AI 測試 Skills 全攻略：8 個高分工具讓測試效率翻倍
整理版優先睇
最近測試圈裏有個趨勢越來越明顯——AI Agent Skills 開始真正進入工程實踐了。以前寫自動化測試，得自己配環境、寫腳本、調接口，流程繁瑣，重複勞動多。現在配上專業的 Testing Skill，很多機械性的測試工作可以直接交給 AI 來完成。對於測試任務重、人手緊的團隊來說，這是一個值得認真研究的方向。本文整理了目前社區中熱門且真實可用的 8 個測試 Skill，每個都附有倉庫地址，按需取用。═════════一、先搞清楚：Skill 到底是什麼？很多人第一次聽到 Skill 這個詞，容易把它理解成一段代碼或插件。實際上，Skill 是一套給 AI 立規矩的說明書，告訴它：什麼情況下該做什麼要遵循哪些規範可以調用哪些工具AI 加載 Skill 之後，會按照裏面的規則來寫用例、修失敗、做調試，而不是憑感覺亂猜定位器或寫出一堆難以維護的斷言。沒有 Skill 時，AI 容易出現這些問題：隨意猜測定位器，寫出脆弱的選擇器狀態、每次從頭開始、難以複用風格不統一，代碼難以維護加載 Testing Skill 之後：強制使用 getByRole、expect 等最佳實踐可配合 MCP 長連接，邊操作邊生成代碼按團隊規範輸出，易於維護和交接═════════二、8 個熱門測試 Skills（附地址）01 Playwright Skill — 瀏覽器自動化核心能力： 讓 AI 按 Playwright 最佳實踐編寫瀏覽器自動化腳本，定位器使用 getByRole / getByText，斷言使用 expect，默認非 headless 模式，方便實時調試。適合場景： UI 自動化、E2E 迴歸測試、需要穩定定位策略的團隊。倉庫地址：https://github.com/lackeyjb/playwright-skill目前 2k+ Star，支持插件和獨立 Skill 兩種安裝方式。═════════02 Pytest Skill — Python 單測規範核心能力： 教 AI 用 pytest 的正確方式寫測試：用例發現、fixtures、參數化、mock、markers、調試命令，生成結構化、易維護的 Python 測試代碼。適合場景： Python 項目的接口測試、單元測試、集成測試。倉庫地址：https://github.com/sbroenne/pytest-skill-engineering═════════03 PyPICT — 組合用例生成核心能力： 用 pairwise（正交/組合）思路生成測試用例，大幅壓縮窮舉數量。舉個例子：8 個參數全排列組合需要 2 萬+ 條用例，用 PICT 算法可以壓縮到幾十條，同時仍然覆蓋主要參數組合。適合場景： 參數多、組合爆炸的配置測試、兼容性測試、接口參數測試。倉庫地址：https://github.com/omkamal/pypict-claude-skill═════════04 TDD Skill — 測試驅動開發核心能力： 約束 AI 嚴格遵循 Red-Green-Refactor 節奏：先寫失敗用例，再寫最小實現讓用例通過，最後重構。支持 Python（pytest）、TypeScript（vitest）、Go 等主流語言，並設置了人機檢查點，防止 AI 一次性把實現全寫完再補測試。適合場景： 想規範 TDD 流程、希望 AI 協助完成小步重構的團隊。倉庫地址：https://github.com/mfranzon/tdd目前 129+ Star。═════════05 Systematic Debugging — 系統化根因排查核心能力： 不讓 AI 靠猜來解決問題，而是按照固定步驟推進：根因調查 → 模式對比 → 假設與驗證 → 再動代碼。核心鐵律是：先查清楚根因，再動手修改。適合場景： 複雜的 flaky test、環境依賴問題、偶現 bug，以及多次修改後仍未收斂的情況。倉庫地址：https://github.com/obra/superpowers整包 83k+ Star，安裝後該 Skill 自動生效，也可單獨引用。═════════06 Verification Before Completion — 完成前必須驗證核心能力： 在 AI 聲稱「修好了」或「完成了」之前，強制要求它先跑驗證（測試、構建或關鍵命令），拿出實際證據再收尾。杜絕「我覺得應該沒問題」式的交差。適合場景： 修 bug、改測試用例、上線前檢查，任何需要確認結果的環節。倉庫地址：https://github.com/obra/superpowers與 Systematic Debugging、TDD Skill 搭配使用效果更佳。