> Testing _

Автоматизированный smoke-test позволяет быстро создавать новые проекты на базе Mastra AI, используя команду create-mastra. Это особенно полезно в процессе разработки игр и геймдев, где требуется оперативная проверка работоспособности и базовой функциональности создаваемых приложений. Инструмент значительно упрощает первоначальную настройку и сокращает время на рутинные операции, что критично для продуктивной работы с игровым движком Mastra Studio. Функциональность smoke-test включает в себя автоматическую генерацию структуры проекта и последующее тестирование Mastra Studio в браузере Chrome. Процесс проверки охватывает ключевые аспекты работы платформы, обеспечивая уверенность в корректности установки и базовой совместимости. Это помогает выявлять потенциальные проблемы на ранних этапах разработки игр, минимизируя риски и ускоряя цикл обратной связи. Настройка smoke-test позволяет гибко выбирать LLM провайдера и использовать различные менеджеры пакетов (npm, yarn, pnpm, bun) для создания проекта. Использование тегов версий (latest, alpha) позволяет контролировать используемую версию create-mastra и адаптировать процесс под конкретные требования геймдев проекта.

Регулярные и качественные проверки кода критически важны для поддержания высокого уровня качества TypeScript-проектов. Этот репозиторий предлагает структурированные рекомендации и контрольный список, помогающие обеспечить соответствие кода лучшим практикам и стандартам, что способствует созданию надежного и поддерживаемого open-source решения. В качестве инструмента разработчика, представленные руководства охватывают ключевые аспекты: корректность логики, качество кода (именование, единственная ответственность, отсутствие дублирования) и специфические требования к TypeScript (типизация, использование дженериков). Использование системы комментариев, основанной на уровне серьезности, облегчает коммуникацию и фокусировку на наиболее важных проблемах. Автоматизация части процесса проверки кода с помощью этих рекомендаций позволяет сократить время на ручную проверку, повысить эффективность работы команды и минимизировать риски, связанные с ошибками в JavaScript, React, Node.js и Next.js приложениях.

e2e-tests-studio – это платформа для автоматизированной проверки сквозной функциональности, особенно актуальная в сфере геймдев и разработка игр. Она решает проблему неэффективности традиционных UI-тестов, фокусируясь на валидации поведения продукта и интеграции с игровым движком, а не на проверке состояния пользовательского интерфейса. Фреймворк, построенный на базе TypeScript, Next.js, Node.js, React.js и Playwright, позволяет создавать надежные AI агенты и приложения, обеспечивая их корректную работу в реальных сценариях. Ключевой особенностью является ориентация на поведенческое тестирование, что критически важно для обеспечения качества в сложных системах, включая процессы геймдев. e2e-tests-studio предоставляет инструменты для интеграции с Playwright MCP сервером и упрощает создание тестов, проверяющих, например, корректную конфигурацию агентов, сохранение данных и ожидаемый вывод инструментов. Это позволяет значительно повысить стабильность и надежность разрабатываемых продуктов в области разработка игр и игровой движок.

Инструмент решает проблему неэффективного тестирования, автоматизируя процесс проверки изменений в коде. Он анализирует изменения, определяя тип модификации (фронтенд, бэкенд API или внутренний код), и запускает соответствующие целевые пути валидации. Это позволяет оптимизировать рабочий процесс и сократить время на ручное тестирование. В основе работы лежит принцип "diff-driven validation", когда выбор тестовых сценариев определяется непосредственно изменениями в коде. Используя скриптинг на Python и библиотеки, такие как Playwright, Puppeteer и Selenium, инструмент обеспечивает точную и релевантную проверку. Классификация изменений (фронтенд/браузер, бэкенд API, внутренний бэкенд) гарантирует выполнение наиболее подходящих тестов. Функциональность включает автоматизацию задач по чтению изменений из git diff, анализу измененных файлов и запуску соответствующих проверок. Интеграция с GPT потенциально может расширить возможности классификации и генерации тестовых сценариев, повышая эффективность и точность валидации.

