STM32 Modbus RTU从站工程详解：状态机、CRC校验与移植避坑指南
2026/10/14 17:43:53
摘要
别再瞎用 AI 测试工具了。真正能落地的，不是让大模型“随便帮我看个 Bug”，而是把提 Bug、验 Bug、出报告这三件最耗时的重复劳动，封装成 AI 能稳定执行的 Skill。
本文先把 AI Agent 拆成两件事：
- MCP Server = AI 的手脚：负责调接口、操作工具、对接缺陷平台、OCR、浏览器自动化。
- Skill = AI 的脑子 + SOP 手册：负责定规则、排流程、控输出、约束边界。
然后重点拆解 3 个测试三件套 Skill：
- bug-report-writer：自动提 Bug 单，支持两步提交、附件上传、PII 脱敏；
- bug-fix-verifier：批量验证缺陷修复状态，支持四分类判定；
- test-report-generator：自动生成测试报告，上线结论由门禁规则算出来，不是 AI 拍脑袋。
文末会给出 Skill 目录结构、开发流程、最佳实践和上线自查清单。MCP 封装、Stdio/HTTP 方案、5 大核心工具对接自研缺陷平台，会放到系列第二篇单独讲。
一、先搞清楚：Skill 和 MCP 到底是什么关系？
很多测试同学做 AI Agent 时，最容易犯的错误是：把所有逻辑都塞给大模型。
结果就是：
- 模型有时候会脑补；
- 有时候会把本地路径写进 Bug 描述；
- 有时候会跳过复现步骤；
- 有时候还会把手机号、Token 直接提交到缺陷平台。
所以一定要先拆清楚：
组件 | 角色 | 负责什么 |
MCP Server | AI 的手脚 | 调接口、上传附件、查缺陷、跑用例、调 OCR |
Skill | AI 的脑子 + SOP | 规定怎么判断、怎么输出、什么能做、什么不能做 |
一句总结：
手脚负责执行，脑子负责指挥。
Skill 的价值不是“让 AI 更聪明”，而是把测试经验变成可复用的规则。比如：提 Bug 前必须先解析证据、根因只能是推测、敏感信息必须脱敏、提交前必须 dry-run。这些都不是模型天然会的，必须写进 Skill。
二、测试三件套 Skill 1：bug-report-writer
核心指令解析
这个 Skill 的目标很简单：把日志、截图、复现步骤、接口响应等证据，整理成一条合格的 Bug 单。
但它必须遵守三条铁律：
- 先解析证据，再下结论。
不能看到报错就说是后端问题，也不能看到空指针就直接定“代码缺陷”。 - 根因只能是推测，不能写成定论。
除非有明确日志、堆栈、接口返回证据，否则根因字段必须写“疑似”。 - 提交前必须 dry-run。
真正调用缺陷平台接口前，先输出一次预览，让测试或 AI 确认字段、优先级、附件、描述是否合理。
最值钱的设计：两步提交
很多 AI 提单工具最容易翻车的地方就是附件。
常见错误写法是：
附件路径：/Users/xxx/Desktop/bug.png
但缺陷平台拿不到你本地文件。正确做法是两步提交：
- 第一步：先建单，拿到 issue key。
- 第二步：再用 multipart 上传截图附件，并绑定到该 issue key。
这样既避免了“附件上传失败导致整单失败”，也避免了把本地路径写进 Bug 描述。
PII 自动脱敏
提 Bug 时经常会出现手机号、身份证、Token、Cookie、内部域名、账号 ID 等敏感信息。
Skill 必须规定：
- 手机号脱敏为
138****8888； - Token/Cookie 替换为
<TOKEN>； - 身份证、邮箱、内部账号按需脱敏；
- 待脱敏附件禁止直接上传，必须先提示人工确认。
这一步非常关键。测试平台一旦把真实 Token 或用户数据写进缺陷系统，就不是提效问题，而是安全问题。
效果对比
没有 Skill 时：
Bug：登录失败
描述：用户说登不上，帮我看下
优先级：高
附件：无
有 Skill 后：
Bug：登录页输入正确账号密码后提示“系统异常”，未返回具体错误码
环境：测试环境 / iOS 17.2 / App 3.8.1
复现步骤：
目录结构
skills/bug-report-writer/ ├── SKILL.md ├── references/ │ ├── bug_template.md │ ├── priority_rules.md │ └── pii_rules.md ├── templates/ │ ├── bug_report.md │ └── bug_report_json.json └── scripts/ ├── dry_run.py ├── upload_attachment.py └── submit_bug.py- SKILL.md：定义角色、输入、输出、边界、工作流。