═════════07 Testing Automation Expert — 多框架一站式核心能力： 覆蓋 pytest、Jest、Vitest、Playwright、Pact（契約測試），以及可訪問性測試、變異測試等多個質量維度，為 AI 提供跨框架的統一測試規範指導。適合場景： 多技術棧並存、需要統一測試工具選型和規範的團隊。地址：https://lobehub.com/skills/georgekhananaev-claude-skills-vault-testing-automation-expert═════════08 QA Test Planner — 測試計劃與用例生成核心能力： 根據需求自動生成測試計劃、手工用例、迴歸套件、Bug 報告，還支持結合 Figma 做設計還原對比，適合需要完整文檔化和可追溯性的項目。適合場景： QA 文檔工作量大、需要快速輸出測試計劃和用例清單的團隊。倉庫地址：https://github.com/softaworks/agent-toolkit安裝命令：bashnpx skills add https://github.com/softaworks/agent-toolkit --skill qa-test-planner═════════三、怎麼選？按場景對號入座做瀏覽器 / E2E 測試 → Playwright Skill（01）寫 Python 單測 / 接口測試 → Pytest Skill（02）參數組合太多窮舉不過來 → PyPICT（03）想規範 TDD 流程 → TDD Skill（04）遇到複雜 bug 排查不清楚 → Systematic Debugging（05）改完不確定有沒有真的修好 → Verification Before Completion（06）多技術棧需要統一測試規範 → Testing Automation Expert（07）要快速出測試計劃 / 用例文檔 → QA Test Planner（08）═════════四、一個值得記住的落地原則無論是 Cursor 還是 Claude Code，社區實踐中反覆強調同一個觀點：AI suggests，你 approve。AI 按 Skill 規則生成初稿用例或修復方案，工程師負責評審、補充邊界場景，確認後再合入。這樣既提升了效率，又守住了質量關口。推薦的起步路徑：第一步： 先裝 Playwright Skill 或 Pytest Skill，用規則約束定位器和斷言風格，效果立竿見影。第二步： 有條件的話接上 Playwright MCP，讓 AI 能真實操作瀏覽器再生成代碼，減少憑空猜測。第三步： 遇到 bug 排查時，配合 Systematic Debugging + Verification Before Completion，先找根因、驗證通過再收尾。第四步： 需要輸出測試文檔時用 QA Test Planner；多技術棧統一規範時加 Testing Automation Expert。═════════五、小結這 8 個 AI Testing Skills 目前熱門且可落地，倉庫地址均在文中列出，可按需安裝：Playwright · Pytest · PyPICT · TDD · Systematic Debugging · Verification Before Completion · Testing Automation Expert · QA Test Planner用好這些 Skill，AI 更像一個懂規範的 QA 搭檔，而不是隨意發揮的實習生。如果你已經在用 Cursor 或 Claude Code，不妨從 Playwright + TDD + Verification Before Completion 三個開始，跑通一條完整鏈路，再根據團隊需求逐步擴充，效率提升會很明顯。═════════工具地址彙總：Playwright Skill：https://github.com/lackeyjb/playwright-skillPytest Skill：https://github.com/sbroenne/pytest-skill-engineeringPyPICT：https://github.com/omkamal/pypict-claude-skillTDD Skill：https://github.com/mfranzon/tddSystematic Debugging / Verification：https://github.com/obra/superpowersTesting Automation Expert：https://lobehub.com/skills/georgekhananaev-claude-skills-vault-testing-automation-expertQA Test Planner：https://github.com/softaworks/agent-toolkit
