这个 Skill 解决什么具体问题
每次写单元测试都像在重复劳动——分析代码、构思用例、手写断言。更烦的是，不同项目风格不同，团队标准总得时刻记在脑子里。
你需要的是一个可复用的 AI 技能：把“写测试”这件事拆成稳定步骤，封装成一份 SKILL.md，让 agent 每次执行时输出一样质量的结果。
Superpowers 项目的核心就是这个思路：用结构化描述定义 agent 的能力边界和工作流程，不再靠零散的 prompt 碰运气。
触发条件和适用场景
- 触发条件：你提交了一个
.py文件，或者手动调用@skill test-gen。 - 适用场景：
- 新功能开发后需要测试覆盖
- 重构前需要保住现有行为
- 代码审查时快速补测试
不适用的场景：UI 测试（需要浏览器驱动）、大型遗留系统（上下文超出 token 限制）。
完整 Skill 结构（SKILL.md 示例）
Superpowers 的方法论鼓励把技能写成 SKILL.md，包含 trigger、role、steps、output schema。下面是让你直接复用的模板：
# Skill: test-gen
## Trigger
当用户要求“生成测试”或提交代码时触发。
## Role
你是一个资深测试工程师，熟悉 pytest，遵循 Given-When-Then 风格。
## Steps
1. 读取目标文件，识别所有函数和类方法。
2. 对每个公共函数：
- 确定输入参数类型和返回值类型
- 列出至少 3 个边界值
- 写一个参数化测试用例（pytest.mark.parametrize）
3. 对类方法：模拟外部依赖（mock），只测业务逻辑。
4. 输出为 `test_<module>.py`，遵循项目现有的 conftest 配置。
## Output Schema
- 文件名：`test_<original_file>`
- 文件内容：完整的 pytest 代码，包含必要的 import为什么这样写有效？ 关键是 Role + Steps + Output Schema 三位一体。Role 限定行为边界，Steps 分解原子操作，Output Schema 固定结果格式。差 Prompt 经常缺一，导致输出不稳定。
差 Prompt vs 好 Prompt
差 Prompt（直接问）：
给下面代码写测试：
def add(a, b):
return a + b输出结果可能是单边断言、缺少 import、或者连参数类型都不考虑。
好 Prompt（基于 SKILL.md 的触发指令）：
@skill test-gen
目标代码：
def divide(a, b):
if b == 0:
raise ValueError("b cannot be zero")
return a / b输出的完整测试：
import pytest
from my_module import divide
@pytest.mark.parametrize("a,b,expected_exception", [
(10, 2, None), # 正常
(0, 5, None), # 零被除数
(5, 0, ValueError), # 除数为零
(-1, 2, None), # 负数
])
def test_divide(a, b, expected_exception):
if expected_exception:
with pytest.raises(expected_exception):
divide(a, b)
else:
assert divide(a, b) == a / b对比效果：差 prompt 几乎不会主动列边界值，好 prompt 因为 Steps 里写了“至少 3 个边界值”，agent 自然会覆盖零值、负数、异常。这就是结构化流程的力量。
实际案例演示
假设你有一个 user_service.py，包含一个注册方法：
class UserService:
def register(self, email, password):
if len(password) < 8:
raise ValueError("Password too short")
if "@" not in email:
raise ValueError("Invalid email")
# ...save to DB...
return User(email)触发 @skill test-gen 后，agent 依据 SKILL.md 的步骤输出：
import pytest
from unittest.mock import MagicMock, patch
from user_service import UserService
class TestUserService:
@pytest.mark.parametrize("email,password,expected", [
("test@example.com", "pass1234", None), # 正常
("test@example.com", "short", ValueError), # 密码太短
("noatsign.com", "password123", ValueError), # 邮箱无效
("", "password123", ValueError), # 空邮箱
])
def test_register(self, email, password, expected):
svc = UserService()
with patch.object(svc, '_save') as mock_save:
if expected:
with pytest.raises(expected):
svc.register(email, password)
mock_save.assert_not_called()
else:
result = svc.register(email, password)
assert result.email == email
mock_save.assert_called_once()注意里的 patch.object(svc, '_save') —— 这来自 Steps 中“模拟外部依赖”的指令。差 prompt 基本不会主动 mock 数据库。
复用和组合技巧
- 绑定到 Git Hook：在
pre-push钩子中调用@skill test-gen，对变更文件自动生成测试。 - 组合技能：先
@skill code-review审查代码，再@skill test-gen生成测试，最后@skill lint-fix格式化。把三个 SKILL.md 用 workflow 串联。 - 微调输出风格：在 SKILL.md 的 Output Schema 中增加
## Code Style段落，指定团队约定（如 pytest 使用 plain assert 还是 unittest）。 - 变体用法：将 SKILL.md 中的 Role 改为“初级开发”，Steps 减少到只生成 happy path 测试，用于快速覆盖率摸底。
# .superworks/skills/test-gen-lite/skill.yaml
trigger: "@skill test-lite"
role: 初级开发
steps:
- 对每个函数写一个最简测试（仅正常路径）
- 只使用 assert 单值，不用 parametrize这个轻量版可以配合 CI 的 pytest --cov 快速提升代码覆盖率，减少阻塞。
一句话收尾：别每次都从头写 prompt，把重复逻辑封装进 SKILL.md，让 AI 变成你的稳定外包队员。