Communitygithub.com

browser-qa

Utiliza esta habilidad para automatizar pruebas visuales y verificar interacciones de UI mediante automatización del navegador tras desplegar funcionalidades.

¿Qué es browser-qa?

Este skill (browser-qa) automatiza pruebas visuales y de interacción en aplicaciones web usando herramientas de automatización del navegador como claude-in-chrome, Playwright o Puppeteer. Está diseñado para ejecutarse después del despliegue de una funcionalidad en entornos de staging o preview, y cubre cuatro fases: smoke test (errores de consola, peticiones 4xx/5xx, Core Web Vitals), interacciones (navegación, formularios, flujos de autenticación), regresión visual (comparación de capturas en múltiples viewports) y accesibilidad (WCAG 2.2 AA). El skill prioriza la seguridad: por defecto es de solo lectura, no ejecuta acciones mutantes (como pagos o eliminaciones) contra URLs de producción sin un consentimiento explícito, y requiere credenciales de prueba, nunca reales. Además, integra un formato claro de reporte QA con veredictos (SHIP / SHIP WITH FIXES / DO NOT SHIP) y puede combinarse con otros skills como /canary-watch para monitoreo posterior al despliegue.

Compatible con✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/affaan-m/ECC/tree/main/skills/browser-qa

Preguntar en tu IA favorita

Abre un nuevo chat con esta habilidad de agente ya precargada.

Documentación

Browser QA — Pruebas Visuales e Interacción Automatizadas

Cuándo Usarlo

  • Después de desplegar una funcionalidad en staging/preview
  • Cuando necesites verificar el comportamiento de la interfaz en diferentes páginas
  • Antes de lanzar — confirma que layouts, formularios e interacciones realmente funcionan
  • Al revisar PRs que toquen código frontend
  • Auditorías de accesibilidad y pruebas responsive

Cómo Funciona

Utiliza el MCP de automatización del navegador (claude-in-chrome, Playwright o Puppeteer) para interactuar con páginas en vivo como un usuario real.

Seguridad ante todo — radio de acción (ejecutar solo lectura por defecto)

Browser QA maneja autenticación real y recorridos reales de usuario, así que trata el radio de acción de forma explícita. Por defecto: solo lectura: nunca ejecutes un recorrido mutante (compra, pago, eliminación, actualización masiva) contra una URL de producción — requiere un consentimiento explícito y una URL de staging/preview. Usa credenciales de prueba, nunca inicios de sesión reales de producción, y redacta credenciales/tokens/PII antes de guardar cualquier captura.

Fase 1: Smoke Test

1. Navegar a la URL objetivo
2. Verificar errores en la consola (filtrar ruido: analítica, terceros)
3. Verificar que no haya 4xx/5xx en las peticiones de red
4. Captura de pantalla de la zona visible en escritorio + viewport móvil
5. Verificar Core Web Vitals: LCP < 2,5s, CLS < 0,1, INP < 200ms
   (INP reemplazó FID en marzo de 2024; umbrales según web.dev)

Fase 2: Prueba de Interacción

1. Hacer clic en cada enlace de navegación — verificar que no haya enlaces rotos
2. Enviar formularios con datos válidos — verificar estado de éxito
3. Enviar formularios con datos inválidos — verificar estado de error
4. Probar flujo de autenticación: iniciar sesión → página protegida → cerrar sesión (solo credenciales de prueba, nunca producción)
5. Probar recorridos críticos de usuario (compra, incorporación, búsqueda)
   — solo lectura por defecto; solo ejecuta recorridos mutantes contra staging
     con consentimiento explícito (ver "Seguridad ante todo" arriba)

Fase 3: Regresión Visual

1. Capturar pantallas de páginas clave en 3 puntos de quiebre (375px, 768px, 1440px)
2. Comparar contra capturas base confirmadas
   — sin captura base ⇒ reportar INCONCLUSIVO, nunca un PASO silencioso
3. Marcar desplazamientos de diseño > 5px, elementos faltantes, desbordamiento
4. Verificar modo oscuro si corresponde

Fase 4: Accesibilidad

1. Ejecutar axe-core o equivalente en cada página
2. Marcar violaciones WCAG 2.2 AA (contraste, etiquetas, orden de enfoque)
3. Verificar que la navegación por teclado funcione de extremo a extremo
4. Revisar puntos de referencia del lector de pantalla

Nota: axe-core cubre automáticamente aproximadamente el 30–40% de WCAG. Una ejecución limpia es necesaria, no suficiente — la navegación por teclado, el orden de enfoque y una pasada con lector de pantalla todavía necesitan una verificación manual. No reportes como "accesible" solo desde una pasada automatizada.

Formato de Salida

## Informe QA — [URL] — [marca de tiempo]

### Smoke Test
- Errores de consola: 0 críticos, 2 advertencias (ruido de analítica)
- Red: todo 200/304, sin fallos
- Core Web Vitals: LCP 1,2s ✓, CLS 0,02 ✓, INP 89ms ✓

### Interacciones
- [✓] Enlaces de navegación: 12/12 funcionando
- [✗] Formulario de contacto: falta estado de error para correo inválido
- [✓] Flujo de autenticación: inicio/cierre de sesión funcionando

### Visual
- [✗] La sección Hero se desborda en viewport de 375px
- [✓] Modo oscuro: todas las páginas consistentes

### Accesibilidad
- 2 violaciones AA: falta texto alternativo en la imagen Hero, bajo contraste en enlaces de pie de página

### Veredicto: LANZAR CON CORRECCIONES (2 problemas, 0 bloqueantes)
# veredicto ∈ LANZAR / LANZAR CON CORRECCIONES / NO LANZAR; usar INCONCLUSIVO si no hay línea base visual

Integración

Funciona con cualquier MCP de navegador:

  • Herramientas mChild__claude-in-chrome__* (preferido — usa tu Chrome real)
  • Playwright mediante mcp__browserbase__*
  • Scripts directos de Puppeteer

Combínalo con /canary-watch para monitoreo posterior al despliegue.

