skill-test-skill

name	skill:test-skill
description	Тест одного скилла: несколько кейсов, стабы, семантические проверки. Читает cases/<ns>/<skill>.md, для каждого Case поднимает стаб, запускает скилл в агенте, проверяет contains + semantic.
argument-hint	<namespace>:<skill> (например sdd:help)
model	sonnet
allowed-tools	Bash, Read, Agent

Тест скилла: $ARGUMENTS

Шаги

1. Разбей аргумент и найди спеку

Из $ARGUMENTS извлеки NS и SKILL.

Читай .claude/skills/$NS/$SKILL/cases/$SKILL.md. Если не найдена → SKIP: no test spec for $ARGUMENTS.

2. Разбей спеку на кейсы

Каждый ## Case: <name> — отдельный кейс. Извлеки:

• stub: — имя стаба
• contains: — список строк
• semantic: — список семантических правил

3. Для каждого кейса

3a. Загрузи стаб

Читай .claude/skills/skill/test-skill/stubs/<stub-name>.md. Разбери YAML frontmatter:

• git.branch, git.commits[]
• skills.<ns>[] — список имён скиллов
• openspec.changes[] — список имён changes (опционально)

3b. Материализуй стаб

RUN_ROOT=$(mktemp -d -t skill-test-XXXXXX)
trap "rm -rf '$RUN_ROOT'" EXIT
TMP="$RUN_ROOT/case-<N>"
mkdir -p "$TMP"
cd "$TMP"
git init --quiet
git config user.email "[e-mail]"
git config user.name "Test"
git checkout -b <git.branch> --quiet 2>/dev/null || git checkout <git.branch> --quiet

Для каждого коммита из git.commits:

git commit --allow-empty -m "<commit>" --quiet

Для каждого скилла из skills.<ns>:

mkdir -p "$TMP/.claude/skills/$NS/<skill>"
cp ".claude/skills/$NS/<skill>/skill.md" "$TMP/.claude/skills/$NS/<skill>/"

Также скопируй .claude/skills/$NS/.manifest.

Новое: Mock-stubs расширение

Если в стабе есть files::

for path in <files.keys>; do
  mkdir -p "$(dirname "$TMP/$path")"
  echo '<files[path]>' > "$TMP/$path"
done

Если в стабе есть mock_commands::

mkdir -p "$TMP/.mocks"
for cmd in <mock_commands.keys>; do
  echo '#!/bin/bash' > "$TMP/.mocks/$cmd"
  echo '<mock_commands[cmd]>' >> "$TMP/.mocks/$cmd"
  chmod +x "$TMP/.mocks/$cmd"
done

Если в стабе есть openspec.changes:

for change in <openspec.changes>; do
  mkdir -p "$TMP/openspec/changes/$change"
done

3c. Запусти скилл в агенте

Прочитай .claude/skills/$NS/$SKILL/skill.md. Удали frontmatter (---…---).

Если есть mock_commands или env, подготовь окружение:

PATH=$TMP/.mocks:$PATH
<для каждого env ключа>: EXPORT <KEY>=<VALUE>

Запусти Agent с промптом:

Working directory for this test: <TMP>
Before every bash command run: cd <TMP>
Environment: PATH=$TMP/.mocks:$PATH [если есть mocks]
[env переменные]

<тело скилла без frontmatter>

Сохрани весь текстовый вывод агента → OUTPUT.

3d. Проверь contains

Для каждой строки из contains: проверь присутствие в OUTPUT.

3e. Проверь semantic

Каждое правило — логический вывод из стаба:

Правило	Ожидание
branch: stub.git.branch appears in output	значение git.branch из стаба есть в OUTPUT
skills: all stub.skills.<ns> items appear as /<ns>:<name> in output	для каждого имени из skills.<ns> строка /<ns>:<name> есть в OUTPUT
changes: active changes block shows "(none)"	(none) есть в OUTPUT (стаб без openspec.changes)
changes: each stub.openspec.changes item appears in active changes block	каждый элемент openspec.changes есть в OUTPUT

3f. Результат кейса

  Case: <name>  PASSED (N/N) | FAILED (M/N)
    contains[1]: PASS | FAIL — "<pattern>"
    semantic[1]: PASS | FAIL — <описание правила> (ожидалось: "<value>")

4. Итоговый отчёт

=== TEST: $ARGUMENTS ===

  Case: fresh-repo    PASSED (6/6)
  Case: with-openspec FAILED (3/4)  ← semantic[2]: "another-change" not in output
  Case: multi-skill   PASSED (6/6)

RESULT: 2 passed, 1 failed  (total checks: 16)

Если есть FAILED — вывести первые 20 строк OUTPUT упавшего кейса.