最近測試圈裏有個趨勢越來越明顯——AI Agent Skills 開始真正進入工程實踐了。以前寫自動化測試，得自己配環境、寫腳本、調接口，流程繁瑣，重複勞動多。而家配上專業的 Testing Skill，很多機械性的測試工作可以直接交給 AI 來完成。對於測試任務重、人手緊的團隊來說，這是一個值得認真研究的方向。
本文整理了目前社區中熱門且真實可用的 8 個測試 Skill，每個都附有倉庫地址，按需取用。═════════一、先搞清楚：Skill 到底是什麼？很多人第一次聽到 Skill 呢個詞，容易把它理解成一段代碼或插件。實際上，Skill 是一套給 AI 立規矩的說明書，告訴它：什麼情況下該做什麼要遵循哪些規範可以調用哪些工具AI 加載 Skill 之後，會按照裏面的規則來寫用例、修失敗、做調試，而不是憑感覺亂猜定位器或寫出一堆難以維護的斷言。
沒有 Skill 時，AI 容易出現呢啲問題：隨意猜測定位器，寫出脆弱的選擇器狀態、每次從頭開始、難以複用風格不統一，代碼難以維護加載 Testing Skill 之後：強制使用 getByRole、expect 等最佳實踐可配合 MCP 長連接，邊操作邊生成代碼按團隊規範輸出，易於維護和交接═════════二、8 個熱門測試 Skills（附地址）01 Playwright Skill — 瀏覽器自動化核心能力： 讓 AI 按 Playwright 最佳實踐編寫瀏覽…
- AI 測試 Skills 全攻略：8 個高分工具讓測試效率翻倍
- AI 測試 Skills 全攻略：8 個高分工具讓測試效率翻倍｜重點…
- AI 測試 Skills 全攻略：8 個高分工具讓測試效率翻倍｜重點…
- AI 測試 Skills 全攻略：8 個高分工具讓測試效率翻倍｜重點…
- AI 測試 Skills 全攻略：8 個高分工具讓測試效率翻倍｜重點…
可記低 Skill
最近測試圈裏有個趨勢越來越明顯——AI Agent Skills 開始真正進入工程實踐了。以前寫自動化測試，得自己配環境、寫腳本、調接口，流程繁瑣，重複勞動多。現在配上專業的 Testing Skill，很多機械性的測試工作可以直接交給 A…
整理版
最近測試圈裏有個趨勢越來越明顯——AI Agent Skills 開始真正進入工程實踐了。以前寫自動化測試，得自己配環境、寫腳本、調接口，流程繁瑣，重複勞動多。現在配上專業的 Testing Skill，很多機械性的測試工作可以直接交給 AI 來完成。對於測試任務重、人手緊的團隊來說，這是一個值得認真研究的方向。本文整理了目前社區中熱門且真實可用的 8 個測試 Skill，每個都附有倉庫地址，按需取用。═════════一、先搞清楚：Skill 到底是什麼？很多人第一次聽到 Skill 這個詞，容易把它理解成一段代碼或插件。實際上，Skill 是一套給 AI 立規矩的說明書，告訴它：什麼情況下該做什麼要遵循哪些規範可以調用哪些工具AI 加載 Skill 之後，會按照裏面的規則來寫用例、修失敗、做調試，而不是憑感覺亂猜定位器或寫出一堆難以維護的斷言。沒有 Skill 時，AI 容易出現這些問題：隨意猜測定位器，寫出脆弱的選擇器狀態、每次從頭開始、難以複用風格不統一，代碼難以維護加載 Testing Skill 之後：強制使用 getByRole、expect 等最佳實踐可配合 MCP 長連接，邊操作邊生成代碼按團隊規範輸出，易於維護和交接═════════二、8 個熱門測試 Skills（附地址）01 Playwright Skill — 瀏覽器自動化核心能力： 讓 AI 按 Playwright 最佳實踐編寫瀏覽器自動化腳本，定位器使用 getByRole / getByText，斷言使用 expect，默認非 headless 模式，方便實時調試。適合場景： UI 自動化、E2E 迴歸測試、需要穩定定位策略的團隊。倉庫地址：https://github.com/lackeyjb/playwright-skill目前 2k+ Star，支持插件和獨立 Skill 兩種安裝方式。═════════02 Pytest Skill — Python 單測規範核心能力： 教 AI 用 pytest 的正確方式寫測試：用例發現、fixtures、參數化、mock、markers、調試命令，生成結構化、易維護的 Python 測試代碼。適合場景： Python 項目的接口測試、單元測試、集成測試。