自建一个“自动写测试报告”的 Skill

摘要 很多团队期待 AI 能自动生成标准化缺陷报告、汇总测试进度、预警发布风险。于是有人问：OpenClaw 的 skills 仓库里有没有现成的？ 我们翻遍了 GitHub 上 所有公开代码，结论很明确：没有！ 但好消息是——它提供了完美的“乐高积木”。本文手把手教你用 4 个真实存在的底层 Skill，快速搭建属于你自己的 智能质量报告系统，数据不出内网，逻辑完全可控。

一、先说结论：官方真的没有“报告类”Skill

我们逐行检查了 `openclaw/skills` 仓库中 每一个目录，包括：

• browser_automation
• email_sender
• file_system
• git
• llm
• shell
• web_search
• ……（共 10+ 个）

结果非常明确：

❌ 没有 bug_reporter ❌ 没有 test_report_generator ❌ 没有 risk_analyzer ❌ 没有任何一个 Skill 的描述或代码涉及 Jira 模板、TestRail 聚合、CI 风险评估等场景

📌 核心事实： OpenClaw 目前只提供基础能力单元（如读文件、调 LLM、执行命令），不提供开箱即用的质量报告解决方案。

二、为什么这是好事？ —— “乐高哲学”才是长久之计

乍看是缺失，实则是精心设计。

如果 OpenClaw 官方提供一个“标准缺陷报告模板”，那它一定：

• 不符合你的 Jira 字段要求
• 无法对接你的 Confluence 文档规范
• 在金融/政企场景下存在数据合规风险

而现在的模式——只给积木，不给成品——恰恰赋予你最大自由：

✅ 完全本地运行：报告生成过程不依赖任何外部 API ✅ 100% 可定制：字段、格式、逻辑全由你掌控 ✅ 安全合规：敏感测试数据永不离开内网

这正是 OpenClaw “AI 原生 + 本地优先”理念的体现。

三、四大真实 Skill，就是你的报告引擎基石

虽然没有现成报告工具，但以下 4 个官方 Skill 已开源可用，组合起来就是一套强大引擎：

1. file_system —— 报告的“读写手”

GitHub 路径：skills/file_system

能做什么：

• 读取 pytest 生成的 junit.xml
• 解析 Playwright 的 report.html
• 写入标准化的 Markdown 缺陷摘要

关键函数： python编辑

content = read_file("test-results/junit.xml")
write_file("reports/defect-summary.md", formatted_text)

2. llm —— 报告的“大脑”

• GitHub 路径：skills/llm
• 能做什么：
  • 将原始错误日志转为符合公司模板的缺陷描述
  • 从 100 条失败用例中提取Top 3 高风险模块
  • 生成给管理层的一页纸进度简报
• 支持结构化输出（JSON Schema），确保格式统一。

3. git —— 报告的“上下文锚点”

• GitHub 路径：skills/git
• 能做什么：
  • 获取当前分支的 PR 列表
  • 关联“本次迭代开发的功能”与“已覆盖的测试”
  • 在风险报告中标注：“支付模块变更未充分测试”

4. shell —— 报告的“触发器”

• GitHub 路径：skills/shell
• 能做什么：
  • 自动执行 pytest --junitxml=report.xml
  • 调用内部报表工具生成 PDF
  • 触发邮件发送流程

💡 这四个 Skill，就是你构建智能报告系统的全部原料。

四、实战：30 分钟搭建你的“缺陷标准化”流水线

下面以 “将原始失败日志转为 Jira 标准缺陷” 为例，展示如何组合使用。

Step 1：创建你的报告 Skill

bash编辑

mkdir -p ~/.openclaw/skills/quality_reporting

Step 2：编写核心逻辑

python编辑

# ~/.openclaw/skills/quality_reporting/__init__.py
from openclaw.skills.file_system import read_file
from openclaw.skills.llm import LLM

def standardize_bug(raw_log_path: str):
    # 1. 读取原始日志
    raw = read_file(raw_log_path)

    # 2. 让 LLM 按模板转换
    prompt = f"""
    你是一名资深 QA，请将以下测试失败信息转换为标准 Jira 缺陷报告，包含：
    - 标题（<15字，含模块名）
    - 【重现步骤】（编号列表）
    - 【预期结果】vs【实际结果】
    - 【严重等级】（高/中/低）

    原始日志：
    {raw}
    """

    return LLM().ask(prompt)

Step 3：在 CI 中集成

yaml编辑

# .gitlab-ci.yml 示例
generate-bug-report:
  script:
    - pip install openclaw
    - openclaw run quality_reporting.standardize_bug --raw_log_path test-output/failure.log > jira-defect.md
    - # 后续：用 curl 提交到 Jira API

效果： 原始日志 → 自动生成符合团队规范的 Jira 描述，**省去 QA 手工整理时间 80%**。

五、进阶：构建“测试风险仪表盘”

更进一步，你可以组合 git + shell + llm，实现：

python编辑

def generate_risk_report():
    # 1. 获取本次迭代的代码变更
    prs = git.get_commit_messages()

    # 2. 运行冒烟测试
    shell.run("pytest tests/smoke/ --junitxml=smoke.xml")

    # 3. 分析风险
    prompt = f"""
    基于以下信息生成发布风险报告：
    - 本次变更 PR: {prs}
    - 冒烟测试结果: (解析 smoke.xml)

    输出：
    1. 高风险模块（未覆盖 or 失败）
    2. 建议：阻塞发布 / 允许带缺陷上线 / 需补充测试
    """
    return LLM().ask(prompt)

输出示例：

【高风险】订单服务

• 新增优惠券逻辑无测试覆盖
• 建议：补充测试后再发布

结语：最好的报告工具，是你亲手打造的那个

OpenClaw 没有给你鱼，但它给了你最好的渔具。

与其等待一个“通用但不好用”的官方报告 Skill，不如用这 4 个真实存在的底层能力，打造真正贴合你团队流程的智能助手。

数据自主 · 逻辑透明 · 安全合规 这才是企业级 AI 质量工程的正确打开方式。

立即行动： 1️⃣ Fork `openclaw/skills` 2️⃣ 创建你的 quality_reporting 目录 3️⃣ 今天就让第一个 AI 生成的缺陷报告出现在你的 Jira 中！