> Testing _

Используйте этот навык при написании новых функций, исправлении ошибок или рефакторинге кода. Он обеспечивает разработку, основанную на тестировании, с охватом не менее 80%, включая модульные, интеграционные и сквозные тесты.

При написании новых функций, исправлении ошибок или рефакторинге кода используйте этот навык. Он предполагает разработку, основанную на тестировании, с охватом более 80%, включая модульные, интеграционные и сквозные тесты.

Используйте этот подход при разработке новых функций, исправлении ошибок или рефакторинге кода. Он обеспечивает разработку, основанную на тестировании, с охватом не менее 80%, включая модульные, интеграционные и сквозные тесты.

Сократите время и затраты на отладку с помощью системы ai-regression-testing. Она использует передовые технологии, включая искусственный интеллект и большую языковую модель, для автоматического выявления и предотвращения регрессий при разработке с использованием AI-агента, особенно эффективна с инструментами вроде Claude Code, Cursor и Codex. Система решает проблему систематических ошибок, возникающих при написании и проверке кода AI-агентом. Она выявляет "слепые зоны", упускаемые традиционными тестами, и проверяет согласованность сред разработки (sandbox) и продакшн, используя sandbox/mock режимы для тестирования без баз данных. ai-regression-testing идеально подходит для команд разработчиков, использующих искусственный интеллект для генерации и проверки кода. Автоматизируйте тестирование после изменений в API или логике бэкенда, чтобы избежать повторения ошибок и обеспечить стабильность проекта.

Сократите время и ресурсы на регрессионное тестирование с помощью ai-regression-testing! Наша система автоматизирует поиск ошибок, используя искусственный интеллект и большие языковые модели для анализа кода, позволяя командам разработчиков и QA-инженеров сосредоточиться на создании новых функций. Мы используем AI-агент на базе Claude, Codex и CodeCursor для выявления потенциальных проблем и автоматической генерации тестовых сценариев. В основе – надежный стек технологий: TypeScript, Vitest>, Next.js и Node.js>, обеспечивающий высокую производительность и масштабируемость. Используется мокирование Supabase для изолированной среды тестирования. Получите доступ к мощным инструментам через API, включая эндпоинт /bug-check. Оптимизируйте рабочий процесс и повысьте качество программного обеспечения с помощью ai-regression-testing – вашего надежного помощника в автоматизации тестирования!

Этот навык следует использовать, когда пользователь запрашивает "тестирование функции, охватывающей несколько репозиториев", "развертывание ветки функции на тестовую среду", "тестирование SDK в облаке OH", "комплексное тестирование функции облачного рабочего пространства", "тестирование токенов провайдера", "тестирование наследования секретов" или когда изменения затрагивают как репозиторий SDK, так и сервер OpenHands и требуют сквозной проверки на тестовой среде.

Полный набор навыков для тестирования, включающий все необязательные директории.

Комплексные навыки нагрузочного тестирования k6 для API, браузеров и проверки масштабируемости. Создание реалистичных сценариев нагрузки, анализ результатов и интеграция с CI/CD.

Генерация тестовых данных попарно.

Этот навык следует использовать, когда пользователь запрашивает "протестировать этот веб-сайт", "провести исследовательское тестирование", "проверить наличие проблем с доступностью", "убедиться, что процесс входа в систему работает", "найти ошибки на этой странице" или запрашивает автоматизированное тестирование. Навык активируется в сценариях тестирования веб-приложений, включая тесты на работоспособность, аудиты доступности, процессы электронной коммерции и проверку пользовательских сценариев, используя командную строку ScoutQA. Используйте этот навык проактивно после реализации новых функций веб-приложения для проверки их корректной работы.

YES.md – это библиотека агентских навыков и инструмент командной строки, предназначенный для безопасного управления действиями искусственного интеллекта при внесении изменений в системы. Он обеспечивает безопасность, решения, основанные на доказательствах, и осознание последствий, помогая избежать нежелательных результатов и упрощая автоматизацию задач. YES.md позволяет контролировать скриптинг и действия ИИ, используя такие функции, как "Safety Gates" (безопасные преграды), "Evidence Rules" (правила доказательности) и "Ripple Awareness" (оценка последствий). Это позволяет минимизировать риски, связанные с автоматизацией, и повысить надежность рабочего процесса. Инструмент разработан на базе Python, предоставляет удобный CLI интерфейс и интегрируется с GitHub Actions, что делает его идеальным решением для управления ИИ-агентами и LLM в различных средах разработки и эксплуатации.