倉庫地址：https://github.com/sbroenne/pytest-skill-engineering═════════03 PyPICT — 組合用例生成核心能力： 用 pairwise（正交/組合）思路生成測試用例，大幅壓縮窮舉數量。舉個例子：8 個參數全排列組合需要 2 萬+ 條用例，用 PICT 算法可以壓縮到幾十條，同時仍然覆蓋主要參數組合。適合場景： 參數多、組合爆炸的配置測試、兼容性測試、接口參數測試。倉庫地址：https://github.com/omkamal/pypict-claude-skill═════════04 TDD Skill — 測試驅動開發核心能力： 約束 AI 嚴格遵循 Red-Green-Refactor 節奏：先寫失敗用例，再寫最小實現讓用例通過，最後重構。支持 Python（pytest）、TypeScript（vitest）、Go 等主流語言，並設置了人機檢查點，防止 AI 一次性把實現全寫完再補測試。適合場景： 想規範 TDD 流程、希望 AI 協助完成小步重構的團隊。倉庫地址：https://github.com/mfranzon/tdd目前 129+ Star。═════════05 Systematic Debugging — 系統化根因排查核心能力： 不讓 AI 靠猜來解決問題，而是按照固定步驟推進：根因調查 → 模式對比 → 假設與驗證 → 再動代碼。核心鐵律是：先查清楚根因，再動手修改。適合場景： 複雜的 flaky test、環境依賴問題、偶現 bug，以及多次修改後仍未收斂的情況。倉庫地址：https://github.com/obra/superpowers整包 83k+ Star，安裝後該 Skill 自動生效，也可單獨引用。═════════06 Verification Before Completion — 完成前必須驗證核心能力： 在 AI 聲稱「修好了」或「完成了」之前，強制要求它先跑驗證（測試、構建或關鍵命令），拿出實際證據再收尾。杜絕「我覺得應該沒問題」式的交差。適合場景： 修 bug、改測試用例、上線前檢查，任何需要確認結果的環節。倉庫地址：https://github.com/obra/superpowers與 Systematic Debugging、TDD Skill 搭配使用效果更佳。═════════07 Testing Automation Expert — 多框架一站式核心能力： 覆蓋 pytest、Jest、Vitest、Playwright、Pact（契約測試），以及可訪問性測試、變異測試等多個質量維度，為 AI 提供跨框架的統一測試規範指導。適合場景： 多技術棧並存、需要統一測試工具選型和規範的團隊。地址：https://lobehub.com/skills/georgekhananaev-claude-skills-vault-testing-automation-expert═════════08 QA Test Planner — 測試計劃與用例生成核心能力： 根據需求自動生成測試計劃、手工用例、迴歸套件、Bug 報告，還支持結合 Figma 做設計還原對比，適合需要完整文檔化和可追溯性的項目。適合場景： QA 文檔工作量大、需要快速輸出測試計劃和用例清單的團隊。倉庫地址：https://github.com/softaworks/agent-toolkit安裝命令：bashnpx skills add https://github.com/softaworks/agent-toolkit --skill qa-test-planner═════════三、怎麼選？按場景對號入座做瀏覽器 / E2E 測試 → Playwright Skill（01）寫 Python 單測 / 接口測試 → Pytest Skill（02）參數組合太多窮舉不過來 → PyPICT（03）想規範 TDD 流程 → TDD Skill（04）遇到複雜 bug 排查不清楚 → Systematic Debugging（05）改完不確定有沒有真的修好 → Verification Before Completion（06）多技術棧需要統一測試規範 → Testing Automation Expert（07）要快速出測試計劃 / 用例文檔 → QA Test Planner（08）═════════四、一個值得記住的落地原則無論是 Cursor 還是 Claude Code，社區實踐中反覆強調同一個觀點：AI suggests，你 approve。AI 按 Skill 規則生成初稿用例或修復方案，工程師負責評審、補充邊界場景，確認後再合入。這樣既提升了效率，又守住了質量關口。