OpenClaw Skill Testing Framework#

自动化测试框架，确保技能质量与性能。

作者: Cao Xiaosi (曹小四)

版本: 1.0.0

许可证: MIT

🎯 测试目标#

1. 触发测试 (Trigger Testing)#

验证技能在正确时机加载，测试应该触发和不应该触发的场景。

测试内容:

• ✅ 验证触发词匹配
• ✅ 测试边界条件
• ✅ 验证不应触发的场景

测试方法:

bash

python3 scripts/test_trigger.py --skill stock-watcher --input "监控股票价格" --expected true
python3 scripts/test_trigger.py --skill stock-watcher --input "随便聊聊" --expected false

2. 功能测试 (Functionality Testing)#

验证技能输出是否正确，测试各种输入场景。

测试内容:

• ✅ 正常输入场景
• ✅ 边界值测试
• ✅ 异常输入处理
• ✅ 输出格式验证

测试方法:

bash

python3 scripts/test_functionality.py --skill a-stock-monitor --test-case "market_sentiment"
python3 scripts/test_functionality.py --skill a-stock-monitor --test-case "stock_price_query"

3. 对比测试 (Comparison Testing)#

证明技能比没有技能时更好，对比工具调用次数、token 消耗等。

测试内容:

• ✅ 工具调用次数对比
• ✅ Token 消耗对比
• ✅ 响应时间对比
• ✅ 准确率对比

测试方法:

bash

python3 scripts/test_comparison.py --skill stock-watcher --baseline "no-skill" --metric "tool_calls"
python3 scripts/test_comparison.py --skill stock-watcher --baseline "no-skill" --metric "tokens"

📁 目录结构#

text

skills/skill-tester/
├── SKILL.md                           # 本文件
├── scripts/
│   ├── test_trigger.py                # 触发测试脚本
│   ├── test_functionality.py          # 功能测试脚本
│   ├── test_comparison.py             # 对比测试脚本
│   ├── test_runner.sh                 # 测试执行器
│   ├── utils/
│   │   ├── trigger_validator.py       # 触发验证工具
│   │   ├── output_validator.py        # 输出验证工具
│   │   └── metrics_collector.py       # 性能指标收集器
│   └── fixtures/
│       └── sample_inputs.json         # 测试用例数据
└── references/
    ├── TEST_GUIDELINES.md             # 测试指南
    └── METRICS_DEFINITION.md          # 指标定义

🚀 使用方式#

快速测试#

bash

# 测试单个技能
python3 scripts/test_runner.sh --skill stock-watcher

# 测试所有技能
python3 scripts/test_runner.sh --all

# 详细模式
python3 scripts/test_runner.sh --skill stock-watcher --verbose

触发测试#

bash

# 测试应该触发的场景
python3 scripts/test_trigger.py --skill "stock-watcher" \
  --inputs "监控股票价格" "查看A股" "实时行情" \
  --expected true

# 测试不应该触发的场景
python3 scripts/test_trigger.py --skill "stock-watcher" \
  --inputs "随便聊聊" "今天天气" "帮我写代码" \
  --expected false

功能测试#

bash

# 运行特定测试用例
python3 scripts/test_functionality.py --skill "a-stock-monitor" \
  --test-case "market_sentiment_calculation"

# 运行所有测试用例
python3 scripts/test_functionality.py --skill "a-stock-monitor" \
  --all-cases

对比测试#

bash

# 对比工具调用次数
python3 scripts/test_comparison.py --skill "stock-watcher" \
  --baseline "no-skill" \
  --metric "tool_calls" \
  --iterations 10

# 对比 Token 消耗
python3 scripts/test_comparison.py --skill "stock-watcher" \
  --baseline "no-skill" \
  --metric "tokens" \
  --iterations 10

📊 测试报告#

输出格式#

json

{
  "skill_name": "stock-watcher",
  "timestamp": "2026-04-03T12:00:00",
  "test_summary": {
    "total": 20,
    "passed": 18,
    "failed": 2,
    "skipped": 0
  },
  "trigger_tests": {
    "passed": 10,
    "failed": 0
  },
  "functionality_tests": {
    "passed": 8,
    "failed": 2
  },
  "comparison_metrics": {
    "tool_calls_reduction": "45%",
    "token_savings": "32%",
    "response_time_improvement": "28%"
  },
  "failed_tests": [
    {
      "test_name": "test_stock_price_accuracy",
      "error": "Expected price 10.50, got 10.45",
      "input": "600000"
    }
  ]
}