Обеспечение стабильности и надежности Skyvern-развертывания критически важно. Этот модуль автоматизирует проверку ключевых аспектов, включая работу бэкенд API, корректность отрисовки фронтенда и выполнение сквозных сценариев, используя Python и инструменты, такие как Playwright, Selenium и Puppeteer. Тщательное тестирование позволяет оперативно выявлять и устранять потенциальные проблемы. Автоматизированные проверки включают в себя проверку доступности API, валидацию рендеринга фронтенда и выполнение сквозных рабочих процессов. Использование автоматизированные тесты позволяет сократить время на ручную проверку и повысить частоту выполнения, что способствует более быстрому обнаружению дефектов. Особое внимание уделяется анализу ответов API и визуальной проверке отрисовки. Для повышения уверенности в качестве кода, проводится анализ покрытия кода, что гарантирует проверку максимального количества функциональных возможностей. Последовательное выполнение проверок, остановка при первой же ошибке, позволяет быстро локализовать проблему и минимизировать время на отладку. Результаты тестирования предоставляются в структурированном виде для удобства анализа и принятия решений.

Набор инструментов для тестирования безопасности приложений из руководства по тестированию компании Trail of Bits. Помогает специалистам настраивать кампании фаззинга, писать "харьки" для фаззинга, запускать фаззеры, управляемые анализом покрытия (libFuzzer, AFL++, cargo-fuzz, Atheris, Ruzzy), и анализировать возникающие сбои. Охватывает средства защиты от ошибок памяти (AddressSanitizer, UBSan, MSan), статический анализ с помощью Semgrep и CodeQL, криптографическую валидацию с использованием тестовых векторов Wycheproof и верификацию с постоянным временем выполнения. Используйте этот набор при тестировании кода на C, C++, Rust, Python или Ruby на наличие уязвимостей, для повышения покрытия кода, создания начальных наборов данных, создания словарей для фаззинга, преодоления препятствий в фаззинге или для интеграции проверок безопасности в CI/CD с помощью OSS-Fuzz.

Извлеките автономный регрессионный тест JIT из указанного тикета GitHub и сохраните его в папке JitBlue. ИСПОЛЬЗУЙТЕ ДЛЯ: создания регрессионных тестов JIT, извлечения кода для воспроизведения ошибок из тикетов dotnet/runtime, "напишите тест для этой ошибки JIT", "создайте регрессионный тест для тикета #NNNNN", преобразования кода для воспроизведения ошибки в тест xUnit. НЕ ИСПОЛЬЗУЙТЕ ДЛЯ: тестов, не связанных с JIT (используйте стандартные шаблоны тестов), отладки проблем JIT без известного кода для воспроизведения, бенчмарков производительности (используйте навык performance-benchmark).

Автоматизированный code-reviewer решает проблему обеспечения высокого качества кода, выявляя потенциальные ошибки, неэффективности и упущения в области безопасности. Это особенно важно в разработке игр, где стабильность и производительность критичны для игрового процесса и работы игрового движка. Инструмент использует Python, Large Language Models и Natural Language Processing для анализа кода и предоставления структурированных рекомендаций. Инструмент проводит всесторонний анализ, проверяя код на соответствие требованиям корректности, читаемости, производительности и безопасности, а также на соблюдение общепринятых практик. Особенное внимание уделяется выявлению уязвимостей и оптимизации производительности, что является ключевым аспектом в геймдеве. Встроенный Automated Code Review Checklist гарантирует последовательность и полноту проверок. Результатом является отчет в формате Markdown, содержащий оценку общего состояния кода, список выявленных проблем с указанием уровня критичности, положительные аспекты и конкретные рекомендации по улучшению. Оценка Severity Level Assessment позволяет разработчикам приоритизировать исправления и эффективно улучшать качество кода.

