测试工程师必备:HAR 一键生成 Skill!禅道建用例 ! 提 Bug 不再受版本限制

简介: 前段时间在开发禅道提交Bug的skill时,遇到了一个问题:禅道官方提供的 cli 和 mcp 有版本限制,只有比较高的版本才可以使用,不少团队还在使用低版本禅道,这套能力就直接无法使用,提 Bug、建用例想用 AI 提效,链路直接断掉。 针对这个版本兼容痛点,我想到一个思路—— 开发一个用来创建 Skill 的 Skill :不再依赖禅道原生接口工具,而是把浏览器抓下来的 HAR 文件当作输入数据源 ,自动梳理请求、凭证和变量,再生成对应业务 Skill,从根源绕开版本约束。 并且我把它封装成通用能力,并不局限禅道这一个系统。 比如公司内部自研的工时填报系统、Bug 管理平台,都可以通过一份

前段时间在开发禅道提交Bug的skill时,遇到了一个问题:禅道官方提供的 cli 和 mcp 有版本限制,只有比较高的版本才可以使用,不少团队还在使用低版本禅道,这套能力就直接无法使用,提 Bug、建用例想用 AI 提效,链路直接断掉。

针对这个版本兼容痛点,我想到一个思路——开发一个用来创建 Skill 的 Skill:不再依赖禅道原生接口工具,而是把浏览器抓下来的 HAR 文件当作输入数据源,自动梳理请求、凭证和变量,再生成对应业务 Skill,从根源绕开版本约束。

并且我把它封装成通用能力,并不局限禅道这一个系统。 比如公司内部自研的工时填报系统、Bug 管理平台,都可以通过一份 HAR 抓包,快速生成对应的 Skill,实现工作提效

接下来我会以禅道「创建测试用例」、「提交 Bug」作为实际场景展开讲解,大家也可以复用这套能力,搭建适配自己业务的 Skill。

*

一、官方 CLI / MCP 存在的局限性

大家如果也做过禅道、Jira、或内部系统的 Skill,大概率遇到过类似情况:

1. 版本门槛硬:官方 CLI / MCP 要求高版本,团队升级周期长,能力直接用不了;

2. 接口文档不全:内部系统往往没有完整 OpenAPI,手工抄请求、拼 Cookie,成本极高;

3. 凭证与会话难处理:登录态、Cookie、CSRF、上传接口等细节一多,手工封装极易踩坑;

4. 重复造轮子:每个系统都要从零扒接口、写 Skill,提效链路起不来。

*

二、先搞懂:什么是 HAR?

HAR = HTTP Archive(HTTP 归档文件),是业界事实标准的 JSON 格式文件,UTF‑8 编码,用来完整记录浏览器一次会话里全部 HTTP/HTTPS 的请求‑响应完整报文。

简单理解:把浏览器 F12【网络 Network】面板所有请求,完整快照保存成一个.har文件,本质就是 JSON 文本,把后缀改成.json可直接用编辑器打开查看

*

三、我的方案:curl-har-to-skill

针对上面的痛点,我封装了 curl-har-to-skill——一个「用来创建 Skill 的 Skill」。

核心能力一句话:把一份业务操作的 HAR 抓包,自动解析成接口清单、变量与凭证,再生成可继续调试的业务 Skill;不依赖目标系统官方 CLI / MCP,绕开版本限制。

1、Skill 执行原理

整体流程可以串成一条线:

 text
浏览器完整走一遍业务操作并导出 HAR
        ↓
把 HAR 与 curl-har-to-skill 放在同一项目
        ↓
执行 /curl-har-to-skill @har文件
        ↓
AI 梳理接口 / 请求头 / Cookie / 变量 / 凭证
        ↓
确认目标能力(如「创建用例」「提交 Bug」)
        ↓
生成业务 Skill → 多轮调试后可用

2、Skill 获取与导入

把 skill 导入到 AI 工具的 skill 目录下即可。以 Cursor 为例:放到项目或全局 skills 目录后,对话里就能直接调用。

*

案例 1:禅道「创建测试用例」Skill

一、抓取har文件

1、进入目标页面后,先在 Network 面板点清除,把历史请求清掉,减少干扰;

2、打开「创建用例」页面,把真实流程完整走一遍:填写用例内容,附件也一并上传——总之,实际要用到的操作逻辑都要操作到

3、流程走完后,在 Network 里点下载,保存为 .har 文件。

二、执行skill

/curl-har-to-skill  @har文件

AI 会梳理 HAR 里的接口、请求头、变量、凭证等信息,整理出本次涉及的接口清单与相关变量,并生成/确认凭证文件;

相关的变量

凭证文件

随后会跟你确认:是否要创建「创建用例」这类业务 Skill。

确认没问题后,直接回复同意即可——随后会在同项目下生成对应 Skill。

但是这里要注意的是,生成之后,不是立即直接可以使用的,需要进行多次调试和试用。

三、最终结果

用例能够正常上传成功,且附件也正常上传

案例 2:禅道「提交bug」Skill

一、操作网站抓取 har 文件

二、执行 skill

将har 文件和 skill 放在项目中,执行 skill

格式: /curl-har-to-skill @har文件

经过多轮调试之后,最后产出了一个 提交 bug skill

三、验证 skill

随便上传一个 bug

上传结果如下,附件为图片也支持查看

写在最后

生成出来的 Skill 并不能直接开箱即用,往往还需要做多轮调试,遇到问题再做微调修复。 但即便如此,这个用于生成 Skill 的Skill,还是降低了不少手动封装 Skill 的开发成本。不管是禅道,还是企业内部各类自研业务系统,都可以用它快速完成 Skill 封装,属于通用性的解决方案,希望能够给大家带来参考。

