软件发布之前，
总得有人先把住质量关
每一款软件上线前，都要回答成百上千个「如果」： 并发下单会不会超卖？优惠券到期会不会自动失效？接口异常时数据会不会错乱？
干这件事的，是软件测试工程师： 在缺陷到达用户之前发现它、定位它，再确认它被修好。
qa-skills 做的，就是让 AI 助手学会这套本事。
能写，更要能执行。
通用大模型写出的测试用例，常常看着专业、实际没法执行：
判定模糊、占位符没替换、时限没说清、入口是编的。这是能力问题，更是纪律问题。
判定模糊，无法执行
预期结果不可判定，等于没有验证：
「正常」是什么标准？谁判定？等多久算超时？
判定不了的用例，覆盖再全也计零分。
步骤精确，判定可量化
前置、步骤、预期、时限，四要素齐备：
预期：1 小时内状态自动变为「已结束」，
超过 1 小时即判失败。」
任何测试人员拿到就能执行，不用讲解。
产出标准只有一条：
任何一个没接触过这个需求的人，拿到文件就能直接执行。
背后是 8 条可执行性硬标准，评测中一票否决。
不是软件，
是一套装进 AI 的工作方法。
它由 10 个领域 Skill 和一个共享知识库（core/）组成， 全部是 Markdown 指令文件。 装进 Claude Code、DeepSeek Harness 这类编程助手，放对目录就能生效。
装上之后，AI 助手就有了资深工程师的工作纪律： 先澄清什么，依据什么排风险，哪些类型必测，哪些明确不测， 每条结论标注几级证据。
10 个领域 Skill + 共享知识库
需求分析、策略、用例、评审、执行、缺陷、回归，每个环节一个专属 Skill，按需加载。
一条自动接力的流水线
每个阶段的产出都写成文件，不靠对话记忆。中断了，新开一个对话接着跑。
关键决定，由你拍板
需求没写清的，先问你；Bug 怎么定性、预算设多少，AI 助手只提案、不代答。你的裁决会记录在案，后续不得推翻。
一句指令，从需求到报告。
对 AI 助手说「帮我测试这个需求」，从需求到报告，七个环节自动接力，每个环节都有明确的产出物。
需求分析
不懂就先问测试策略
锁定高危区域用例设计
人和机器都能读用例评审
再挑一遍错自动执行
浏览器 + 接口缺陷分析
追到出错代码回归 + 报告
证据齐全从用例到回归，
每道工序都有对应的 Skill。
每个 Skill 单独可用，也能串成完整流水线。需要哪一段，就用哪一段。
用例设计
代码优先：先读实现、审出潜在缺陷，再落笔。产出两份，markmap 脑图给人读，schema.yaml 给机器校验。
测试策略
风险评级必须给出证据；性能、安全、并发等十个类型，逐一决定测还是不测，每个决定都留下记录。说不清依据的策略，等于没有策略。
用例评审
把所有能测的点列全，作为基准逐条复审：覆盖够不够、能不能执行，直接修订文件并留下审查记录。
自动化执行
用例转成可运行的 Playwright / pytest 代码：按 Page Object 规范组织，测试数据自己造、跑完自己清。
缺陷分析
先复现，再读代码定位到出错的那一行，然后分析影响面、给出回归建议。产出的 Bug 条目带根因、带证据。
回归测试
从代码改动推算波及范围，生成回归清单。防止修一个、坏三个。
每一个数字，都来自实测。
同一批任务，同一个模型，唯一差异是装没装 qa-skills。
数字如实披露，包括不好看的那些。
用例合格率
格式与内容逐条核对
不装时 26%植入缺陷检出率
代码审查任务实测
换一套裁判评：100%自动化脚本真实跑通
真浏览器、真应用实测
不装时 0/9类型决策覆盖率
最弱模型上实测
不装时为 0也如实交代代价：Token 成本约 3.3 倍；API 通过率出现了回落（74% → 52%），因为严格校验更容易暴露失败，宽松校验容易「假通过」。 覆盖提升：写用例 +8.7pp、全任务 +13.2pp、找缺陷 +9.7pp。 完整数据见 README，每版 Release 附跨模型增益矩阵快照。
它知道，什么该由你决定。
需求有歧义，先澄清；执行走人工还是自动化，你选； Bug 怎么定性、预算上限设多少，你说了算。 这四类检查点，AI 助手只提案、不代答。
每一次裁决都记录在案，后续阶段照办，不得推翻。 拍板的，始终是你。
两步，开始。
不需要账号，不需要订阅。两条命令，一句话。
把 Skill 装进 AI 编程助手
终端里执行（macOS / Linux），也可以按 README 手动复制文件：
$ git clone https://github.com/fishzjp/qa-skills.git $ cd qa-skills && ./install.sh # 选择装到哪个助手，或 ./install.sh --auto 全自动
用 DeepSeek Harness（dsh）？插件已上架 npm，一条命令装好：
$ dsh plugin --profile web add dsh-qa-skills
对 AI 助手说一句话
像给测试同事派活一样：
需求分析、测试策略、用例设计、评审、执行、缺陷分析、回归与报告， 流水线就此跑通。只需要其中某一步，直接说需求就行，不必走全流程。