qe-risk-based-testing

基于风险的测试

<default_to_action> 规划测试或分配测试资源时：

1. 识别风险：可能出现什么问题？影响是什么？可能性有多大？
2. 计算风险：风险 = 概率 × 影响（两项均使用 1-5 分制）
3. 确定优先级：关键（20+）→ 高（12-19）→ 中（6-11）→ 低（1-5）
4. 分配精力：关键 60%，高 25%，中 10%，低 5%
5. 持续重新评估：新信息、变更、生产事故

快速风险评估：

• 概率因素：复杂度、变更频率、开发者经验、技术债务
• 影响因素：用户数量、收入、安全、声誉、监管
• 动态调整：生产环境中的 Bug 会提高风险；稳定的代码会降低风险

关键成功因素：

• 在 Bug 危害最大的地方进行测试，而不是平均覆盖所有地方
• 风险会动态变化——根据新信息重新评估
• 生产数据为风险评估提供依据（右移反馈左移） </default_to_action>

快速参考卡

适用场景

• 规划迭代/发布测试策略
• 决定优先自动化哪些内容
• 分配有限的测试时间
• 说明测试覆盖率决策的依据

风险计算

Risk Score = Probability (1-5) × Impact (1-5)

分数	优先级	精力	行动
20-25	关键	60%	全面测试，采用多种技术
12-19	高	25%	充分测试，优先自动化
6-11	中	10%	标准测试，基础自动化
1-5	低	5%	冒烟测试，仅探索性测试

概率因素

因素	低（1）	中（3）	高（5）
复杂度	简单的 CRUD	业务逻辑	算法、集成
变更率	6 个月以上保持稳定	每月变更	每周/每天变更
开发者经验	资深领域专家	中级	初级，刚接触代码库
技术债务	代码整洁	存在一些债务	遗留代码，没有测试

影响因素

因素	低（1）	中（3）	高（5）
受影响用户	仅管理员	部门	所有用户
收入	无	间接影响	直接影响（结账）
安全	便利性	数据丢失	人身伤害
声誉	内部	行业	公开丑闻

---

风险评估工作流

第 1 步：列出功能/组件

Feature | Probability | Impact | Risk | Priority
--------|-------------|--------|------|----------
Checkout | 4 | 5 | 20 | Critical
User Auth | 3 | 5 | 15 | High
Admin Panel | 2 | 2 | 4 | Low
Search | 3 | 3 | 9 | Medium

第 2 步：应用测试深度

await Task("Risk-Based Test Generation", {
  critical: {
    features: ['checkout', 'payment'],
    depth: 'comprehensive',
    techniques: ['unit', 'integration', 'e2e', 'performance', 'security']
  },
  high: {
    features: ['auth', 'user-profile'],
    depth: 'thorough',
    techniques: ['unit', 'integration', 'e2e']
  },
  medium: {
    features: ['search', 'notifications'],
    depth: 'standard',
    techniques: ['unit', 'integration']
  },
  low: {
    features: ['admin-panel', 'settings'],
    depth: 'smoke',
    techniques: ['smoke-tests']
  }
}, "qe-test-generator");

第 3 步：动态重新评估

// Production incident increases risk
await Task("Update Risk Score", {
  feature: 'search',
  event: 'production-incident',
  previousRisk: 9,
  newProbability: 5,  // Increased due to incident
  newRisk: 15         // Now HIGH priority
}, "qe-regression-risk-analyzer");

---

ML 增强型风险分析

// Agent predicts risk using historical data
const riskAnalysis = await Task("ML Risk Analysis", {
  codeChanges: changedFiles,
  historicalBugs: bugDatabase,
  prediction: {
    model: 'gradient-boosting',
    factors: ['complexity', 'change-frequency', 'author-experience', 'file-age']
  }
}, "qe-regression-risk-analyzer");

// Output: 95% accuracy risk prediction per file

---

Agent 协作提示

记忆命名空间

aqe/risk-based/
├── risk-scores/*        - Current risk assessments
├── historical-bugs/*    - Bug patterns by area
├── production-data/*    - Incident data for risk
└── coverage-map/*       - Test depth by risk level

Agent 集群协作

const riskFleet = await FleetManager.coordinate({
  strategy: 'risk-based-testing',
  agents: [
    'qe-regression-risk-analyzer',  // Risk scoring
    'qe-test-generator',            // Risk-appropriate tests
    'qe-production-intelligence',   // Production feedback
    'qe-quality-gate'               // Risk-based gates
  ],
  topology: 'sequential'
});

---

与 CI/CD 集成

# Risk-based test selection in pipeline
- name: Risk Analysis
  run: aqe risk-analyze --changes ${{ github.event.pull_request.files }}

- name: Run Critical Tests
  if: risk.critical > 0
  run: npm run test:critical

- name: Run High Tests
  if: risk.high > 0
  run: npm run test:high

- name: Skip Low Risk
  if: risk.low_only
  run: npm run test:smoke

---

相关技能

• agentic-quality-engineering - 风险感知型 Agent
• context-driven-testing - 上下文会影响风险
• regression-testing - 基于风险选择回归测试
• shift-right-testing - 生产环境为风险评估提供依据

---

请记住

风险 = 概率 × 影响。 在 Bug 危害最大的地方进行测试。关键风险分配 60%，低风险分配 5%。风险会动态变化——根据新信息重新评估。生产事故会提高风险分数。

使用 Agent： Agent 利用历史数据通过 ML 计算风险，选择与风险相匹配的测试，并根据生产反馈调整分数。使用 Agent 大规模维护动态风险档案。