霍格沃兹测试开发学社

《Python测试开发进阶训练营》(随到随学!)
2023年第2期《Python全栈开发与自动化测试班》(开班在即)
报名联系weixin/qq:2314507862

测试报告也能自动写?用 Agent Skills 搞定质量周报

关注 霍格沃兹软件测试开发 公众号,回复「资料」, 领取人工智能测试开发技术合集

上周五下午六点,团队里一个测试组长跑来找我,表情有点崩溃。

“哥,又到写周报的时候了。JIRA里拉了300多条Bug,CI流水线跑了5天,覆盖率报告有十几份,Git提交记录几百条。我得把这些数据一条条复制粘贴到PPT里,再编一段‘本周质量总结’。每次写完都八点多了。”

我问他:“你写周报花了多少时间?”

他说:“两个多小时。关键是,写完了也没人认真看。老板翻两页,问一句‘这周有没有风险’,就结束了。”

我说:“那你有没有想过,让 Agent 替你把数据先整理好?”

他愣了一下:“周报也能自动写?”

我说:“不是自动写,是自动‘整理’。你负责判断,它负责干活。”

一、质量周报为什么这么烦?
先说说质量周报的真实痛点。

一个测试团队的质量周报,数据来源至少有五六个:JIRA/TAPD的缺陷数据、CI流水线的执行结果、覆盖率报告、Git提交记录、线上监控告警、性能测试数据。

每个数据源都在不同的系统里,格式不一样,口径不一样。 JIRA里Bug按严重等级分,CI里用例按模块分,覆盖率报告按文件分。你要把这些数据“翻译”成统一的口径,才能写进周报。

更麻烦的是,周报不是“数据罗列”,是“趋势分析” 。老板想看的不是“这周提了50个Bug”,而是“这周Bug比上周多了20%,主要集中在新上线的支付模块,原因是需求变更频繁”。

数据罗列谁都会,趋势分析才费脑子。

而 Agent Skills 能做的,就是把“数据罗列”这部分自动化,把“趋势分析”留给人。

二、核心思路:三个 Skill 串起周报流水线
我重构后的质量周报流程,核心是三个 Skill:

Skill ①:数据聚合——从各个系统拉数据,统一格式

Skill ②:趋势分析——对比历史数据,识别异常波动

Skill ③:周报生成——按模板输出结构化报告

每个 Skill 单独可用,串起来就是一条从数据到报告的自动化流水线。

人工智能技术学习交流群
伙伴们,对AI测试、大模型评测、质量保障感兴趣吗?我们建了一个 「人工智能测试开发交流群」,专门用来探讨相关技术、分享资料、互通有无。无论你是正在实践还是好奇探索,都欢迎扫码加入,一起抱团成长!期待与你交流!👇

image

三、Skill ①:数据聚合——把散落的数据“归一”
这个 Skill 的核心任务是:把不同系统的数据拉下来,统一成一份结构化的 JSON。

SKILL.md 设计

name: quality-data-collector
description: 从JIRA、GitLab CI、覆盖率报告、Git提交记录中采集质量数据,统一输出为结构化JSON。当用户提到“采集质量数据”“拉取周报数据”“汇总测试结果”时触发。
when_to_use: 需要生成本周质量报告时,先运行此Skill采集数据。
allowed-tools: Bash, Read, Write

正文写清楚数据源和采集逻辑:

任务

从以下数据源采集本周质量数据,输出统一格式的JSON文件。

数据源

  1. JIRA/TAPD:本周新增Bug、已修复Bug、未修复Bug,按严重等级分组
  2. GitLab CI:本周流水线执行次数、成功率、平均执行时长
  3. 覆盖率报告:本周覆盖率变化、未覆盖模块列表
  4. Git提交:本周提交次数、涉及模块、代码变更行数

执行步骤

步骤1:调用脚本拉取数据

运行 scripts/collect_data.py,脚本会调用各系统API,输出 raw_data.json。

步骤2:数据清洗与归一

  • 统一Bug严重等级:P0/P1/P2/P3
  • 统一模块命名:将各系统中的模块名映射到标准模块名
  • 统一时间口径:按本周一至本周日统计

步骤3:输出结构化数据

输出 weekly_data.json,包含:

