aitest-kit

从 target-aware case suite、task manifest 或 target/module/all selector 生成 pytest，执行 profile gate、Case IR、freshness check，并处理少量 UNPARSED 补写

构建模块级 fixture/module profile 或用例级 suite profile，把 Markdown 用例接入 test-codegen 管线

从已验证 pytest、Case IR 和 profile 中识别可沉淀模式，评估是否晋升为 assertion_rules、case_flows、fixture helper 或 emitter 规则

基于测试知识库和测试规范，为指定模块或需求 suite 生成 Markdown 用例和 mismatch 记录

测试资产维护分诊台：诊断项目当前状态，定位管线断裂层，路由到正确的 skill 或 CLI 命令

将外部/历史/公司测试平台用例迁移为 AITest Markdown suite 用例，并保留语义追溯、阻塞分类和人工 review 清单

从源码和现有文档生成面向测试的设计文档，补全知识库构建所需的输入

从测试视角审查设计文档的完整性与精炼度，检查 API 定义、错误处理、配置格式、业务规则、跨文档一致性等维度

修正测试用例错误，记录陷阱到 TEST_SPEC，并判断是否为 skill 级系统性问题——若是则定位并更新对应 skill

以交互式课堂方式带用户学习一个代码项目，按章节讲解架构、模块、函数调用和数据流，并把关键图、代码地图、理解检查和课堂笔记沉淀到项目文档中

从开发文档构建或更新测试知识库（L0 架构索引 / L1 模块功能 / L2 需求变更），以灰盒测试人员视角提取可测试契约