Communitygithub.com

naodeng/awesome-qa-skills

Awesome QA Skills — uma biblioteca de habilidades para Agentes de Teste de IA bilíngue (zh/en) para Codex, Cursor, Claude Code, Kiro, OpenCode e Trae. Inclui 4 fluxos de trabalho de teste e 25 habilidades do tipo teste (58 pastas de habilidades com paridade de idioma): instalável de forma independente, combinável e pronto para avaliação com skill-up. Abrange requisitos, estratégia, casos, API/desempenho/segurança.

O que é awesome-qa-skills?

Esta skill, chamada 'API Testing', faz parte do repositório Awesome QA Skills e é projetada para agentes de IA em plataformas como Codex, Cursor, Claude Code, Kiro, OpenCode e Trae. Ela fornece um fluxo de trabalho estruturado para criar planos de teste de API, casos de teste e análises de risco. Suporta vários protocolos de API, incluindo REST, GraphQL, SOAP, gRPC e WebSocket. A skill enfatiza a priorização baseada em risco/impacto nos negócios, a separação de fatos confirmados de suposições, e a produção de saídas executáveis com cenários concretos e próximos passos claros. Ela utiliza divulgação progressiva, referenciando prompts específicos (`prompts/api-testing.md`), formatos de saída (`output-formats.md`), templates (`output-templates/`), scripts (`scripts/`) e arquivos de referência (`references/`). Também inclui uma lista de verificação de pré-entrega e alertas sobre armadilhas comuns, como não fingir completude quando faltam informações e não tratar todos os itens como igualmente importantes.

Funciona com✓Claude Code✓Codex CLI✓Cursor✓OpenCode
npx skills add naodeng/awesome-qa-skills

Perguntar na sua IA favorita

Abre um novo chat com esta habilidade de agente já pré-carregada.

Documentação

Teste de API (Inglês)

中文版: Consulte a skill em Chinês correspondente.

Quando Usar

  • Precisar de um plano de teste de API, casos de teste de API ou análise de risco de API.
  • A solicitação envolve REST, GraphQL, SOAP, gRPC, WebSocket ou comportamento de API misto.

Fluxo de Trabalho

  1. Leia e siga o prompt principal listado em Divulgação progressiva (cobertura, estrutura, padrão de qualidade).
  2. Adicione apenas o contexto do projeto que altera o resultado: escopo, ambiente, restrições, riscos, dependências, entregável esperado.
  3. Se a entrada estiver incompleta, retorne um rascunho inicial utilizável e marque explicitamente as suposições e lacunas.
  4. Padrão para Markdown; altere os formatos apenas quando o usuário solicitar.

Restrições Principais

  • Priorize por risco / impacto nos negócios — não trate tudo igualmente.
  • Separe fatos confirmados de suposições atuais.
  • Não invente endpoints, campos, ambientes ou causas raiz que o usuário não forneceu.
  • Mantenha a saída executável: cenários concretos, prioridade clara, próximos passos claros.

Divulgação Progressiva

  • Antes de produzir a saída, leia e siga prompts/api-testing.md (cobertura mínima, estrutura de saída, padrão de qualidade).
  • Quando Excel/CSV/JSON/Word for solicitado: leia output-formats.md e respeite o formato.
  • Quando um modelo pronto se encaixa: use os arquivos correspondentes em output-templates/.
  • Para anotações profundas de framework/solução de problemas/esquema: leia apenas o(s) arquivo(s) relevante(s) em references/, não carregue o diretório inteiro.
  • Para conversão de formato ou verificações auxiliares: prefira scripts/ existentes em vez de reinventar.
  • Para avaliar/regredir esta skill: use evals/ com skill-up.

Lista de Verificação de Pré-entrega

  • Seguiu a estrutura de saída do prompt principal
  • Foco de cobertura mínima: endpoints ou fluxos de negócios no escopo, nível de prioridade e risco, cenários positivos, cenários negativos, cenários de limite, verificações de autenticação e permissão, validação de solicitação e resposta, tratamento de erros, ... (detalhes no prompt principal)
  • Cobriu a lista de verificação mínima ou explicou as omissões
  • Itens de alto risco têm prioridade explícita
  • Não inventou detalhes que o usuário não forneceu
  • Suposições e lacunas estão marcadas

Armadilhas Comuns

  • Não finja completude quando o escopo/contexto estiver faltando.
  • Não trate cada item como igualmente importante.
  • Não pule suposições e lacunas de informação.
  • Não despeje teoria genérica não relacionada ao conjunto de ferramentas atual.

Habilidades Relacionadas