Codex-Review автоматизирует процесс проверки кода и создания CHANGELOG, значительно ускоряя разработку игр и оптимизируя геймдев процессы. Инструмент использует AI Agents для анализа изменений в коде, выявления потенциальных проблем и автоматической генерации информативных записей для истории проекта. Интеграция с Codex AI и GitHub CLI обеспечивает бесшовный рабочий процесс. Поддерживаются Conventional Commits для точной генерации CHANGELOG, что особенно полезно при работе с большими проектами и масштабными рефакторингами, характерными для игрового движка. Установка осуществляется через CLI с помощью команды npx skills add -g BenedictKing/codex-review. Для корректной работы требуется установленный Codex CLI. Подробная документация и примеры использования доступны в репозитории на GitHub.

AWT-e2e-testing решает проблему интеграции инструментов искусственного интеллекта в процесс тестирования веб-приложений. Эта библиотека позволяет AI инструментам кодирования взаимодействовать с веб-интерфейсами через настоящий браузер, используя Playwright и сценарии, описанные в формате YAML. Это особенно полезно для оптимизации геймдев и разработки игр, где требуется автоматизированное тестирование сложных пользовательских интерфейсов. В основе AWT лежит исполнение сценариев, написанных на YAML, с использованием Playwright, что обеспечивает взаимодействие с приложением, максимально приближенное к человеческому. Визуальное сопоставление с использованием OpenCV и OCR устраняет необходимость в использовании селекторов CSS, упрощая процесс тестирования и повышая его надежность. Поддерживается автоматическое определение платформы для различных фреймворков, включая Flutter, React, Next.js, Vue, Angular и Svelte. Техническая реализация включает в себя базу данных SQLite для хранения информации об ошибках и паттернах их исправления, а также поддержку нескольких AI провайдеров (Claude, OpenAI, Gemini, DeepSeek, Ollama). AWT – это важный инструмент в арсенале специалистов, занимающихся геймдевом и разработкой игр, позволяющий автоматизировать тестирование и повысить качество конечного продукта, используя возможности современного игрового движка.

Автоматизируйте и улучшите процесс проверки кода с помощью AI-инструментов и практик DevOps. Библиотека code-review-ai-ai-review предоставляет набор готовых навыков и рабочих процессов, позволяющих оптимизировать выявление ошибок, уязвимостей и проблем производительности, особенно актуально при разработке игр и использовании игрового движка. Включает в себя Skill Library для гибкой настройки, удобный CLI Installer и готовые Workflow Bundles. Интеграция с популярными AI-инструментами, такими как Claude, Gemini и Copilot, а также с платформами статического анализа, упрощает внедрение в существующие CI/CD пайплайны. Оптимизируйте геймдев процессы и повысьте качество Python кода. code-review-ai-ai-review – это эффективное решение для команд, стремящихся к автоматизации и улучшению проверки кода, обеспечивая более надежный и производительный результат.

Эта библиотека автоматизирует и оптимизирует процессы проверки кода с использованием искусственного интеллекта и современных практик DevOps. Она предоставляет набор готовых навыков и рабочих процессов, позволяющих значительно повысить эффективность геймдев и ускорить разработку игр, особенно при работе с сложными проектами и игровым движком. В основе решения – библиотека навыков, CLI инструменты и интеграция с популярными платформами, такими как SonarQube, CodeQL и Semgrep. Поддерживаются различные AI Agents (Claude, Gemini, Codex) и Python для гибкой настройки и адаптации к конкретным задачам проверки. Решение включает в себя Workflow Bundles для типовых сценариев, CLI Installer для удобной установки и интеграции с существующими инструментами CI/CD. Это позволяет командам разработчиков сосредоточиться на создании качественного продукта, минимизируя время, затрачиваемое на рутинные проверки.