  • 缺陷统计:新增/修复/未修复,按等级和模块分组
  • 流水线统计:执行次数、成功率、平均耗时
  • 覆盖率变化:整体覆盖率、模块覆盖率、变化趋势
  • 代码变更:提交次数、涉及模块、变更行数

注意事项

  • API调用失败时重试3次,仍失败则记录到 errors.log
  • 数据缺失时标注“数据缺失”,不要臆造
  • 所有时间戳统一为北京时间
    配套脚本
    scripts/collect_data.py 负责实际的数据拉取。核心逻辑:

import requests
import json
from datetime import datetime, timedelta

def collect_jira_data():
"""从JIRA拉取本周Bug数据"""
start_date = (datetime.now() - timedelta(days=7)).strftime("%Y-%m-%d")
# 调用JIRA API,拉取本周新增和修复的Bug
# 返回结构化数据
pass

def collect_ci_data():
"""从GitLab CI拉取本周流水线数据"""
# 调用GitLab API,拉取本周流水线执行记录
pass

def collect_coverage_data():
"""解析覆盖率报告"""
# 读取coverage.xml,提取覆盖率数据
pass

def main():
data = {
"jira": collect_jira_data(),
"ci": collect_ci_data(),
"coverage": collect_coverage_data(),
}
with open("raw_data.json", "w") as f:
json.dump(data, f, ensure_ascii=False, indent=2)

if name == "main":
main()
这个 Skill 的价值在于:把“人工从五个系统里复制粘贴”变成了“一条命令拉取所有数据”。

四、Skill ②:趋势分析——从“数据”到“洞察”
数据聚合完了,但一堆数字堆在一起,没人看得懂。这个 Skill 负责把数据变成“洞察”。

SKILL.md 设计

name: quality-trend-analyzer
description: 基于本周质量数据,对比历史数据,识别异常波动和风险趋势。当用户提到“分析质量趋势”“对比周数据”“识别质量风险”时触发。
when_to_use: 数据聚合完成后,运行此Skill生成趋势分析。

正文要求 Agent 做三件事:

任务

基于 weekly_data.json 和 history_data.json,分析本周质量趋势,输出洞察结论。

分析维度

  1. 缺陷趋势:本周Bug数量对比上周,是上升还是下降?主要增量在哪个模块?
  2. 修复效率:本周修复的Bug数量 vs 新增数量,修复率是多少?
  3. 流水线健康度:CI成功率对比上周,失败主要集中在哪些用例?
  4. 覆盖率变化:整体覆盖率是上升还是下降?哪些模块覆盖率明显下降?
  5. 风险预警:识别异常信号,例如:某模块Bug激增、覆盖率骤降、CI失败率突升。

输出格式

  • 趋势总结:3-5条核心结论
  • 风险预警:每条风险附数据支撑和建议关注点
  • 对比表格:本周 vs 上周关键指标
    这个 Skill 的核心价值是“对比”。 单看本周数据没意义,跟上周、上上周对比,才能看出趋势。

五、Skill ③:周报生成——按模板输出
最后一个 Skill,把趋势分析变成一份可读的周报。

SKILL.md 设计

name: quality-weekly-report
description: 基于质量数据和趋势分析,生成结构化质量周报。当用户提到“生成周报”“输出质量报告”“写质量总结”时触发。
when_to_use: 数据聚合和趋势分析完成后,运行此Skill生成最终周报。

正文定义周报模板:

任务

基于 weekly_data.json 和 trend_analysis.json,生成质量周报。

周报结构

一、本周概况

  • 测试执行:用例总数、通过率、失败数
  • 缺陷统计:新增/修复/未修复,按等级分布
  • 覆盖率:整体覆盖率、变化趋势

二、重点风险

  • 风险描述
  • 数据支撑
  • 建议关注点

三、模块质量排名

  • 按缺陷密度排序
  • 按覆盖率变化排序

四、下周计划

  • 重点测试模块
  • 需要补充的测试场景

输出格式

Markdown文档,可直接复制到飞书/钉钉/邮件。

注意事项

  • 不要罗列所有数据,只展示关键指标
  • 风险描述要具体,不要写“建议加强测试”这种空话
  • 所有结论必须有数据支撑
    关键原则:周报不是数据导出,是决策辅助。 老板看周报,不是想知道“这周提了多少Bug”,而是想知道“这周质量有没有风险、下周该关注什么”。