推薦的起步路徑：第一步： 先裝 Playwright Skill 或 Pytest Skill，用規則約束定位器和斷言風格，效果立竿見影。第二步： 有條件的話接上 Playwright MCP，讓 AI 能真實操作瀏覽器再生成代碼，減少憑空猜測。第三步： 遇到 bug 排查時，配合 Systematic Debugging + Verification Before Completion，先找根因、驗證通過再收尾。第四步： 需要輸出測試文檔時用 QA Test Planner；多技術棧統一規範時加 Testing Automation Expert。═════════五、小結這 8 個 AI Testing Skills 目前熱門且可落地，倉庫地址均在文中列出，可按需安裝：Playwright · Pytest · PyPICT · TDD · Systematic Debugging · Verification Before Completion · Testing Automation Expert · QA Test Planner用好這些 Skill，AI 更像一個懂規範的 QA 搭檔，而不是隨意發揮的實習生。如果你已經在用 Cursor 或 Claude Code，不妨從 Playwright + TDD + Verification Before Completion 三個開始，跑通一條完整鏈路，再根據團隊需求逐步擴充，效率提升會很明顯。═════════工具地址彙總：Playwright Skill：https://github.com/lackeyjb/playwright-skillPytest Skill：https://github.com/sbroenne/pytest-skill-engineeringPyPICT：https://github.com/omkamal/pypict-claude-skillTDD Skill：https://github.com/mfranzon/tddSystematic Debugging / Verification：https://github.com/obra/superpowersTesting Automation Expert：https://lobehub.com/skills/georgekhananaev-claude-skills-vault-testing-automation-expertQA Test Planner：https://github.com/softaworks/agent-toolkit
以前寫自動化測試，要自己set環境、寫script、call接口，程序麻煩，做重複嘢多。家陣有咗專業嘅Testing Skill，好多機械性嘅測試工作可以直接交俾AI搞掂。對於測試任務重、人手唔夠嘅團隊嚟講，呢個係一個值得認真研究嘅方向。
呢篇文章整理咗目前社區入面熱門兼且真係用得嘅8個測試Skill，每個都附有倉庫地址，按需要攞嚟用。
一、先搞清楚：Skill到底係乜？
好多人第一次聽到Skill呢個詞，容易以為係一段code或者plugin。實際上，Skill係一套俾AI定規矩嘅說明書，話俾佢知：
- 咩情況下要做啲咩
- 要跟邊啲規範
- 可以call邊啲工具
AI加載咗Skill之後，會跟住裏面嘅規則嚟寫case、修失敗、做debug，唔係靠感覺亂噉估定位器或者寫出一大堆難以維護嘅assertion。
冇Skill嘅時候，AI容易出現呢啲問題：
- 亂咁估定位器，寫出脆弱的selector
- 冇狀態，每次由頭開始，難以重用
- 風格唔統一，code難以維護
加載Testing Skill之後：
- 強制使用
getByRole、expect等最佳實踐 - 可以配合MCP長連接，邊做邊生成code
- 按團隊規範輸出，容易維護同交接
二、8個熱門測試Skills（附地址）
01 Playwright Skill — 瀏覽器自動化
核心能力： 令AI跟Playwright最佳實踐去寫瀏覽器自動化script，定位器用 getByRole / getByText，assertion用 expect，預設非headless模式，方便即時debug。
適合場景： UI自動化、E2E回歸測試、需要穩定定位策略嘅團隊。
02 Pytest Skill — Python單測規範
核心能力： 教AI用pytest嘅正確方式寫測試：case發現、fixtures、參數化、mock、markers、debug命令，生成結構化、易維護嘅Python測試code。
適合場景： Python項目嘅接口測試、單元測試、集成測試。
03 PyPICT — 組合case生成