Автоматизируйте и улучшите процессы проверки кода с помощью этого инструмента разработки. Он предоставляет набор навыков и инструментов, использующих искусственный интеллект и современные методы анализа, для повышения качества и безопасности вашего Python кода. Интеграция с существующими плагином для IDE и расширением редактора кода позволяет оптимизировать рабочий процесс. Решение проблем, связанных с ручной проверкой, становится проще благодаря AI-powered code analysis и настраиваемым правилам. Обеспечьте соответствие стандартам кодирования, выявляйте потенциальные ошибки и уязвимости на ранних этапах разработки. Поддержка GitHub CLI упрощает интеграцию в существующие системы контроля версий. Этот инструмент разработки позволяет создавать и применять собственные правила, а также использовать готовые решения для проверки кода, что значительно повышает эффективность работы команды и сокращает время на исправление ошибок. Используйте его как плагин для IDE или расширением редактора кода для мгновенной обратной связи.

Решение проблемы неэффективного тестирования и рутинных задач – ключевая цель библиотеки test-automator. Она предоставляет набор готовых инструментов и "агентских навыков", позволяющих автоматизировать и оптимизировать процессы разработки и проверки, особенно при использовании современных фреймворков и искусственного интеллекта. Это значительно ускоряет выполнение автоматизированные тесты и повышает общую продуктивность команды. Test-automator включает в себя библиотеку навыков, удобный интерфейс командной строки (CLI) и инструменты для построения рабочих процессов, поддерживающих принципы TDD (Test-Driven Development). Интеграция с GitHub Actions обеспечивает непрерывную автоматизацию тестирования в рамках CI/CD пайплайна. Благодаря применению AI Agents и акценту на покрытии кода, test-automator способствует созданию более надежных и качественных программных продуктов. Инструмент позволяет не только автоматизировать существующие тесты, но и генерировать новые, повышая эффективность тестирования и сокращая время выхода продукта на рынок.

Vibers-code-review – это open-source решение, предоставляющее сервис ручной проверки кода, сгенерированного искусственным интеллектом. Он гарантирует соответствие кода заданным спецификациям проекта и предоставляет обратную связь через запросы на внесение изменений (pull requests), значительно повышая качество и надежность разрабатываемого продукта. Инструмент разработчика Vibers-code-review автоматизирует процесс проверки кода, интегрируясь с популярными AI-инструментами кодирования, такими как Claude Code и Gemini. Он поддерживает работу через GitHub Actions, CLI Tools и другие платформы, обеспечивая гибкость и удобство встраивания в существующие рабочие процессы. Функциональность Vibers-code-review включает в себя автоматизацию рабочего процесса проверки, интеграцию с Google Docs для спецификаций и доставку обратной связи непосредственно в pull requests. Поддерживаются форматы YAML для конфигурации и интеграция с Telegram для уведомлений, что обеспечивает эффективную коммуникацию и контроль над процессом.

bdistill-behavioral-xray – это инструмент разработчика, предназначенный для систематического анализа поведения моделей искусственного интеллекта. Он позволяет выявлять закономерности, сравнивать различные модели и отслеживать изменения в их поведении с течением времени, генерируя подробные визуальные отчеты. Решение проблем, связанных с непредсказуемым поведением моделей, становится более управляемым благодаря автоматизированному процессу исследования. Инструмент автоматически генерирует вопросы-зонды, классифицирует ответы с использованием метаданных о поведении и создает стилизованные HTML-отчеты с использованием графиков типа "радар". Это позволяет проводить эффективную отладку кода и упрощает поиск ошибок в процессе разработки и развертывания. Для работы не требуется API-ключ или дополнительная настройка – модель исследует саму себя. bdistill-behavioral-xray использует Python, Claude Code, MCP, HTML и Bash для автоматизации процесса исследования и формирования отчетов. Он незаменим при выборе модели для конкретной задачи, при выявлении неожиданных отказов или галлюцинаций, а также для аудита соответствия требованиям и оценки безопасности.

Решение github-code-review автоматизирует и оптимизирует процесс анализа кода, используя передовые технологии искусственного интеллекта. Оно позволяет разработчикам значительно повысить качество кода и сократить время, затрачиваемое на рутинные проверки, благодаря системе многоагентного анализа, разработанной специально для работы с Anthropic Claude и Codex. Это эффективный инструмент разработчика для команд, стремящихся к улучшению качества и скорости разработки. github-code-review предоставляет гибкую систему управления роями, ориентированную на Pull Requests (PR). Специализированные агенты, такие как те, что отвечают за безопасность, производительность и стиль, обеспечивают всесторонний анализ. Функциональность автоматизации позволяет быстро выявлять потенциальные проблемы и предлагать улучшения, повышая общую эффективность работы команды. Данное open-source решение интегрируется с GitHub CLI и использует Node.js для работы. Оно позволяет создавать и управлять роями агентов, выполняющих углубленный анализ кода с учетом архитектуры и доступности, что значительно упрощает процесс проверки и повышает качество конечного продукта.