*

目录
相关文章
|
28天前
|
人工智能 安全 测试技术
Agent 天天挂在嘴边的沙箱,到底是个啥?
本文深入解析AI时代关键安全机制——沙箱:它不是虚拟机或Docker,而是“为代码划出的安全活动圈”,通过文件、网络、权限、资源四维隔离,保障Agent执行任意代码时系统与数据安全。结合iOS、浏览器、LeetCode等日常案例,厘清概念,并给出可落地的测试验证方法。
296 2
Agent 天天挂在嘴边的沙箱,到底是个啥?
|
28天前
|
人工智能 自然语言处理 API
EmbeddingGemma 2:740M 多模态嵌入怎么跑离线 RAG
EmbeddingGemma 2 是 Google DeepMind 发布的 740M 开放权重嵌入模型。本文拆解它的模块化编码器:文本与代码 270M、视觉 +170M、音频 +300M,四档参数落在同一个 768 维向量空间,扩模态不必重建向量库;并说明 MRL 截断到 512/256/128 维时的质量取舍(256 维时图像、视频、语音约保留 95%)、截断后需重新做 L2 归一化,以及把检索链路整体塞进手机、笔记本或浏览器、不经过网络请求相比云端嵌入 API 的取舍。
263 0
|
2月前
|
人工智能 JSON API
全网刷屏的 Jev 模型正式开放!一手实战测评 + 保姆级教程
全网爆火的 Jev 模型是什么?有什么用?怎么使用?怎么接入 AI 编程工具?效果真的好么?傻子可懂的 Jev 保姆级实战教程 + 项目实战测评来啦
11012 34
|
28天前
|
JSON 自然语言处理 测试技术
模型回答通过,不代表业务结果通过
模型返回200≠业务达标!结构化任务需自动校验JSON字段与类型;代码须通过格式/静态/测试检查;长文档需抽查事实(数字、否定句等)。以调用记录为过程证据,自动校验为结果门槛,业务验收才是终极标准。(239字)
71 1
模型回答通过,不代表业务结果通过
|
28天前
|
人工智能 自然语言处理 小程序
2 万 Star,我的 AI 编程教程被豆包推荐了!
我的免费 Vibe Coding 教程,GitHub 突破 2 万 Star 了!手把手教你从 0 开始学会主流 AI 编程工具,做出商业级产品。从零基础入门 → 10 分钟做出第一个项目 → 学会多种 AI 编程工具 → 实战各类 AI 项目 → 掌握 AI 编程核心技巧 → 跑通产品变现全流程,再搭配 AI 编程学习资源、AI 知识百科、常见问题解决手册,能够帮你玩转 Vibe Coding,应对各种需求。
165 0
|
28天前
|
消息中间件 缓存 中间件
阿里云通用算力型u2a实例怎么样?高性价比,性能优越,最新活动价格分享
本文围绕阿里云通用算力型u2a实例展开全面解析,它基于AMD EPYC处理器打造,在性能与成本间实现均衡,覆盖从2核2G到64核256G的全档位规格,适配中小型网站、数据库、应用服务器、中间件等多类通用业务场景。文中详细介绍了其跨平台热迁移、数据库性能提升等核心技术特性,梳理了按量付费与包年包月的价格体系,同时结合2026年新用户2.5折活动政策,给出不同业务场景下的规格选购建议,以及成本优化、性能调优的实操方法,为成本敏感的中小企业、开发者和个人用户提供了一套兼顾稳定运行与高性价比的上云选型参考。
|
28天前
|
人工智能 自然语言处理 安全
阿里云百炼产品月报【2026年9月】
阿里云百炼本月重磅升级:Qwen3.8全模态实时模型上线,Token Plan取消周限额、新增Essential套餐及Agent Harness工具权益;Flow Agent预置模板即开即用,MCP广场上新46项服务,覆盖科研、金融、多媒体等场景;应用与Skill广场新增超30款模板及解决方案,控制台全面焕新,助力企业高效构建AI应用。
674 0
|
28天前
|
人工智能 JSON 监控
Amazon 选品 API 实战指南:数据、工作流与成本
本指南详解亚马逊选品API核心价值:提供结构化市场数据(BSR趋势、评论增速、广告占比、跟卖/报价等),支撑六步选品工作流——从关键词发现到持续监控。对比官方PA-API局限,解析第三方API优势,并指导服务商选择与成本优化,助卖家用数据替代经验决策。(239字)
112 0
Amazon 选品 API 实战指南:数据、工作流与成本
|
13天前
|
人工智能 小程序 JavaScript
用 AI 做小程序 UI 自动化测试:从搭环境到生成报告
哈喽,我是 Raina。  之前我们分享过 Web 、APP和桌面端的 UI 自动化测试方案。后来也有不少同学问:小程序端的自动化能不能结合 AI 去实现呢? 答案是可以,而且微信官方已经提供了对应的框架: miniprogram-automator 。 这篇文章就结合一次实际落地过程,讲清楚小程序 UI 自动化怎么跑起来,以及如何借助 Skill 把“探索页面、生成脚本、执行用例、输出报告”这条链路串起来,尽量少写重复代码,让方案更容易在团队里推广。 为什么选 miniprogram-automator 小程序自动化方案有不少,但综合适配性和稳定性来看,官方的 miniprogra
98 0
|
28天前
|
人工智能 安全 BI
企业买了 AI 套餐之后,企业的工作能力增加了吗?业务如果不授权给Agent永远无非真正提效
本文探讨企业如何将AI资源转化为稳定、可管理的工作能力。指出单纯采购模型席位不够,需明确任务边界、数据权限、执行标准与责任归属;强调AI预算≠业务授权,多模型协同需清晰分工;主张从具体可验证任务起步,积累可复用、可追溯、可交接的组织能力。