5. Eval-framework: bootstrap k=5 + LLM-judge + результирующий файл

Каждый кейс SHALL прогоняться k=5 раз (bootstrap). Кейс получает PASS если ≥4/5 прогонов успешны; иначе — ⚠ WARN.

5a. Создать файл результатов в начале прогона

В начале (до запуска первого кейса):

mkdir -p test-results
RESULTS_FILE="test-results/$(date -u +'%Y-%m-%d-%H%M%S').md"
cat > "$RESULTS_FILE" <<EOF
# Test results: $ARGUMENTS
started_at: $(date -u +'%Y-%m-%dT%H:%M:%SZ')
test: $ARGUMENTS

EOF

5b. Прогресс в реальном времени

Для каждого кейса по мере выполнения каждого из 5 прогонов выводи:

[<case-name>] 1/5 ✓
[<case-name>] 2/5 ✓
[<case-name>] 3/5 ✗
[<case-name>] 4/5 ✓
[<case-name>] 5/5 ✓
[<case-name>] → PASS 4/5

Если ≤3/5 — финальная строка: → ⚠ WARN N/5.

5c. Append каждого результата в RESULTS_FILE

После завершения каждого кейса (всех 5 прогонов) — append блок:

## Case: <case-name>
result: PASS | ⚠ WARN
runs: 5
passed: 4
runs_detail:
  - run 1: PASS
  - run 2: PASS
  - run 3: FAIL — contains[1]: "<pattern>" not found
  - run 4: PASS
  - run 5: PASS
semantic_judge_reasons:
  - judge[1]: "yes — output confirms tmp_cleaned"
  - judge[2]: "yes — no_residue verified"

5d. LLM-judge для semantic assertions

Каждое правило из semantic: SHALL оцениваться отдельным LLM-вызовом (не regex):

Prompt: "Output of the skill follows. Does it satisfy the criterion: <criterion>? Answer yes or no with one-line reason."
Output: <OUTPUT>

Вердикт: yes → semantic[i] PASS; no → FAIL. Reason записывается в runs_detail и semantic_judge_reasons.

5e. Итоговый отчёт в конце файла

После завершения всех кейсов (всех bootstrap-прогонов) — append к RESULTS_FILE:

---
## Summary
total_cases: 3
passed: 2
warned: 1
failed: 0
duration_ms: 45230
finished_at: 2026-05-02T03:15:45Z

И финальный print в stdout:

Results: test-results/2026-05-02-031500.md
2 PASS, 1 WARN, 0 FAIL

6. Status tracking and cleanup

Before running cases: Create $RUN_ROOT/status.json:

{
  "started_at": "2026-05-02T03:15:00Z",
  "test": "<ns>:<skill>",
  "run_root": "<RUN_ROOT>",
  "cases": []
}

For each case: Update status in $RUN_ROOT/status.json:

{
  "name": "<case-name>",
  "verdict": "passed|failed",
  "tmp_path": "<RUN_ROOT>/case-<N>",
  "duration_ms": 5234
}

After all cases complete: Print summary:

Run root: $RUN_ROOT (cleaned up)

If --keep-tmp=all flag: Print Run root: <RUN_ROOT> (path preserved for debugging). If --keep-tmp=failed-only: Copy failed case dirs to ~/.cache/skill-test/<run-id>/ and print that path.

Auto-cleanup: The trap "rm -rf '$RUN_ROOT'" EXIT ensures $RUN_ROOT is deleted on success, failure, or Ctrl+C.