Улучшите качество вашего GitHub-кода с помощью github-code-review – open-source решение для автоматизации процесса проверки. Этот инструмент разработчика использует передовые технологии, включая Anthropic Claude и Agentic AI, для проведения глубокого анализа и выявления потенциальных проблем. Автоматизация рутинных задач позволяет командам сосредоточиться на более важных аспектах разработки. github-code-review предлагает многоагентную систему проверки, включающую специализированных агентов для оценки безопасности, производительности, стиля кода и архитектуры. Управление роем на основе Pull Request (PR) обеспечивает контекстуальную и целенаправленную проверку, повышая эффективность и точность. Интеграция с GitHub CLI упрощает рабочий процесс. Решение позволяет значительно ускорить и улучшить процесс проверки кода, используя Swarm Intelligence и Node.js. Автоматизация проверки с помощью специализированных агентов, таких как агенты безопасности и производительности, позволяет выявлять ошибки на ранних этапах и поддерживать высокий уровень качества Python и других языков программирования.

Парное программирование – эффективная методика, решающая проблему снижения качества кода и увеличения времени разработки. Она предполагает одновременную работу двух разработчиков над одним кодом, где один пишет, а другой наблюдает и дает обратную связь. Это особенно полезно в геймдеве и при работе с игровым движком, где требуется высокая точность и быстрое исправление ошибок. Ключевые особенности парного программирования включают четкое распределение ролей (например, "драйвер" и "навигатор"), постоянный code review в реальном времени и интеграцию с системами контроля версий, такими как Git. Такой подход позволяет выявлять потенциальные проблемы на ранних этапах разработки игр и обеспечивает более надежный и поддерживаемый код. Внедрение парного программирования способствует повышению квалификации команды, обмену знаниями и улучшению общего качества разработки игр. Использование Claude и других инструментов AI может автоматизировать некоторые аспекты процесса, повышая эффективность и скорость геймдева.

Парное программирование – это методика разработки, позволяющая значительно повысить качество кода и эффективность работы команд, особенно в геймдеве. Она решает проблему снижения вероятности ошибок и ускоряет процесс создания сложных проектов, например, при использовании игрового движка для разработки игр. В основе подхода лежит одновременная работа двух программистов: один пишет код (водитель), а второй наблюдает, анализирует и предлагает улучшения (навигатор). Чередование ролей обеспечивает постоянный контроль качества, выявляет потенциальные проблемы на ранних этапах и способствует обмену знаниями. Интеграция с системами контроля версий, такими как Git, и автоматизированные процессы тестирования и проверки кода делают парное программирование мощным инструментом для повышения производительности и надежности в геймдеве и других областях.

Когда пользователю необходимо написать модульный тест, активируется эта функция, которая поможет ему в написании модульного теста.

Разрабатывайте более точные и качественные решения с помощью AI-агентов, способных к самооценке и улучшению. agentic-eval предоставляет проверенные шаблоны и инструменты для создания итеративных циклов оценки и доработки результатов, позволяя большим языковым моделям (LLM) повышать точность и соответствие заданным критериям. Репозиторий предлагает практические решения для реализации самокритики и доработки, основанные на четко определенных критериях оценки. Используя Python и LLM APIs, вы сможете интегрировать циклы самооценки в ваши AI-агенты, что особенно важно для задач, требующих высокой точности, таких как генерация кода или составление отчетов. Поддерживается работа с форматами JSON и интеграция с GitHub Copilot. agentic-eval идеально подходит для сценариев, где важна оценка качества, существуют четкие метрики успеха и требуется соблюдение определенных стандартов. Шаблоны включают определение критериев оценки, создание циклов самокритики и доработку на основе обратной связи, обеспечивая постоянное улучшение производительности искусственного интеллекта.

