用途
QE Defect Intelligence 用于指导使用 v3 的缺陷智能能力，包括基于机器学习的缺陷预测、基于历史数据的模式识别，以及自动化根因分析。它面向在缺陷逃逸前预测易产生缺陷的代码这一目标。
激活时机
该技能在以下情况被激活：预测易产生缺陷的代码时；分析失败模式时；执行根因分析时；从过往缺陷中学习时；基于风险对测试进行优先级排序时。
使用方式
该技能提供命令行（aqe defect）与 Agent 工作流两种使用方式。
快速开始命令示例：
- 预测变更代码中的缺陷：
aqe defect predict --changes HEAD~5..HEAD - 分析失败模式：
aqe defect patterns --period 90d --min-occurrences 3 - 根因分析：
aqe defect rca --failure "test/auth.test.ts:45" - 从已解决的缺陷中学习：
aqe defect learn --source jira --status resolved
Agent 工作流（TypeScript 示例）包括缺陷预测与根因分析两类任务：
// Defect prediction
Task("Predict defect-prone code", `
Analyze PR #456 changes and predict defect likelihood:
- Historical defect correlation
- Code complexity factors
- Author experience with module
- Test coverage gaps
Flag high-risk changes requiring extra review.
`, "qe-defect-predictor")
// Root cause analysis
Task("Analyze test failure", `
Investigate recurring failure in AuthService tests:
- Collect failure history (last 30 days)
- Identify common patterns
- Trace to potential root causes
- Suggest fixes using 5-whys analysis
`, "qe-root-cause-analyzer")
主要能力
预测模型
- 基于变更的预测：可配置各因素的权重（代码变更量 codeChurn 0.2、复杂度 complexity 0.25、作者经验 authorExperience 0.15、文件历史 fileHistory 0.2、测试覆盖率 testCoverage 0.2），并可设置 high/medium/low 阈值（分别为 0.7/0.4/0.2）。
await defectPredictor.predictFromChanges({
changes: prChanges,
factors: {
codeChurn: { weight: 0.2 },
complexity: { weight: 0.25 },
authorExperience: { weight: 0.15 },
fileHistory: { weight: 0.2 },
testCoverage: { weight: 0.2 }
},
threshold: {
high: 0.7,
medium: 0.4,
low: 0.2
}
});
- 模式学习：可从缺陷（jira）、提交（git）、测试（test-results）等来源学习模式，识别的模式类型包括 code-smell-to-defect、change-coupling、test-gap-correlation、complexity-defect-density，输出可包含规则、可视化和建议。
await patternLearner.learnPatterns({
source: {
defects: 'jira:project=MYAPP&type=bug',
commits: 'git:last-6-months',
tests: 'test-results:last-1000-runs'
},
patterns: [
'code-smell-to-defect',
'change-coupling',
'test-gap-correlation',
'complexity-defect-density'
],
output: {
rules: true,
visualizations: true,
recommendations: true
}
});
- 根因分析：支持 five-whys、fishbone-diagram、fault-tree、change-impact 等方法，并可结合最近变更、环境差异、依赖变更、相似失败等上下文。
await rootCauseAnalyzer.analyze({
failure: testFailure,
methods: [
'five-whys',
'fishbone-diagram',
'fault-tree',
'change-impact'
],
context: {
recentChanges: true,
environmentDiff: true,
dependencyChanges: true,
similarFailures: true
}
});
缺陷预测报告结构
interface DefectPrediction {
file: string;
riskScore: number; // 0-1
riskLevel: 'critical' | 'high' | 'medium' | 'low';
factors: {
name: string;
contribution: number;
details: string;
}[];
historicalDefects: {
count: number;
recent: Defect[];
patterns: string[];
};
recommendations: {
action: string;
priority: string;
expectedRiskReduction: number;
}[];
}
模式类别
该技能列出了常见缺陷模式及其检测与预防方式：
- 空指针（Null pointer）：检测方式为静态分析，预防方式为空值检查、Optional。
- 竞态条件（Race condition）：检测方式为并发分析，预防方式为锁、原子操作。
- 内存泄漏（Memory leak）：检测方式为堆分析，预防方式为资源清理。
- 差一错误（Off-by-one）：检测方式为边界分析，预防方式为循环不变式。
- 注入（Injection）：检测方式为污点分析，预防方式为输入校验。
根因分析模板
root_cause_analysis:
five_whys:
max_depth: 5
prompt_template: "Why did {effect} happen?"
fishbone:
categories:
- people
- process
- tools
- environment
- materials
- measurement
fault_tree:
top_event: "Test Failure"
gate_types: [AND, OR, NOT]
basic_events: true
与问题跟踪系统集成
await defectIntelligence.syncWithTracker({
source: 'jira',
project: 'MYAPP',
sync: {
defectData: 'bidirectional',
predictions: 'create-tasks',
patterns: 'update-labels'
},
automation: {
flagHighRisk: true,
suggestAssignee: true,
linkRelated: true
}
});
协调关系
主要 Agent：qe-defect-predictor、qe-pattern-learner、qe-root-cause-analyzer。协调者：qe-defect-intelligence-coordinator。相关技能：qe-coverage-analysis、qe-quality-assessment。
适用场景
适用于变更代码的缺陷预测、失败模式分析、根因分析、历史缺陷学习，以及基于风险的测试优先级排序。
限制
资料未提供关于该技能的收费、价格、平台支持范围或效果保证等信息，暂未提供。