核心能力： 用pairwise（正交/組合）思路生成測試case，大幅壓縮窮舉數量。舉個例：8個參數全排列組合要2萬+條case，用PICT算法可以壓縮到幾十條，同時仍然覆蓋主要參數組合。
適合場景： 參數多、組合爆炸嘅配置測試、兼容性測試、接口參數測試。
04 TDD Skill — 測試驅動開發
核心能力： 約束AI嚴格跟Red-Green-Refactor節奏：先寫失敗case，再寫最小實現令case過到，最後重構。支援Python（pytest）、TypeScript（vitest）、Go等主流語言，仲set咗人機檢查點，防止AI一次過寫曬所有實作再補測試。
適合場景： 想規範TDD流程、希望AI幫手完成小步重構嘅團隊。
05 Systematic Debugging — 系統化根因排查
核心能力： 唔畀AI靠估嚟解決問題，而係跟固定步驟推進：根因調查 → 模式對比 → 假設與驗證 → 先鬱code。核心鐵律係：先查清楚根因，先動手改。
適合場景： 複雜嘅flaky test、環境依賴問題、偶現bug，同埋改咗好多次都未收斂嘅情況。
06 Verification Before Completion — 完成前必須驗證
核心能力： 喺AI話「整好咗」或者「完成咗」之前，強制要求佢先run驗證（測試、build或者關鍵命令），交出實際證據先收尾。杜絕「我覺得應該冇問題」式嘅交貨。
適合場景： 改bug、改測試case、上線前檢查，任何需要確認結果嘅環節。
07 Testing Automation Expert — 多框架一站式
核心能力： 涵蓋pytest、Jest、Vitest、Playwright、Pact（契約測試），以及可訪問性測試、變異測試等多個質量維度，為AI提供跨框架嘅統一測試規範指導。
適合場景： 多技術棧並存、需要統一測試工具選型同規範嘅團隊。
08 QA Test Planner — 測試計劃與case生成
核心能力： 根據需求自動生成測試計劃、手動case、回歸套件、Bug報告，仲支援結合Figma做設計還原對比，適合需要完整文檔化同可追溯嘅項目。
適合場景： QA文檔工作量大、需要快速輸出測試計劃同case清單嘅團隊。
安裝命令：
bashnpx skills add https://github.com/softaworks/agent-toolkit --skill qa-test-planner三、點樣揀？按場景對號入座
做瀏覽器 / E2E測試 → Playwright Skill（01）
寫Python單測 / 接口測試 → Pytest Skill（02）
參數組合太多窮舉唔曬 → PyPICT（03）
想規範TDD流程 → TDD Skill（04）
遇到複雜bug排查唔清 → Systematic Debugging（05）
改完唔確定係咪真係修好 → Verification Before Completion（06）
多技術棧需要統一測試規範 → Testing Automation Expert（07）
要快速出測試計劃 / case文檔 → QA Test Planner（08）
四、一個值得記住嘅落地原則
無論係Cursor定Claude Code，社區實踐中不斷強調同一個觀點：
AI跟Skill規則生成初稿case或者修復方案，工程師負責評審、補充邊界場景，確認後先合入。咁樣既提升咗效率，又守住咗質量關口。
推薦嘅起步路徑：
第一步： 先裝Playwright Skill或者Pytest Skill，用規則約束定位器同assertion風格，效果立竿見影。
第二步： 有條件嘅話接上Playwright MCP，等AI可以真實操作瀏覽器先生成code，減少靠估。
第三步： 遇到bug排查時，配合Systematic Debugging + Verification Before Completion，先揾根因、驗證通過先收尾。
第四步： 需要輸出測試文檔時用QA Test Planner；多技術棧統一規範時加Testing Automation Expert。
五、小結
呢8個AI Testing Skills而家熱門兼且真係用得，倉庫地址已經喺文中列曬，可按需要安裝：
Playwright · Pytest · PyPICT · TDD · Systematic Debugging · Verification Before Completion · Testing Automation Expert · QA Test Planner
用得好呢啲Skill，AI更像一個識規範嘅QA拍檔，唔係亂嚟嘅實習生。