Quality Playbook автоматизирует создание комплексной системы обеспечения качества для вашего кода. Решение выходит за рамки простого тестирования, определяя, что означает "корректная работа" для конкретного проекта и документируя потенциальные сценарии сбоев, используя возможности искусственного интеллекта. Система генерируется на основе анализа предметной области, архитектуры и спецификаций проекта, а не только на основе исходного кода. Инструмент использует передовые методы, включая большую языковую модель и prompt engineering, для создания "конституций качества" с целевыми показателями покрытия. В основе работы лежит концепция AI-агента, который исследует проект и формирует на его основе структурированную документацию, обеспечивая согласованность и предсказуемость в процессе разработки. Технологии GitHub Copilot и Markdown интегрированы для удобства использования и интеграции. Quality Playbook позволяет создавать воспроизводимые системы обеспечения качества, снижая риск ошибок и ускоряя адаптацию новых разработчиков (включая AI-агентов) к проекту. Это позволяет перейти от простого наличия тестов к полноценной системе, определяющей и поддерживающей высокое качество кода.

Doublecheck решает проблему неточностей в контенте, генерируемом искусственным интеллектом. Инструмент обеспечивает проверку фактических утверждений, представленных в текстах, созданных большой языковой моделью, используя многоуровневую систему верификации, что позволяет пользователям оценивать достоверность информации. Doublecheck использует AI-агент для извлечения проверяемых утверждений из текста и организации их в структурированную форму. В основе работы лежит трехслойный процесс верификации, включающий поиск и предоставление источников для независимой проверки пользователем, а также выявление потенциальных "галлюцинаций" в сгенерированном контенте. Технологии, такие как Python и Prompt Engineering, лежат в основе функциональности инструмента. Функциональность Doublecheck включает в себя краткие сводки верификации, встроенные непосредственно в текст, а также детальные источники для каждого утверждения. Инструмент доступен в режимах активной (постоянной) и одноразовой проверки, обеспечивая гибкость использования и контроль над процессом верификации.

Qodo-pr-resolver автоматизирует решение проблем, выявленных Qodo в процессе проверки кода, непосредственно в запросах на извлечение (pull requests) на различных платформах Git. Инструмент значительно упрощает автоматизацию задач, связанных с обработкой замечаний и принятием решений по каждому комментарию, экономя время разработчиков. С помощью скриптинга и поддержки нескольких Git-провайдеров (GitHub, GitLab, Bitbucket, Azure DevOps) через соответствующие CLI (gh, glab, bb, az), qodo-pr-resolver позволяет оптимизировать рабочий процесс и повысить эффективность командной работы. Поддерживается как интерактивная, так и пакетная обработка замечаний. Для работы требуется установленный Git и соответствующий CLI для используемого Git-провайдера. Подробные инструкции по установке и аутентификации доступны в файле providers.md. Необходимо находиться в репозитории Git с открытым запросом на извлечение, прошедшим проверку кода с помощью Qodo.

Deslop – это инструмент командной строки, разработанный для решения проблемы неконсистентности и стилистических проблем, возникающих при использовании сгенерированного искусственным интеллектом кода в диффах. Он помогает разработчикам поддерживать чистоту и единообразие кодовой базы, автоматизируя выявление и удаление нежелательных изменений. Инструмент интегрируется в существующий Git рабочий процесс и позволяет быстро очищать код. Deslop использует Python и Bash для сравнения диффов с основной веткой и автоматического применения правил форматирования. Он позволяет эффективно устранять такие проблемы, как избыточные комментарии, ненужные проверки и приведения типов, а также перемещать встроенные импорты в начало файла, что способствует улучшению читаемости и поддерживаемости кода. Функциональность скриптинга позволяет настраивать правила очистки под конкретные нужды проекта. Внедрение Deslop в автоматизацию задач позволяет значительно упростить процесс проверки и очистки кода, повышая эффективность рабочего процесса разработки и снижая вероятность ошибок, связанных с неконсистентностью кода, сгенерированного ИИ. Инструмент предоставляет краткий отчет об изменениях, что облегчает понимание внесенных корректировок.

Запускайте тесты pytest с автоматической активацией виртуального окружения. Используйте этот навык всякий раз, когда запускаете тесты, выполняете pytest или когда вам поручено "запустить тесты", "протестировать это" или любую задачу, связанную с выполнением тестов. Это гарантирует, что виртуальное окружение всегда будет активировано перед запуском pytest.