rust-expert – это решение для разработки и управления Open-Source Agent Operating System, основанное на принципах безопасного и эффективного программирования на Rust. Инструмент предоставляет мощные возможности для работы с системой, используя командную строку и обеспечивая гибкость в настройке и автоматизации процессов. В основе rust-expert лежит терминальная утилита, разработанная для упрощения взаимодействия с Agent Operating System. Это позволяет эффективно выполнять задачи, требующие высокой степени контроля и точности, благодаря использованию CLI-инструмента для управления конфигурацией и мониторинга состояния системы. Проект акцентирует внимание на строгом соблюдении принципов безопасности и производительности, характерных для Rust, с минимальным использованием небезопасного кода и максимальным использованием возможностей системы типов для обеспечения надежности и предсказуемости работы.

Автоматизированный code-reviewer решает проблему снижения рисков и повышения качества разработки игр. Он выявляет потенциальные уязвимости безопасности, ошибки корректности и узкие места в производительности, что критически важно при создании сложных проектов, особенно использующих игровой движок. Система использует AI Agents и LLM для анализа Rust кода. Функциональность включает в себя автоматизированный анализ кода на основе предопределенных чек-листов, приоритезацию обратной связи по степени важности (безопасность, корректность, производительность, стиль) и предоставление конкретных рекомендаций с указанием строк кода и предложенных исправлений. Особое внимание уделяется проверке безопасности, охватывающей распространенные уязвимости. Это особенно полезно в геймдев индустрии. Инструмент позволяет ускорить процесс разработки игр, повысить надежность и безопасность разрабатываемого продукта, а также снизить затраты на исправление ошибок на поздних этапах жизненного цикла. Использует технологии MCP и OpenClaw для эффективного анализа и предоставления обратной связи.

Инструмент api-tester решает проблему эффективной проверки и отладки REST и GraphQL API. Он предоставляет практические рекомендации и примеры для решения различных сценариев тестирования, помогая разработчикам и специалистам QA убедиться в корректной работе API и быстро выявлять потенциальные проблемы. С помощью api-tester вы получаете готовые шаблоны для curl, httpie и Postman, а также стратегии для тестирования аутентификации и обработки ошибок. Инструмент способствует созданию надежных автоматизированные тесты, снижая риск возникновения проблем в продакшене. Обеспечьте высокое покрытие кода ваших API, используя api-tester для систематической проверки всех ключевых сценариев и граничных условий. Поддерживаемые технологии включают Rust, curl, httpie, Postman и jq.

tdd-rust – это CLI-инструмент, разработанный для существенного снижения расхода токенов при работе с большими языковыми моделями (LLM). Он оптимизирует вывод стандартных команд разработчика, позволяя сократить затраты токенов на 60-90%, что особенно важно при интеграции с Rust проектами и использованием терминальной утилиты для тестирования. Инструмент поддерживает RTK TDD Workflow Integration, обеспечивая строгую приверженность циклу Red-Green-Refactor. Ключевой особенностью является "Real Fixture Capture" – захват реального вывода команд, что исключает использование синтетических данных и повышает точность тестирования. Для этого предусмотрен удобный механизм захвата вывода команд, таких как git log, cargo test и cargo clippy, непосредственно в файлы фикстур. tdd-rust предоставляет эффективное решение для оптимизации использования токенов, предлагая командную строку для упрощения процесса и интеграции с существующими рабочими процессами. Инструмент использует Bash скрипты для захвата данных и Rust для их обработки и тестирования, обеспечивая высокую производительность и надежность.