- references/：知识库，包括 Bug 模板、优先级规则、脱敏规则。
- templates/：输出模板，保证每次生成格式一致。
- scripts/：执行脚本，负责 dry-run、上传附件、提交缺陷。
三、测试三件套 Skill 2：bug-fix-verifier
核心指令解析
这个 Skill 用来做缺陷修复后的批量验证。
输入通常包括：
- 待验证缺陷列表；
- 缺陷原描述；
- 原复现步骤；
- 最新构建版本；
- 自动化用例执行结果；
- 日志或截图证据。
输出不是简单一句“已修复”，而是结构化结果。
反直觉设计：四分类判定
很多人做缺陷验证时，只分“已修复 / 未修复”。但这在真实测试场景里远远不够。
这个 Skill 采用四分类：
分类 | 含义 | 处理建议 |
fixed | 已修复 | 关闭缺陷或转回归 |
not_fixed | 未修复 | 打回开发，附最新证据 |
intermittent | 偶现 | 强制多跑 5 次，记录复现率 |
env_issue | 环境问题 | 优先判定，避免误伤研发 |
其中env_issue 必须优先判定。
因为很多“看起来没修复”的问题，其实是测试环境数据脏、服务未重启、配置未生效、依赖服务异常、Mock 未更新导致的。如果不先判断环境，很容易把环境问题当成开发未修复，造成无效返工。
两个关键机制
1. 环境问题优先判定
只要出现以下信号，就优先标记为env_issue：
- 依赖服务不可用；
- 配置中心未生效；
- 数据库/缓存数据异常；
- 账号权限缺失；
- 构建版本未更新；
- 自动化用例在本地可过、环境必挂。
2. 偶现问题强制多跑 5 次
如果某缺陷在验证过程中出现“有时成功、有时失败”，不能直接判 fixed，也不能直接判 not_fixed。
必须：
- 标记为
intermittent； - 强制重复执行至少 5 次；
- 记录成功次数、失败次数、失败特征；
- 输出复现率。
例如：
重复执行 5 次，成功 3 次，失败 2 次，复现率 40%。失败时接口返回 timeout，疑似并发场景下锁竞争导致。
输出契约
这个 Skill 的输出会被下游报告消费，所以必须定义稳定 JSON 契约。
示例：
{ "bug_id": "BUG-20261012-003", "status": "not_fixed", "confidence": 0.92, "evidence": [ "api_response_500.json", "verify_step3_fail.png" ], "repeat_count": 1, "intermittent_rate": null, "env_issue_reason": null, "suggestion": "打回开发，补充服务端异常堆栈" }这样后续生成测试报告时，就可以直接统计：
- 已修复多少；
- 未修复多少；
- 偶现多少；
- 环境问题多少；
- 哪些缺陷必须拦截上线。
四、测试三件套 Skill 3：test-report-generator
核心指令解析
这个 Skill 负责把缺陷数据、用例执行数据、环境信息、版本信息汇总成一份测试报告。
但它最狠的设计不是“会写报告”，而是：
“建议上线”不是 AI 拍脑袋，而是门禁规则算出来的。
AI 只负责汇总、解释、表达；是否上线，必须由规则决定。
上线门禁规则
示例规则可以这样设计：
- 用例通过率 ≥ 95%：建议上线；
- 用例通过率 ≥ 90% 且无 P0/P1 遗留缺陷：可评审后上线；
- 存在 P0 缺陷未关闭：禁止上线；
- 存在 P1 缺陷且无临时规避方案：禁止上线；
- blocked 用例不计入分母，skipped 用例也不计入分母；
- 偶现缺陷必须标注复现率，不能直接忽略。
这里有一个很关键但容易被忽略的口径：
通过率分母应剔除 skipped，但不剔除 blocked。
因为 skipped 通常是主动跳过，blocked 则是被阻塞，后者更能反映真实风险。如果 blocked 也被剔除，报告会显得比实际情况更乐观。
输出格式
支持三种输出：
- Markdown：适合 Wiki、飞书文档、CSDN 同步；
- HTML：适合邮件发送；
- PDF：适合正式归档。
如果环境缺少 PDF 生成依赖，就优雅降级为 Markdown/HTML，而不是直接报错。
示例报告结构