如果你已經在用Cursor或者Claude Code，不妨由 Playwright + TDD + Verification Before Completion 三個開始，行通一條完整鏈路，再按團隊需求逐步擴充，效率提升會好明顯。
工具地址彙總：
- Playwright Skill：https://github.com/lackeyjb/playwright-skill
- Pytest Skill：https://github.com/sbroenne/pytest-skill-engineering
- PyPICT：https://github.com/omkamal/pypict-claude-skill
- TDD Skill：https://github.com/mfranzon/tdd
- Systematic Debugging / Verification：https://github.com/obra/superpowers
- Testing Automation Expert：https://lobehub.com/skills/georgekhananaev-claude-skills-vault-testing-automation-expert
- QA Test Planner：https://github.com/softaworks/agent-toolkit
以前寫自動化測試，得自己配環境、寫腳本、調接口，流程繁瑣，重複勞動多。現在配上專業的 Testing Skill，很多機械性的測試工作可以直接交給 AI 來完成。對於測試任務重、人手緊的團隊來說，這是一個值得認真研究的方向。
本文整理了目前社區中熱門且真實可用的 8 個測試 Skill，每個都附有倉庫地址，按需取用。
一、先搞清楚：Skill 到底是什麼？
很多人第一次聽到 Skill 這個詞，容易把它理解成一段代碼或插件。實際上，Skill 是一套給 AI 立規矩的說明書，告訴它：
- 什麼情況下該做什麼
- 要遵循哪些規範
- 可以調用哪些工具
AI 加載 Skill 之後，會按照裏面的規則來寫用例、修失敗、做調試，而不是憑感覺亂猜定位器或寫出一堆難以維護的斷言。
沒有 Skill 時，AI 容易出現這些問題：
- 隨意猜測定位器，寫出脆弱的選擇器
- 狀態、每次從頭開始、難以複用
- 風格不統一，代碼難以維護
加載 Testing Skill 之後：
- 強制使用
getByRole、expect等最佳實踐 - 可配合 MCP 長連接，邊操作邊生成代碼
- 按團隊規範輸出，易於維護和交接
二、8 個熱門測試 Skills（附地址）
01 Playwright Skill — 瀏覽器自動化
核心能力： 讓 AI 按 Playwright 最佳實踐編寫瀏覽器自動化腳本，定位器使用 getByRole / getByText，斷言使用 expect，默認非 headless 模式，方便實時調試。
適合場景： UI 自動化、E2E 迴歸測試、需要穩定定位策略的團隊。
02 Pytest Skill — Python 單測規範
核心能力： 教 AI 用 pytest 的正確方式寫測試：用例發現、fixtures、參數化、mock、markers、調試命令，生成結構化、易維護的 Python 測試代碼。
適合場景： Python 項目的接口測試、單元測試、集成測試。
03 PyPICT — 組合用例生成
核心能力： 用 pairwise（正交/組合）思路生成測試用例，大幅壓縮窮舉數量。舉個例子：8 個參數全排列組合需要 2 萬+ 條用例，用 PICT 算法可以壓縮到幾十條，同時仍然覆蓋主要參數組合。
適合場景： 參數多、組合爆炸的配置測試、兼容性測試、接口參數測試。
04 TDD Skill — 測試驅動開發
核心能力： 約束 AI 嚴格遵循 Red-Green-Refactor 節奏：先寫失敗用例，再寫最小實現讓用例通過，最後重構。支持 Python（pytest）、TypeScript（vitest）、Go 等主流語言，並設置了人機檢查點，防止 AI 一次性把實現全寫完再補測試。
適合場景： 想規範 TDD 流程、希望 AI 協助完成小步重構的團隊。
05 Systematic Debugging — 系統化根因排查
核心能力： 不讓 AI 靠猜來解決問題，而是按照固定步驟推進：根因調查 → 模式對比 → 假設與驗證 → 再動代碼。核心鐵律是：先查清楚根因，再動手修改。
適合場景： 複雜的 flaky test、環境依賴問題、偶現 bug，以及多次修改後仍未收斂的情況。
06 Verification Before Completion — 完成前必須驗證
核心能力： 在 AI 聲稱「修好了」或「完成了」之前，強制要求它先跑驗證（測試、構建或關鍵命令），拿出實際證據再收尾。杜絕「我覺得應該沒問題」式的交差。
