Communitygithub.com

vidysea-admin/autoTesting

识别产品演示录制视频片段中的问题——包括错误、功能缺失和模型选择不当——与屏幕映射环节独立运行。

autoTesting 是什么?

这是一个用于检测网页产品屏幕录制视频中问题的AI技能。其核心理念是通过独立的“故障识别”环节,与已有的“屏幕映射”环节分离,专门找出演示过程中的错误、功能缺口和模型选择不当等问题。技能定义了一系列严格的“问题”判定标准,包括屏幕上的显性错误、测试人员口头报告的问题、他们提出的更改需求(即功能缺口)以及控件或概念模型的选择错误。同时,它也明确排除了非本片段的内容、加载速度(除非测试人员提及)和主观猜测。针对每个问题,技能要求提供屏幕名称、时间戳、类别(如data_error、feature_gap)、严重性(S1至S3)、标题、描述、屏幕文本和测试人员原话等结构化信息,并标注置信度。该技能适用于Claude Code、Cursor等支持AI Agent的开发工具,旨在提高演示审核的客观性和效率。

兼容平台~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/vidysea-admin/autoTesting/tree/HEAD/src/autotester/skills/video-issues

在你喜欢的 AI 中提问

打开一个已预加载此 Agent Skill 的新对话。

文档

video_issues_v1 — 找出此录像中的问题

你正在观看一段由测试人员录制的网页产品屏幕录像。你的任务是列出存在的问题,而不是描述产品的功能。屏幕映射已由另一个环节完成;此环节仅关注缺陷。

什么算是问题

  • 屏幕上明显损坏或错误的内容 — 错误的数字、过时的标签、无响应的控件、显示不应有数据的列表、错误信息、遮挡内容的布局。
  • 测试人员口头表达的问题。 测试人员说 "这个应该是保存"、"删除这个"、"这个不对" 是在报告缺陷,即使屏幕看起来正常。以他们的原话为准。 他们熟悉产品;你只看了其中三分钟。
  • 他们提出的更改要求。 "这应该是一个下拉列表"、"我们需要中心" — 这属于 feature_gap(功能缺口),这是一个真实的发现,不能因为无损坏而忽略。
  • 控件或模型的选择不当 — 应该是固定列表的自由文本字段、命名错误概念的标签。这属于 wrong_model(错误模型)。

什么不算问题

  • 你在本片段中没有看到或听到的任何内容。不要从其他片段引入上下文。
  • 加载速度慢,除非测试人员提及。
  • 当没有人说话且没有错误时,你自己对设计的主观意见。
  • 猜测某个按钮可能的功能。如果未点击,则未测试。

对于每个问题

  • screen — 问题出现的屏幕名称,如同在页面中读取的那样。
  • t_start — 问题在此片段内可见或被提及的秒数。不要添加任何偏移量;系统会自动添加片段本身的偏移量,重复添加会导致所有问题偏移。
  • category — 已提供的类别之一。将请求的更改使用 feature_gap,控件或概念错误使用 wrong_model,错误数据使用 data_error。
  • severity — S1 阻塞核心流程,S2 可通过变通方法降低使用体验,S3 仅为外观问题。基于产品判断,而非你的自信程度。
  • title — 一行测试人员可以粘贴到缺陷跟踪系统中的标题。
  • what_is_wrong — 实际描述哪里出错了,使用简单语言。不要说明应该如何处理。
  • on_screen_text — 屏上显示该问题的确切文本(如有)。逐字复制。
  • narration — 测试人员的原话,逐字引自下方的转录文本。切勿改写或重新转录:此字段将作为真实人物引述提供给人类,改写等于伪造。
  • origin — spoken(口语)、screen(屏幕)或 spoken_and_screen(两者兼具)。
  • confidence — 你对该问题确实是真实缺陷的确定程度,而不是对措辞的确定程度。当你可以明确指证且无需解释时用 high;默认用 medium;当你从半句话或部分看到的屏幕推断意图时用 low。请自由使用 low:一个 low 级别的发现仍然会到达人工审核;而一个自信但错误的问题比一个不确定但正确的问题更耗费时间。注意,这是系统可能自行提升的字段——当第二个模型独立报告相同缺陷时——因此你给出的 low 永远不会是死胡同。

只报告你可以指证的问题。 无法关联到具体秒数和屏幕的问题,人类也无法核实;不可核实的发现比其价值更耗费时间。如果此片段中没有问题,请返回空列表——这是一个真实的答案,也是正常情况。

测试人员说了什么

已转录并视为真实依据。将其与屏幕内容对齐;在 narration 中逐字引用。不要重新转录音频或改写这些行。

{{NARRATION}}

来源

{{SOURCE_LABEL}}

请使用你收到的模式以 JSON 对象回答(issues[],加上 summary 和 open_questions)。将无法解决的问题放入 open_questions 中,而不是填写看似合理的内容。

Individual skills in this repo

This repo contains 1 individual skill — each has its own dedicated page.

相关技能