六、把三个 Skill 串起来
在 CI 里配置一个定时任务,每周五下午自动运行:

weekly-report:
stage:report
script:
-claude--skillquality-data-collector--outputweekly_data.json
-claude--skillquality-trend-analyzer--inputweekly_data.json--outputtrend_analysis.json
-claude--skillquality-weekly-report--inputweekly_data.json,trend_analysis.json--outputweekly_report.md
-pythonscripts/send_to_feishu.pyweekly_report.md
only:
-schedules
跑通之后,每周五下午,飞书群里自动弹出一份质量周报。测试组长只需要花10分钟审核,确认没有误判,然后转发给老板。

七、实测数据
我们团队用了两个月,数据对比:

指标
传统方式
Skill 流水线
数据采集
40分钟
2分钟
趋势分析
30分钟
3分钟
周报撰写
50分钟
5分钟
人工审核
10分钟
10分钟
总计
2小时10分钟 20分钟
最关键的改变不是“快了”,是“数据口径统一了”。 以前每个人写周报,口径都不一样。现在三个 Skill 固定了数据采集和分析逻辑,谁跑出来的结果都一样。

八、避坑指南
坑一:Skill 粒度拆得太细。 数据采集、趋势分析、报告生成,三个 Skill 刚好。拆成五个以上,AI 就不知道该用哪个了。

坑二:description 写得太空。 “帮助生成周报”——等于没写。要写清楚触发条件:用户提到“生成周报”“输出质量报告”时触发。

坑三:SKILL.md 超过 500 行。 详细的周报模板放到 references/weekly-template.md,SKILL.md 只留核心流程。

坑四:指望全自动,不设人工复核。 AI 趋势分析是“预判”,不是“判决”。我们永远在流程末尾设一个人工审核节点。AI 负责把数据整理好,人负责确认结论是否合理。

坑五:不做 Skill 的回归测试。 模型版本一变,Skill 行为可能漂移。用 skill-up 给 Skill 写评测用例,每次修改后跑一遍,确保输出格式和逻辑不变。

最后
质量周报不是“写给老板看的文档”,是“团队质量管理的工具”。

以前写周报,是“数据搬运工”——从五个系统里复制粘贴,拼成一份PPT。现在写周报,是“质量分析师”——审核 AI 整理好的数据,确认风险判断是否准确。

Agent Skills 把“搬运”自动化了,把“分析”留给了人。

下次又到写周报的时候,别打开 JIRA 了。让三个 Skill 跑一遍,你只需要花十分钟审核。

你不需要再当数据搬运工。你只需要当那个做判断的人。

推荐学习
智能化测试-测试用例生成公益训练营,从行业大模型特性讲起,带你搞懂AI测试的全链路:大模型能力评测、智能体Harness工程、Skill技能体系、CLI与MCP工具体系、RAG知识图谱——最后直接上手打造一个能自动生成测试用例的智能体。

image

关于我们
霍格沃兹测试开发学社,隶属于 测吧(北京)科技有限公司,是一个面向软件测试爱好者的技术交流社区。

学社围绕现代软件测试工程体系展开,内容涵盖软件测试入门、自动化测试、性能测试、接口测试、测试开发、全栈测试,以及人工智能测试与 AI 在测试工程中的应用实践。

我们关注测试工程能力的系统化建设,包括 Python 自动化测试、Java 自动化测试、Web 与 App 自动化、持续集成与质量体系建设,同时探索 AI 驱动的测试设计、用例生成、自动化执行与质量分析方法,沉淀可复用、可落地的测试开发工程经验。

在技术社区与工程实践之外,学社还参与测试工程人才培养体系建设,面向高校提供测试实训平台与实践支持,组织开展 “火焰杯” 软件测试相关技术赛事,并探索以能力为导向的人才培养模式,包括高校学员先学习、就业后付款的实践路径。

同时,学社结合真实行业需求,为在职测试工程师与高潜学员提供名企大厂 1v1 私教服务,用于个性化能力提升与工程实践指导。

posted @ 2026-10-08 17:34  霍格沃兹测试开发学社  阅读(19)  评论(0)    收藏  举报