如何为 AI Skill 编写测试 | 柠萌的生活日记

Skill 测试覆盖触发、步骤、工具调用和产物可用性。

问题背景

生成式模型擅长处理模糊语言和提出候选方案，却不天然保证状态一致、权限正确或动作可恢复。讨论“如何为 AI Skill 编写测试”时，重点不应只是跑通演示，而是系统失败后是否知道发生了什么、能否安全继续，以及结果能否重复验证。

设计方案

建立正例、近似反例、冲突指令和缺失依赖样本，断言工具轨迹。

在“Skill 测试夹具”进入实现前，先标注输入来源、调用身份和数据等级；输出通过结构与领域校验后才允许进入下一步。涉及外部副作用时，执行记录必须包含稳定业务键和脱敏证据。

实施产物：Skill 测试夹具

建立触发、不触发、边界、恶意输入和依赖故障样本；断言结构、动作和副作用；固定版本生成回归报告。先在测试环境保存一条完整运行证据，再接入真实写操作；每次变更都必须能定位到配置、代码和数据版本。

practice:
  id: skill-testing
  artifact: "Skill 测试夹具"
  owner: platform-team
  timeout_seconds: 30
  failure_mode: fail_closed
  audit: required

示例只表达边界，不是可直接复制的完整框架配置。落地时应使用当前依赖版本的官方 API，并把超时、身份和审计接到现有基础设施。

实施步骤

1. 选一个可回放的小任务，写清输入、成功条件和禁止发生的副作用。
2. 实现“Skill 测试夹具”，把模型建议与真正执行隔离。
3. 人工走通成功、拒绝和恢复三条路径，保存 run_id 与关键事件。
4. 加入自动化回归，再用小比例非关键流量观察指标。
5. 达到门槛后逐步放量；任一安全约束失败立即停止新任务并回退版本。

失败演练与验收

首要反例是：只比较最终文本是否相同。不要只验证顺利完成；还要注入超时、重复请求、取消、无权限输入和依赖返回畸形数据。

本篇的硬性验收是：同义改写仍触发，近似但不适用请求不得触发。同时记录 触发精确率、契约通过率、副作用违规数。验收脚本应按结构化字段判定，不以“回答看起来合理”代替测试。

上线与回滚

“Skill 测试夹具”上线前要固定模型、提示、规则、工具 schema 与数据版本，并用影子或灰度流量比较旧版。若 触发精确率、契约通过率、副作用违规数 越过门槛，先停止新 Run，再处理在途任务，恢复旧组合后逐项核对未决副作用。

适用边界

当场景是“纯写作且无稳定验收条件”时，这套设计的维护成本通常高于收益。权限、金额、删除和一致性约束始终交给确定性代码，不能交给模型自行判断。

一套分层测试矩阵

层级	输入	断言
路由	正例、反例、边界和同义改写	是否选择、候选数量
契约	缺字段、旧版本、畸形依赖	结构化终态和错误码
工具	假工具的成功/拒绝/超时	调用次数、参数、顺序
副作用	重复、取消、审批漂移	幂等、零越权写入
端到端	隔离环境真实最小任务	交付物与验证证据

快照整段模型文本非常脆弱，应断言稳定事实：选中的 Skill、调用的工具、参数摘要、终态、禁止发生的动作和证据字段。非确定文本用 schema、关键事实或评分器检查，并固定模型、提示、随机性与工具版本。

每个线上误路由或越权未遂都转成回归夹具。测试集按风险分层报告，不能用大量简单正例稀释一个高风险反例失败。外部写入统一替换为记录型假实现；真正端到端测试使用临时资源和唯一命名，结束时按明确清单清理，绝不把宽泛删除写进 teardown。

第二轮实践复核

围绕“Skill 测试夹具”建立一个不接触生产数据的最小项目，固定运行时、框架、模型、提示、规则和工具 schema 版本。正文代码块若缺少完整依赖、导入或领域类型，应视为架构伪代码；只有放入示例仓库并通过下述命令的代码才标记为可运行。

• 项目验证：运行项目既有的 schema 校验、契约测试与离线评测命令
• 回归夹具：把输入、结构化输出、工具轨迹和副作用记录为 JSON，用固定版本执行正常、拒绝、超时、取消与重复请求五组回归样本。
• 必留证据：run_id、版本组合、终止原因、动作幂等键，以及 触发精确率、契约通过率、副作用违规数。
• 通过条件：未批准写操作为零副作用；相同幂等键重复执行只产生一个业务结果；超时或恢复后状态可解释。
• 失败处理：先停新任务，再核对在途动作；回滚模型、提示、规则、工具与状态迁移的完整组合，不能只换回模型。

复用顺序

1. 为“如何为 AI Skill 编写测试”建立确定性假工具，先跑契约与失败用例，不接触真实凭据。
2. 围绕“Skill 测试夹具”接入只读能力，核对权限裁剪、脱敏字段和 Trace 完整性。
3. 需要写能力时先输出 dry-run 差异，再绑定审批结果与一次性动作哈希。
4. 以本文验收指标比较影子流量；达到门槛才放量，越线立即执行文中的组合回滚。

实践与资料复核日期：2026-08-22；框架 API 以锁定版本的官方文档为准。

参考资料

• 官方文档

框架 API 会持续演进，复制示例前应再次确认当前版本。可持续的 AI 工程不依赖某个模型偶尔表现出色，而依赖清晰契约、可靠 Harness 与可重复验证。