rtk-tdd – это CLI-инструмент, разработанный для значительного снижения расхода токенов при работе с большими языковыми моделями (LLM) в процессе разработки. Он оптимизирует запросы для распространенных команд, что особенно важно при использовании agentic coding и интеграции с TDD workflow. Инструмент предоставляет эффективное решение для разработчиков, стремящихся к экономии ресурсов и повышению производительности. В основе rtk-tdd лежит Rust бинарный движок, выступающий в роли CLI proxy. Он позволяет использовать привычные команды из командной строки, но при этом оптимизирован для взаимодействия с LLM, минимизируя объем передаваемых данных. Это достигается за счет интеллектуальной обработки и перефразирования запросов. rtk-tdd – это удобная терминальная утилита, которая легко интегрируется в существующие процессы разработки. Его функциональность позволяет поддерживать строгий TDD workflow и обеспечивает надежный способ управления расходом токенов, что критически важно для эффективной и экономичной работы с LLM.

Рекомендации и лучшие практики для написания модульных тестов в библиотеке визуализации G2, охватывающие структуру каталогов, шаблоны тестирования и рекомендации по реализации. Используйте, когда необходимо создать тесты.

Используйте этот навык всякий раз, когда пользователь хочет проверить, просмотреть или провести аудит сквозных тестов, которые были перенесены из старой системы (обычно в директории `e2e-next/`) в новую систему `e2e-next/`. Триггерами являются такие запросы, как: "проверь мой перенесенный тест", "проверь этот сквозной тест", "проверь мою миграцию теста", "я правильно это перенес?", "проверь PR со сквозными тестами", "проверь покрытие тестами после миграции" или любой запрос, связанный со сравнением старых и новых файлов сквозных тестов в репозиториях vcluster, vcluster-pro или loft-enterprise. Всегда используйте этот навык, когда предоставляется файл сквозного теста или PR из одного из этих репозиториев для проверки, даже если пользователь просто говорит: "посмотри на этот тест".

Обеспечение стабильной и предсказуемой работы AI-помощника для электронной почты – ключевая задача. Этот репозиторий содержит комплексный набор тестирование, включая модульные, интеграционные и тесты LLM, гарантирующий корректность функциональности в различных сценариях. Важно стремиться к поведенческим утверждениям, избегая жесткой привязки к конкретным значениям промптов или форматам вызовов. Автоматизированные автоматизированные тесты позволяют оперативно выявлять и устранять ошибки на ранних этапах разработки. В репозитории предусмотрены команды для запуска отдельных модульных тестов (pnpm test -- path/to/file.test.ts), всего набора модульных тестов (pnpm test --run) и интеграционных тестов (pnpm test-integration). Высокое покрытие кода достигается за счет тщательного планирования и выполнения тестов, охватывающих все основные компоненты системы. Для тестирования взаимодействия с LLM используется команда pnpm test-ai, а для эмулятор-ориентированных тестов – pnpm test-integration. Подробные инструкции по написанию и выполнению тестов доступны в соответствующих файлах.

Навык разработки на основе тестов: написание модульных тестов, создание тестовых данных и моков, анализ пробелов в покрытии тестами и руководство по циклам "красный-зеленый-рефакторинг" с использованием Jest, Pytest, JUnit, Vitest и Mocha. Используйте, когда пользователь просит написать тесты, улучшить покрытие тестами, практиковать TDD, генерировать моки или заглушки, или упоминает фреймворки для тестирования, такие как Jest, pytest или JUnit.

Тест на проверку навыков.

12 навыков и плагинов для обеспечения соответствия нормативным требованиям и управления качеством, предназначенных для использования с Claude Code, Codex, Gemini CLI, Cursor, OpenClaw. Соответствие стандартам ISO 13485 (система менеджмента качества), MDR 2017/745 (Европейский регламент о медицинских изделиях), FDA 510(k)/PMA (процедуры утверждения FDA в США), ISO 27001 (система управления информационной безопасностью), GDPR/DSGVO (Общий регламент по защите данных), управление рисками (ISO 14971), корректирующие и предупреждающие действия (CAPA), контроль документации, аудиты. Инструменты на Python (только стандартная библиотека).

