执行	可操作性
风险覆盖	高风险区域是否深测	资金/安全/并发/数据
规范性	格式是否符合标准	编号/表格/字段
追溯性	需求/风险ID是否完整	需求追溯链
一致性	用例间是否自相矛盾	前置与步骤匹配
冗余度	是否有无价值用例	重复/低价值用例

每维度的详细评分标准、评审清单和追问问法参见 references/review-dimensions.md。

中文/国产模型特有评审点

国产模型（DeepSeek/通义/文心/豆包等）输出除八维通用评审外，需额外检查以下特有风险：

评审点	典型表现	处理
中文语义漂移	用例标题与步骤语义不一致（如标题"验证登录"步骤却在测注册）	用"步骤是否支撑标题"反向核查，漂移即降分
数字/单位幻觉	超时值、并发数、金额单位凭空编造（如"P95<100ms"无依据）	核对来源，无依据标注"MISSING：需基准数据"
政策/合规表述	用例预期结果含不合规表述（如支付、个人信息处理）	标注合规风险，提示对照监管要求
格式不稳定	表格列错位、编号断号（TC_001→TC_003）、中文标点混入	按规范性维度检查编号连续性
过度泛化	用例写得"像测试指南"而非"可执行用例"（步骤不可操作）	按可执行性维度扣分，要求补具体步骤
伪正确性	预期结果"返回正确"但未定义什么算正确	要求预期结果可验证（具体状态码/字段值）

评审动作：发现上述任一问题，按对应八维维度降分，并输出规范格式标记（MISSING/WRONG/VAGUE）+ 修正建议。

评审报告模板

详见 references/report-templates.md，包含三种模板：

• 完整评审报告（模式A）：八维评分 + 问题清单 + 改进方向
• 简化评审报告（模式B）：六维评分 + 降级标注
• 快速评审模板：星级评价 + 主要问题 + 迭代方向

假设挖掘

AI输出中常见的隐含假设：

假设类型	示例	验证方法
用户行为假设	"用户会正常输入"	追问：用户误输入怎么办？
环境假设	"网络正常"	追问：网络异常时会怎样？
数据假设	"数据格式正确"	追问：格式错误时怎么处理？
时序假设	"操作按顺序执行"	追问：乱序执行会怎样？
依赖假设	"第三方服务正常"	追问：第三方挂了怎么办？

挖掘问法：

text

请列出你在输出中做的所有假设
哪些假设可能不成立？
如果假设不成立，测试场景会有什么变化？

迭代决策树

当AI输出不满意时：

text

输出不满意
    │
    ├── 完整性不够？
    │       └── 补充场景：请补充[缺失的场景类型]
    │
    ├── 深度不够？
    │       └── 深入分析：请按[具体维度]深入分析
    │
    ├── 风险覆盖不足？
    │       └── 重点强化：请对[高风险区域]做专项测试
    │
    ├── 有矛盾？
    │       └── 修正一致性：请修正[具体矛盾点]
    │
    ├── 冗余过多？
    │       └── 精简用例：请合并或删除[低价值用例]
    │
    └── 不可执行？
            └── 调整可行性：请确保[测试步骤]可实际执行

AI反驳机制

让AI挑战你的假设，而不是迎合你。

反驳问法模板

text

模式1：质量负责人视角
"请站在质量负责人角度，指出可能遗漏的业务风险、过度测试的地方，
以及上线前还需要确认的问题。"

模式2：故障反推视角
"请假设这个功能上线后出现严重问题，反推我现在的测试方案
可能漏掉了什么。"

模式3：资源约束视角
"测试资源有限，请评估这些用例的投入产出比，
哪些是必须测的，哪些可以简化或跳过。"

模式4：竞品对比视角
"如果竞争对手的同类功能比我们更稳定，可能是因为
他们多测了哪些我们没覆盖的场景？"

反驳检查清单

• 是否要求AI挑战你的假设？
• 是否让AI从反面看问题？
• 是否评估了投入产出比？
• 是否识别了过度测试的区域？

投入产出评估

评估维度

维度	评估标准	权重
业务价值	影响用户数×影响程度	40%
风险等级	发生概率×影响程度	30%
测试成本	用例数×执行时间	20%
自动化潜力	是否适合自动化	10%

评估矩阵

用例类型	业务价值	风险等级	测试成本	建议
P0+高风险	高	高	中	必须测试，优先自动化
P0+低风险	高	低	低	必须测试，手动即可
P1+高风险	中	高	中	必须测试，考虑自动化
P1+低风险	中	低	低	选择性测试
P2+高风险	低	高	中	评估后决定
P2+低风险	低	低	低	可跳过或简化

ROI计算公式

text

ROI = (业务价值 × 风险等级) / 测试成本

示例：
用例A：业务价值=5, 风险等级=5, 测试成本=2
ROI = (5×5)/2 = 12.5 → 高ROI，优先测试

用例B：业务价值=2, 风险等级=2, 测试成本=5
ROI = (2×2)/5 = 0.8 → 低ROI，可简化

检查清单

评审完成后检查：

• 是否识别了AI的隐含假设？
• 是否评估了覆盖完整性？
• 是否检查了一致性？
• 是否评估了冗余度？
• 是否有明确的迭代方向？
• 评审报告是否可执行？
• 是否标注了降级模式（如适用）？