適合場景： 修 bug、改測試用例、上線前檢查，任何需要確認結果的環節。
07 Testing Automation Expert — 多框架一站式
核心能力： 覆蓋 pytest、Jest、Vitest、Playwright、Pact（契約測試），以及可訪問性測試、變異測試等多個質量維度，為 AI 提供跨框架的統一測試規範指導。
適合場景： 多技術棧並存、需要統一測試工具選型和規範的團隊。
08 QA Test Planner — 測試計劃與用例生成
核心能力： 根據需求自動生成測試計劃、手工用例、迴歸套件、Bug 報告，還支持結合 Figma 做設計還原對比，適合需要完整文檔化和可追溯性的項目。
適合場景： QA 文檔工作量大、需要快速輸出測試計劃和用例清單的團隊。
安裝命令：
bashnpx skills add https://github.com/softaworks/agent-toolkit --skill qa-test-planner三、怎麼選？按場景對號入座
做瀏覽器 / E2E 測試 → Playwright Skill（01）
寫 Python 單測 / 接口測試 → Pytest Skill（02）
參數組合太多窮舉不過來 → PyPICT（03）
想規範 TDD 流程 → TDD Skill（04）
遇到複雜 bug 排查不清楚 → Systematic Debugging（05）
改完不確定有沒有真的修好 → Verification Before Completion（06）
多技術棧需要統一測試規範 → Testing Automation Expert（07）
要快速出測試計劃 / 用例文檔 → QA Test Planner（08）
四、一個值得記住的落地原則
無論是 Cursor 還是 Claude Code，社區實踐中反覆強調同一個觀點：
AI 按 Skill 規則生成初稿用例或修復方案，工程師負責評審、補充邊界場景，確認後再合入。這樣既提升了效率，又守住了質量關口。
推薦的起步路徑：
第一步： 先裝 Playwright Skill 或 Pytest Skill，用規則約束定位器和斷言風格，效果立竿見影。
第二步： 有條件的話接上 Playwright MCP，讓 AI 能真實操作瀏覽器再生成代碼，減少憑空猜測。
第三步： 遇到 bug 排查時，配合 Systematic Debugging + Verification Before Completion，先找根因、驗證通過再收尾。
第四步： 需要輸出測試文檔時用 QA Test Planner；多技術棧統一規範時加 Testing Automation Expert。
五、小結
這 8 個 AI Testing Skills 目前熱門且可落地，倉庫地址均在文中列出，可按需安裝：
Playwright · Pytest · PyPICT · TDD · Systematic Debugging · Verification Before Completion · Testing Automation Expert · QA Test Planner
用好這些 Skill，AI 更像一個懂規範的 QA 搭檔，而不是隨意發揮的實習生。
如果你已經在用 Cursor 或 Claude Code，不妨從 Playwright + TDD + Verification Before Completion 三個開始，跑通一條完整鏈路，再根據團隊需求逐步擴充，效率提升會很明顯。
工具地址彙總：
- Playwright Skill：https://github.com/lackeyjb/playwright-skill
- Pytest Skill：https://github.com/sbroenne/pytest-skill-engineering
- PyPICT：https://github.com/omkamal/pypict-claude-skill
- TDD Skill：https://github.com/mfranzon/tdd
- Systematic Debugging / Verification：https://github.com/obra/superpowers
- Testing Automation Expert：https://lobehub.com/skills/georgekhananaev-claude-skills-vault-testing-automation-expert
- QA Test Planner：https://github.com/softaworks/agent-toolkit