Автоматизированный code-review решает проблему низкого качества кода и задержек в процессе разработки, предоставляя мгновенную обратную связь по вопросам корректности, безопасности, производительности и соответствия лучшим практикам. Инструмент использует передовые технологии, включая большую языковую модель и методы анализа кода, для выявления потенциальных проблем и предложения конкретных решений. Он помогает командам быстрее находить и устранять ошибки, повышая общую эффективность и надежность разрабатываемого программного обеспечения. Основываясь на принципах искусственного интеллекта, система проводит всесторонний анализ Python кода, оценивая уровень критичности обнаруженных проблем (Critical, Warning, Suggestion) и предлагая конкретные исправления. Функциональность включает проверку на логические ошибки, уязвимости безопасности (например, SQL injection, XSS), неэффективные алгоритмы, нарушение принципов SOLID и другие аспекты, влияющие на поддерживаемость и масштабируемость проекта. По сути, это AI-агент, специализирующийся на улучшении качества кода. Результатом работы является структурированный отчет, содержащий информацию о местоположении (файл и номер строки), уровне критичности, описании проблемы и предложенном способе исправления. Это позволяет разработчикам быстро понимать и устранять выявленные недостатки, значительно сокращая время на code review и повышая качество конечного продукта.

Тест для группы инструментов. При выполнении этого теста используйте инструмент `record_result` для записи значения результата.

Пример тестового сценария для проверки улучшения регистрации классов в classpath.

phoenix-playwright-tests – это готовый фреймворк для написания сквозных автоматизированных тестов Phoenix приложений с использованием Playwright. Решение позволяет эффективно проверять функциональность, обеспечивая стабильность и надежность веб-приложений благодаря централизованной конфигурации таймаутов и применению проверенных практик тестирования. Фреймворк предоставляет четкие шаблоны для организации тестов в директории app/tests/, что способствует единообразию и упрощает поддержку. Настройки времени ожидания, такие как timeout, expect.timeout и webServer.timeout, определяются централизованно в app/playwright.config.ts, что исключает необходимость указывать их в каждом тесте и упрощает их изменение. Использование phoenix-playwright-tests позволяет значительно повысить качество покрытия кода и сократить время на разработку и поддержку автоматизированных тестов для Phoenix приложений, используя TypeScript, JavaScript и Elixir. Предопределенные учетные данные упрощают начальную настройку и ускоряют процесс разработки.

pr-review автоматизирует проверку pull requests, обеспечивая соответствие навыков заранее определенным структурным и качественным требованиям. Это решает проблему непоследовательности и отклонений от стандартов при внесении изменений в базу навыков, гарантируя их целостность и единообразие. Инструмент представляет собой CLI-инструмент, который легко интегрируется в существующие процессы разработки. Для автоматизированной проверки используются Python скрипты и конфигурационные файлы в формате YAML. Работа с инструментом осуществляется через командную строку, позволяя быстро и эффективно выполнять валидацию. Скрипт validate_skills.py проверяет наличие обязательных файлов, корректность синтаксиса YAML и соответствие структуры навыков заданным правилам. pr-review – это удобная терминальная утилита, предназначенная для автоматизации проверки структуры и качества навыков. Инструмент позволяет разработчикам сосредоточиться на содержательной части pull request после успешного прохождения автоматизированных проверок, что повышает эффективность и снижает вероятность ошибок. Использование Bash и Markdown позволяет легко настраивать и расширять правила проверки.

Комплексное руководство по разработке сквозных (end-to-end) тестов для Eclipse Che / Red Hat OpenShift Dev Spaces. Используйте эти знания при написании, изменении или проверке тестов на TypeScript с использованием Mocha и Selenium, а также при работе с объектно-ориентированными представлениями страниц, утилитами или инфраструктурой тестирования. Включает правила оформления кода, шаблоны, настройку внедрения зависимостей и лучшие практики.

