acceptance-criteria-review
About acceptance-criteria-review
An acceptance-criteria review skill for product and engineering teams. It turns requirements and user stories into verifiable criteria or reviews existing criteria for ambiguity and risk. Original rules and sources are retained separately from recommendations and questions for product confirmation.
Key features
- 01Review original criteria or propose rewrites
- 02Record source text, expected result, and rationale
- 03Cover normal, error, and boundary paths
- 04Check observable outcomes and business rules
- 05Separate suggestions from items needing confirmation
Use cases
- 01Turn user stories into testable acceptance criteria
- 02Review ambiguous or incomplete criteria
- 03Identify business rules requiring product confirmation
Install
Copy the command and run it in a terminal.
npx skills add https:/ / github.com/ naodeng/ awesome-qa-skills --skill acceptance-criteria-reviewAfter installing, type/acceptance-criteria-reviewin Claude Code to confirm it loaded.
Bundled files
References and scripts installed along with SKILL.md.
agents/openai.yamlevals/eval.yamlevals/cases/basic-success.yamldomain-method-regression.yamledge-incomplete-input.yamledge-risk-priority.yamlevals/fixtures/check_domain_decisions.pycheck-domain-decisions.shdomain-oracle.jsonprompts/acceptance-criteria-review.mdreferences/domain-decision-example.mdDetails
From the project README验收标准评审(中文版)
何时使用
- 需要把需求与用户故事转成可验证、无歧义且覆盖异常路径的验收标准。
- 需要对现有方案、结果或证据做风险评审,并形成可执行改进项。
- 输入不完整,但仍需先给出带假设和信息缺口的可用初版。
输出格式选项
- 默认输出 Markdown,适合评审、执行和持续补充。
- 用户要求表格、CSV、JSON 或工单格式时,保留同样的风险、证据、优先级和边界字段。
- 若输出会进入自动化流程,先确认字段 schema、枚举值和必填项。
如何使用
- 先阅读并遵循
prompts/acceptance-criteria-review.md的输入、执行规则、最低覆盖清单和输出顺序。 - 补充真正影响判断的范围、环境、版本、限制、证据和成功标准。
- 先做输入审计,再区分已确认事实、合理假设和待确认问题。
- 按风险和证据强度排序,产出可直接执行、评审或验证的结果。
- 信息不足时不要停在提问:先交付受限初版,并说明哪些结论暂不能成立。
参考文件
-
校准领域结果、正确对照或证据缺口时,读取 references/domain-decision-example.md 的脱敏输入、逐项预期与复算依据。
-
每次执行必须读取
prompts/acceptance-criteria-review.md;它是本 Skill 的完整执行规范。 -
需要评测或回归本 Skill 时,读取
evals/eval.yaml与匹配的evals/cases/用例。 -
只有目录实际存在且任务需要时,才读取
references/、examples/、scripts/或output-formats.md,不要假设不存在的资产。
领域执行要点
- 先选择
review(核对原标准)、proposed-rewrite(建议改写)或missing-rule(规则缺失);保留原 AC ID、版本、原文和来源,不把建议覆盖成原规则。 - 逐条输出:AC ID | 原标准 | 模式 | 可观察预期 | 建议文本 | 差异原因 | 待产品确认。无规则的格子保持待确认。
- 对比较符按原文拆出小于、等于、大于三个输入;对重复请求记录业务键、累计退款、剩余可退额和最终状态。响应成功不等于账务正确。
- 建议改写应包含 Given/When/Then、可观察数据与错误路径;确认充分的原标准标为可测试,不为凑问题制造歧义。
核心约束
- 不要替产品方决定缺失的业务规则
- 每条标准写成可观察结果
- 把阻塞开发或测试的歧义单独升级
- 不编造输入中不存在的系统行为、字段、数据、指标或根因。
- 关键结论必须关联证据;证据不足时标记为假设并给出验证方法。
- 优先级必须说明业务影响、发生可能性或可探测性依据。
交付前自检
- 已覆盖:可测试性与可观测结果、正常、异常和边界路径、角色权限、数据规则、状态迁移、依赖与失败处理、非功能约束、需求歧义。
- 已区分事实、假设、缺口和建议。
- 高风险项有明确优先级、证据、负责人或下一步。
- 输出包含可验证的判断标准,而非泛泛而谈。
- 未执行未经授权的生产写操作或破坏性动作。
常见误区
- 只列检查点,不说明输入条件、预期结果或证据。
- 把所有事项都标为高优先级,失去取舍价值。
- 用工具名或通用理论替代领域判断。
- 输入不完整时直接拒绝,或反过来假装结论已经确定。
最佳实践
- 从最可能造成业务损失、安全问题或发布阻塞的路径开始。
- 用最小可验证实验缩小不确定性,并记录复现条件。
- 让输出能够被另一位工程师直接执行和复核。