报告生成#

bash

# 生成 JSON 报告
python3 scripts/test_runner.sh --skill stock-watcher --report json

# 生成 HTML 报告
python3 scripts/test_runner.sh --skill stock-watcher --report html

# 生成 Markdown 报告
python3 scripts/test_runner.sh --skill stock-watcher --report md

🔧 配置说明#

测试配置文件#

创建 test_config.json:

json

{
  "skills_path": "/Users/mars/.openclaw/workspace/skills",
  "test_iterations": 10,
  "timeout_seconds": 30,
  "verbose": false,
  "save_reports": true,
  "report_format": ["json", "md"],
  "exclude_skills": ["skill-tester", "self-improving"]
}

环境变量#

bash

export SKILL_TESTER_VERBOSE=true
export SKILL_TESTER_TIMEOUT=60
export SKILL_TESTER_REPORT_DIR="/tmp/skill-tests"

🧪 测试用例示例#

触发测试用例#

json

{
  "skill": "stock-watcher",
  "trigger_tests": {
    "should_trigger": [
      "监控股票价格",
      "查看A股实时行情",
      "A股今日走势"
    ],
    "should_not_trigger": [
      "帮我写代码",
      "今天天气如何",
      "随便聊聊"
    ]
  }
}

功能测试用例#

json

{
  "skill": "a-stock-monitor",
  "functionality_tests": [
    {
      "name": "market_sentiment",
      "input": {"action": "calculate_sentiment"},
      "expected_output": {
        "type": "json",
        "fields": ["score", "level", "stats"]
      }
    },
    {
      "name": "stock_price_query",
      "input": {"stock_code": "600000"},
      "expected_output": {
        "type": "json",
        "fields": ["price", "change_pct", "volume"]
      }
    }
  ]
}

📈 性能指标定义#

1. 工具调用次数 (Tool Calls)#

• 定义: 技能执行所需的工具调用总数
• 目标: 减少不必要的工具调用
• 对比基准: 无技能时的手动操作

2. Token 消耗 (Token Usage)#

• 定义: LLM 调用消耗的 Token 总数
• 目标: 降低 Token 消耗，节省成本
• 对比基准: 无技能时的原始对话

3. 响应时间 (Response Time)#

• 定义: 从请求到响应的总耗时（秒）
• 目标: 提升响应速度
• 对比基准: 无技能时的响应时间

4. 准确率 (Accuracy)#

• 定义: 输出结果的正确率
• 目标: 100% 准确
• 评估方法: 人工验证 + 自动化检查

🛠️ 开发指南#

添加新技能测试#

1. 在 scripts/fixtures/sample_inputs.json 中添加测试用例
2. 创建技能特定的测试脚本（可选）
3. 运行测试验证

扩展测试类型#

创建新的测试模块：

python

# scripts/test_custom.py
from utils.metrics_collector import MetricsCollector

def test_custom_metric(skill_name):
    collector = MetricsCollector()
    # 自定义测试逻辑
    results = collector.collect_custom_metrics(skill_name)
    return results

🔍 故障排查#

问题1: 测试超时#

原因: 技能执行时间过长

解决: 增加超时配置 --timeout 60

问题2: 报告生成失败#

原因: 报告目录不存在

解决: 创建目录 mkdir -p /tmp/skill-tests

问题3: 测试用例缺失#

原因: 未定义测试用例

解决: 在 fixtures/sample_inputs.json 中添加

📝 最佳实践#

1. 定期运行测试: 每次技能更新后运行完整测试
2. 保持测试用例更新: 随技能功能同步更新测试用例
3. 监控性能指标: 定期对比性能指标，优化技能
4. 自动化集成: 将测试集成到 CI/CD 流程中
5. 文档化测试结果: 保存测试报告，便于追溯

📄 许可证#

MIT License

🤝 贡献#

欢迎提交问题、建议和改进意见！

📞 联系作者#

• 邮箱: mars@caofu.org
• 系统: OpenClaw Agent System