القائمة
当用户要求测试、验证、回归、跑测试，检查上次 agent 产出，或指定项目进行测试时使用；“测试一下”、 “验证 agent 产出”等说法也触发本技能。
يُحدَّد Prompt الذي يراجع المصدر أولًا بشكل افتراضي. يمكنك التبديل إلى أمر مباشر أو تنزيل نسخة محلية.
اقرأ SKILL.md وأي ملفات مرافقة يعرضها SkillsMP قبل أن تقرر التثبيت.
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
يتجاوز الأمر المباشر Prompt المخصّص للمراجعة. افحص المصدر قبل تشغيله.
npx skills add https://github.com/ZhangXin8069/configure --skill testيبقى الأمر في سطر واحد. مرّر أفقيًا لمراجعته كاملًا قبل النسخ.
تفضّل نسخة محلية؟ نزّل الملفات المتاحة حاليًا لدى SkillsMP.
عرض SKILL.md
| name | test |
| description | 当用户要求测试、验证、回归、跑测试，检查上次 agent 产出，或指定项目进行测试时使用；“测试一下”、 “验证 agent 产出”等说法也触发本技能。 |
| metadata | {"openclaw":{"emoji":"🧪"}} |
遵循当前目录 AGENTS.md「技能执行公共契约」；仅按需读取技能正文与 reference。
对目标项目执行可复现、证据驱动的系统化测试：解析测试对象（默认上次 agent 生成的工作， 可指定）、制定通过标准、逐项执行并保存全部证据；失败按 debug 循环修复、通过按 optim 循环优化； 支持设备切换（GPU/CPU/NPU）与多精度切换（默认单精度）。
.agent.*.list（用户输入清单）
与 Git 最近提交/未提交改动推断工作内容与产物；用户可随时指定测试项目。按以下优先级推断（仅在当前工作目录内收集证据）：
.agent.*.list（用户输入清单，格式参考 .agent.*.list 最新一份）：ls -1t .agent.*.list 2>/dev/null | head -3 # 最近用户输入清单
cat "$(ls -1t .agent.*.list 2>/dev/null | head -1)" # 读最近一份（含任务描述）
清单内每条用户输入即任务描述：上次任务做了什么、涉及哪些文件/功能，即默认测试对象。 2. Git 最近提交与工作树改动：
git log --oneline -5
git show --stat HEAD | head -30 # 最近提交新增/修改的产物文件
综合以上证据形成测试对象清单（被测文件/功能 + 预期行为 + 通过标准）， 在终端摘要中说明任务定义，并向用户输出确认。
无法确定时：一次性列出全部候选对象（最近清单/Git 提交或改动中出现的文件），向用户提问，不逐次追问。
{~test <对象>} 或直接说明（"测试 bin/agent.sh"、"测试上次的优化改动"），
按用户指定执行；对象为具体文件/功能/改动区间（如 git commit/tag 区间）。# GPU（CUDA）
nvidia-smi -L 2>/dev/null && nvidia-smi --query-gpu=name,memory.total --format=csv,noheader
python3 -c "import cupy; print('cupy', cupy.__version__, 'devices', cupy.cuda.runtime.getDeviceCount())" 2>/dev/null
python3 -c "import torch; print('torch', torch.__version__, 'cuda' if torch.cuda.is_available() else 'cpu')" 2>/dev/null
# NPU（如华为昇腾，可用时列为候选）
python3 -c "import torch_npu; print('torch_npu available')" 2>/dev/null || echo "NPU: not available"
# CPU 核数
nproc
TEST_DEVICE=cuda|cpu|npu（默认 cuda 可用则 cuda，否则 cpu），
或测试配置传入；设备选定后仅写入产物元数据。TEST_PRECISION=fp32|fp64|fp16 切换（fp16 仅当设备支持时用，
注意数值范围与溢出风险）。dtype=float32 等）。_fp32.npy，或伴随元数据 JSON）；arr.astype(np.float32)），转换规则显式记录；rtol=1e-5, atol=1e-7；
fp64 可收紧；fp16 放宽），容差与比较结果一并记录；git rev-parse --is-inside-work-tree && git rev-parse --abbrev-ref HEAD && git log -1 --oneline
bash -n <被测脚本> # shell 脚本语法校验
# 设备探测与精度设置（见「设备与精度管理」），在终端摘要中说明
逐项执行测试计划；每个测试项：
exit=N；test_out/intermediate/（含 dtype/设备标注），
保存记录在终端摘要中说明；存在失败项时，按 debug 技能方法论循环处理：
审视优化空间（执行速度、资源占用、精度稳定性），按 optim 技能方法论循环：
test_out/results/（含 dtype/设备标注与元数据）；test_out/figures/（如错误随迭代收敛图、GPU/CPU 性能对比图、
多精度误差对比图等）；项目无图表需求时注明"无图表"；✓ 测试完成
对象: <测试对象任务定义，如 bin/agent.sh 用户输入记录功能>
环境: <git 分支/HEAD> | <设备: cuda:0 RTX4090 / cpu / npu> | <精度: fp32>
计划: <N 项测试> 通过 <M> 失败 <K>（跳过 <S>: 原因）
debug: <N 次迭代>（修复: <文件:行号> <说明>，无则省略）
optim: <N 次迭代>（基线 → 优化后，收益量化，无则省略）
产物: test_out/intermediate/ (N 文件), test_out/results/ (N 文件), test_out/figures/ (N 图)
遗留: <未覆盖项/风险/待用户确认项，无则省略>
声明前自检（证据先于断言）：输出上述"通过 M"前，逐项核对 M 个通过项均有本次会话的运行输出（退出码/数值）为证；缺失证据的项改为"未验证"或补跑后更新。
| 场景 | 处理 |
|---|---|
| 测试对象无法确定 | 一次性列出全部候选（最近 .list/Git 提交或改动中的文件）提问确认，不逐次追问 |
无 .agent.*.list 且无 Git | 报告无证据，要求用户指定测试对象 |
| 指定对象不在工作目录 | 先向用户确认路径与访问权限（一次问全），不越界访问 |
| 无 GPU | 报告并 CPU 执行；注明精度限制（fp64 可用性等） |
| NPU 探测到但生态不熟 | 列为候选，经用户确认后使用 |
| 无 Python/CuPy/Torch | 报告；纯 shell 项目用 bash -n + 功能测试验证 |
| 测试失败 | 进入 debug 循环（复现→定位→最小修复→回归），循环直至成功或用户终止 |
| 多次 debug 迭代仍失败 | 检查证据是否不足或方向错误；向用户报告进展与下一步，不无限循环 |
| 优化收益微小 | 报告权衡（复杂度 vs 收益），由用户决定取舍 |
| fp16 溢出/精度不足 | 报告并回退 fp32；记录容差与误差 |
| 跨精度比较失败 | 核对容差设置与 dtype 转换路径，修正后重测 |
| 数据读写精度不一致 | 显式记录 dtype、统一转换规则（astype + 容差），复测 |
| 非数值项目 | 设备/精度项标注"不适用（非数值项目）"，跳过不报错 |
| 产物目录已存在 | 时间戳/序号命名避免覆盖（如 test_out_2/），不覆盖已有产物 |
| 测试对象本身有 bug | 先 debug 修复再继续测试；Git 改动按公共契约检查，不自动提交或推送 |