# 测试报告：订单服务 v3.8.2 ## 结论 建议上线 ## 门禁结果 - 用例通过率：97.2% - P0 缺陷：0 - P1 缺陷：1（已确认规避方案） - 偶现缺陷：2 - 环境问题：1 ## 风险说明 1. 订单超时补偿存在偶现延迟，复现率 20%，建议上线后观察； 2. 支付回调 Mock 环境不稳定，已标记为环境问题； 3. 用户地址解析接口仍有 1 条 P1 缺陷，已通过降级方案规避。 ## 建议 1. 上线后重点观察订单超时补偿任务； 2. 支付回调异常告警阈值下调； 3. 下一版本优先修复地址解析兼容性问题。五、配套辅助 Skill
除了三大主 Skill，还可以配套几个辅助能力：
Skill | 用途 |
visual-ocr-analyzer | 解析截图、弹窗、报错页面、日志图片 |
test-case-runner | 批量执行用例，返回通过/失败/阻塞结果 |
rootcause-analyzer | 基于日志、堆栈、接口响应增强根因分析 |
这些辅助 Skill 不一定要一次性做完。建议先从bug-report-writer开始，因为它收益最直观：提 Bug 是测试最高频、最容易被感知的动作。
六、Skill 开发标准流程
做 Skill 不能凭感觉写，建议按这 7 步走：
- 明确需求边界
这个 Skill 只解决什么问题？不解决什么问题？ - 定义角色和 SOP
AI 扮演什么角色？输入是什么？输出是什么？必须先做什么、后做什么？ - 编写 SKILL.md
把规则、模板、边界、异常处理写清楚。 - 单场景测试
用一条典型日志、一张截图、一个缺陷先跑通。 - Skill + MCP 联调
验证它能否正确调用缺陷平台、OCR、用例执行工具。 - 版本管理
SKILL.md、模板、脚本都要纳入版本控制，不能口头改。 - 灰度上线
先给小范围测试同学用，确认不会乱提单、不会泄露敏感信息，再推广。
七、高能最佳实践
这几条建议直接避开 90% 的翻车点。
1. 职责隔离
Skill 只负责决策和输出格式，MCP 只负责调用工具和接口。不要把接口鉴权、重试、上传逻辑全部塞进 SKILL.md。
2. 固定输出模板
Bug 单、验证结果、测试报告都必须有固定模板。否则 AI 今天输出 Markdown，明天输出纯文本，后天输出 JSON，下游根本没法消费。
3. 高危操作必须人工确认
提交 Bug、关闭缺陷、变更状态、发送报告，这些动作都必须有 dry-run 或人工确认环节。
4. 信息不足就提问，严禁脑补
如果缺少环境、版本、日志、截图、账号权限，Skill 应该主动追问，而不是自己编一个“疑似后端异常”。
5. 拆分细粒度 Skill
不要做一个“万能测试 Agent”。提单、验证、报告、OCR、用例执行，最好拆成多个 Skill。这样更容易调试，也更容易复用。
6. 完善异常容错
接口超时、附件过大、缺陷平台限流、OCR 识别失败、用例执行中断，都要有兜底策略。
八、上线前终极自查清单
发布前建议逐条过一遍：
- 这个 Skill 的职责是否清晰？有没有越权？
- 它是否有权限提交、修改、关闭缺陷？
- 输出是否固定模板？下游能否稳定解析？
- 是否会输出手机号、Token、Cookie、内部账号？
- 高危操作是否有 dry-run 或人工确认？
- 信息不足时是否会主动追问，而不是脑补？
- 是否已经用真实缺陷、真实日志、真实截图验证过？
- SKILL.md、模板、脚本是否都有版本管理？
九、完整落地链路
第一篇先把 Skill 讲清楚，第二篇再展开 MCP 封装。完整链路是这样的：
封装自研缺陷平台 MCP → 开发三大 Skill → 单 Skill 调试 → Skill + MCP 联调 → 灰度给小范围测试同学 → 收集反馈持续迭代下一篇会重点讲：
- Stdio MCP 和 HTTP MCP 怎么选；
- 自研缺陷平台如何封装 5 大核心工具；
create_bug、get_bug、list_bugs、update_bug_status、get_bug_statistics怎么设计；- 鉴权、CORS、HTTPS、参数校验、异常处理怎么落地。
最后聊两句
你平时提 Bug、验 Bug、写报告，最烦的是哪一步？是反复截图、补复现步骤，还是跟开发来回确认环境？评论区吐槽一下，说不定下一个 Skill 就帮你解决它。
如果觉得这类“测试 + AI Agent”的实战对你有帮助，点个赞让我知道有人看，我会继续把系列更下去。下一篇打算写《用 MCP 封装自研缺陷平台：5 个核心工具实战》，想看的评论区扣 1。