Общее руководство по запуску тестов и выбору подходящей тестовой платформы в Materialize. Активируется, когда пользователь хочет "запустить тесты", "запустить testdrive", "запустить sqllogictest", "запустить mzcompose", "запустить cargo test", "запустить pgtest", "переписать результаты тестов", "добавить тест", "воспроизвести ошибку", "написать регрессионный тест" или упоминает тестирование, testdrive, sqllogictest, mzcompose, pgtest, cargo test, nextest, нестабильные тесты или сбои тестов. Используйте эту функцию, даже если пользователь просто говорит "протестируйте это" или "как мне убедиться, что это работает", не называя конкретную платформу. Для получения подробной информации о конкретных платформах, обратитесь к специализированным разделам: mz-platform-checks (проверка устойчивости при обновлении/перезапуске), mz-parallel-workload (параллельное нагрузочное тестирование) и mz-limits-test (масштабирование до большого количества объектов).

Соберите и протестируйте генератор `@typespec/http-client-python`. Используйте эту функцию всякий раз, когда пользователь хочет протестировать свои локальные изменения в генераторе, запустить тестовый набор генератора, проверить, проходят ли изменения в `http-client-python`, или проверить исправление. Активируется фразами, такими как "протестировать генератор", "запустить тесты", "проверить, проходят ли мои изменения", "запустить тест:генератор", "запустить CI" или любым упоминанием тестирования/проверки изменений в пакете генератора.

Обеспечьте высокое качество кода в пакете azure-ai-ml с помощью do-code-review. Эта терминальная утилита автоматизирует проверку незафиксированных изменений, выявляя несоответствия рекомендациям по проектированию Azure SDK для Python, проблемы с типобезопасностью, несоблюдение шаблонов тестирования и отклонения от согласованности API. Работает непосредственно из командной строки. do-code-review – это удобный CLI-инструмент, который сканирует все незафиксированные изменения (как подготовленные, так и не подготовленные файлы) в текущей ветке, в частности в директории sdk/ml/azure-ai-ml/. Он проверяет соответствие стандартам именования, паттернам методов (например, begin_* для LRO и list_* для пагинаторов) и другим ключевым аспектам разработки. Инструмент позволяет быстро выявлять и устранять потенциальные проблемы до коммита, гарантируя соблюдение лучших практик и повышая общую надежность и поддерживаемость Azure SDK для Python. Используйте do-code-review для повышения качества вашего кода и упрощения процесса разработки.

fix-mypy – это CLI-инструмент и терминальная утилита, предназначенная для автоматического исправления ошибок типизации, обнаруженных mypy, в кодовой базе. Инструмент анализирует существующие шаблоны типизации и применяет исправления с высокой степенью уверенности, опираясь на информацию из связанных GitHub issues, что существенно ускоряет процесс разработки и поддержания качества Python-проектов. Процесс работы включает в себя получение URL GitHub issue, анализ его содержимого, настройку виртуального окружения, установку необходимых зависимостей и запуск mypy на указанных файлах или модулях. После анализа результатов mypy, fix-mypy ищет подходящие шаблоны типизации в коде и применяет исправления, подтвержденные решением проблемы, зафиксированным в issue. В результате работы fix-mypy создает pull request, ссылающийся на исходный GitHub issue, и предоставляет сводку внесенных изменений. Это позволяет эффективно решать проблемы типизации, используя командную строку и автоматизируя рутинные задачи, что делает его ценным активом для команд разработчиков.

Используйте эту функцию при работе непосредственно с репозиторием ClawTeam: для локальной разработки, отладки, рецензирования, тестирования, проверки многоагентных процессов или для проверки того, действительно ли изменение кода работает от начала до конца. Используйте скрипты инициализации репозитория для стандартизации локальной команды `clawteam` и для подключения локальных для проекта файлов `.agents` и `.claude` к этому репозиторию. Эта функция предназначена для разработки внутри репозитория, а не является общим руководством для конечных пользователей.