graph-driven-testing

name	graph-driven-testing
description	基于 Neo4j 架构图谱的测试盲区诊断、自动化用例生成与 Trace 闭环验证技能。每当用户询问“系统测试是否完整”、“如何补齐覆盖率”、“目前的盲区在哪里”或提到代码与需求的对齐关系时，必须使用此技能进行图谱诊断。

🧪 图谱驱动测试技能 (Graph-Driven Testing Skill)

核心理念: 测试不再是盲目的覆盖率游戏，而是基于 Digital Twin (Neo4j) 的精准补全。每个测试必须关联一个需求节点 REQ 和一个架构节点 AAA。

🕸️ Graph Ontology Integration

本技能依赖于以下图谱关系：

• (REQ:Requirement)-[:IMPLEMENTED_BY]->(AAA:ArchitecturalAsset)
• (TST:TestCase)-[:VERIFIES]->(REQ)
• (TST)-[:EXERCISES]->(AAA)
• (TST)-[:LOGS_TRACE]->(TRC:Trace)

🛠️ Execution Patterns (Inspired by SkillHub)

Pattern 1: 侦察与盲区分析 (Reconnaissance)

目的: 找出哪些代码或需求处于“全裸”状态。

# 运行脚本找出没有任何测试关联的需求
python .agent/skills/graph-driven-testing/scripts/gap_analyzer.py --mode requirements

Pattern 2: 验证式生成 (Validated Generation)

目的: 自动生成测试并自愈。

1. 使用 prompts/test-gen.j2 生成代码。
2. 运行 scripts/test_validator.py。
3. 如果失败（Stderr 包含 ImportError 或 AssertionError），自动将错误反馈给提示词重新生成。

Pattern 3: 影响驱动回测 (Impact Runner)

目的: 修改 A 文件，只跑 B, C, D 测试。

# 根据图谱依赖关系，找出受影响的测试用例并执行
python .agent/skills/graph-driven-testing/scripts/impact_runner.py --changed-file backend/app/sdk/core/token_service.py

📝 落地流程

1. Query: 查询 Neo4j 确定测试目标。
2. Scaffold: 生成带 pytest 标记的测试文件。
3. Execute: 运行 hm_test.py 采集覆盖率。
4. Sync: 运行 scripts/index_architecture.py 将新的 TST 节点及其 TraceID 回填进图谱。

🛡️ 验收准则

• 内聚性: 每个生成的测试必须包含 @pytest.mark.graph(req="REQ-XXX")。
• 准确性: 必须通过变异测试 (Mutation Test) 的初步筛选。
• 可验证性: 测试必须生成一份包含 TraceID 的 HTML 报告存入 logs/testing/。