Individual skills in this repo

This repo contains 20 individual skills — each has its own dedicated page.

accessibility

Design, implement, and audit inclusive digital products using WCAG 2.2 Level AA. Use when building or auditing UI that must meet WCAG 2.2 Level AA, or when reviewing a change for keyboard, contrast, or screen-reader support.

affaan-m/content-engine

Create platform-native content systems for X, LinkedIn, TikTok, YouTube, newsletters, and repurposed multi-platform campaigns. Use when the user wants social posts, threads, scripts, content calendars, or one source asset adapted cleanly across platforms.

affaan-m/ECC

Multi-platform content distribution across X, LinkedIn, Threads, and Bluesky. Adapts content per platform using content-engine patterns. Never posts identical content cross-platform. Use when the user wants to distribute content across social platforms.

affaan-m/fal-ai-media

Unified media generation via fal.ai MCP — image, video, and audio. Covers text-to-image (Nano Banana), text/image-to-video (Seedance, Kling, Veo 3), text-to-speech (CSM-1B), and video-to-audio (ThinkSound). Use when the user wants to generate images, videos, or audio with AI.

affaan-m/manim-video

日本語翻訳:このファイルは manim-video 用の日本語翻訳が必要です

affaan-m/remotion-video-creation

Remotion のベストプラクティス - React で動画を作成する。3D、アニメーション、音声、字幕、チャート、トランジションなどをカバーするドメイン固有の29のルール。

affaan-m/video-editing

AI-assisted video editing workflows for cutting, structuring, and augmenting real footage. Covers the full pipeline from raw capture through FFmpeg, Remotion, ElevenLabs, fal.ai, and final polish in Descript or CapCut. Use when the user wants to edit video, cut footage, create vlogs, or build video content.

agent-architecture-audit

Full-stack diagnostic for agent and LLM applications. Audits the 12-layer agent stack for wrapper regression, memory pollution, tool discipline failures, hidden repair loops, and rendering corruption. Produces severity-ranked findings with code-first fixes. Essential for developers building agent applications, autonomous loops, or any LLM-powered feature. Use when an agent or LLM feature misbehaves and the failing layer is unknown, or before shipping an agent stack.

agent-eval

Head-to-head comparison of coding agents (Claude Code, Aider, Codex, etc.) on custom tasks with pass rate, cost, time, and consistency metrics. Use when choosing between coding agents, or when a change to an agent setup needs measured pass rate, cost, and time rather than an impression.

agent-harness-construction

Design and optimize AI agent action spaces, tool definitions, and observation formatting for higher completion rates. Use when defining or revising an agent

agentic-engineering

Operate as an agentic engineer using eval-first execution, decomposition, and cost-aware model routing. Use when planning or executing engineering work that agents will carry out end to end.

agentic-os

Build persistent multi-agent operating systems on Claude Code. Covers kernel architecture, specialist agents, slash commands, file-based memory, scheduled automation, and state management without external databases. Use when building a persistent multi-agent system on Claude Code with its own memory, commands, and scheduling.

agent-introspection-debugging

Structured self-debugging workflow for AI agent failures using capture, diagnosis, contained recovery, and introspection reports. Use when an agent run fails and you need a reproducible diagnosis instead of a retry.

agent-payment-x402

Add x402 payment execution to AI agents with per-task budgets, spending controls, and non-custodial wallets. Supports Base through agentwallet-sdk and X Layer through OKX Payments / OKX Agent Payments Protocol. Use when an agent must pay for something itself and needs per-task budgets, spending controls, and a non-custodial wallet.

agent-self-evaluation

Use after completing any non-trivial task. The agent self-rates its output on 5 axes — accuracy, completeness, clarity, actionability, conciseness — with concrete evidence per criterion. Produces a structured 1-5 scorecard with specific improvement suggestions.

agent-sort

Build an evidence-backed ECC install plan for a specific repo by sorting skills, commands, rules, hooks, and extras into DAILY vs LIBRARY buckets using parallel repo-aware review passes. Use when ECC should be trimmed to what a project actually needs instead of loading the full bundle.

ai-first-engineering

Engineering operating model for teams where AI agents generate a large share of implementation output. Use when setting team process, review gates, or ownership rules for a codebase largely written by agents.

ai-regression-testing

Regression testing strategies for AI-assisted development. Sandbox-mode API testing without database dependencies, automated bug-check workflows, and patterns to catch AI blind spots where the same model writes and reviews code. Use when adding regression coverage to AI-assisted code, or when the same model both wrote and reviewed a change.

android-clean-architecture

Clean Architecture patterns for Android and Kotlin Multiplatform projects — module structure, dependency rules, UseCases, Repositories, and data layer patterns. Use when structuring modules, layers, or data flow in an Android or KMP project.

angular-developer

Generates Angular code and provides architectural guidance. Trigger when creating projects, components, or services, or for best practices on reactivity (signals, linkedSignal, resource), forms, dependency injection, routing, SSR, accessibility (ARIA), animations, styling (component styles, Tailwind CSS), testing, or CLI tooling.

Skills relacionados