test-data-generation

测试数据生成

适用场景

• 需要设计可复用的测试数据集，覆盖业务规则、边界、组合和隐私约束时，使用此技能。
• 需要审查现有计划、结果或证据集并提出可执行的改进建议时，使用此技能。
• 即使上下文不完整，但仍可先进行有范围限制的初步分析时，使用此技能。

输出格式选项

• 默认使用 Markdown 进行审查、执行和迭代完善。
• 用户要求表格、CSV、JSON 或工单字段时，保留风险、证据、优先级和边界信息。
• 对于机器消费的输出，先确认架构、枚举值和必填字段。

使用方法

1. 阅读并遵循 prompts/test-data-generation.md，包括其输入约定、执行规则、最低覆盖要求和输出顺序。
2. 仅补充会影响决策的上下文：范围、环境、版本、约束、证据和成功标准。
3. 审核输入，然后区分已确认事实、工作假设和待解问题。
4. 根据风险和证据强度排序，并生成可直接执行或审查的产物。
5. 如果信息缺失，提供有范围限制的初步分析，并说明哪些结论缺乏支持。

参考文件

• 校准领域结果、有效对照或证据缺口时，请阅读 references/domain-decision-example.md，了解经过脱敏的输入、逐项判定标准和可复现的计算。

• 始终阅读 prompts/test-data-generation.md；它是此技能的完整执行规范。

• 进行评估或回归测试时，请阅读 evals/eval.yaml 和 evals/cases/ 下的相关案例。

• 仅在相关目录存在且任务需要时，才加载 references/、examples/、scripts/ 或 output-formats.md。

领域执行要点

1. 根据提供的架构、外键、唯一性、状态关系和场景判定标准推导数据组。固定种子和生成器版本；缺失的规则保持为 UNKNOWN，不得虚构字段或真实身份。
2. 将有效的正常及边界数据与刻意构造的无效数据组分开。注明违反的约束以及预期的允许／拒绝结果，同时保留其他关系；无效行不得悄然混入有效数据组。
3. 提供经过脱敏的实际样本，并检查唯一性、外键、类型／范围、状态和可复现性。相同种子必须复现相同的数据标识，而不能只给出策略说明。
4. 使用隔离的 ID／命名空间，并记录来源、隐私限制和反向依赖清理方式。缺少授权时，不得收集真实个人数据；合成数据不能证明其具有总体代表性。

核心约束

• 绝不使用真实个人敏感数据
• 区分合成数据、脱敏数据和仿生产数据
• 生成的数据必须可复现且可清理
• 不得虚构证据中不存在的系统行为、字段、数据、指标或根本原因。
• 重要结论必须关联证据；对缺乏支持的结论，应标记为假设并说明验证方法。
• 根据业务影响、发生可能性或可检测性说明优先级。

交付检查清单

• 覆盖：有效值和无效值、边界、等价类、组合、引用完整性、状态、角色、本地化、隐私、清理。
• 区分事实、假设、缺口和建议。
• 为高风险项目标注优先级、证据依据、负责人或后续行动。
• 定义可验证的判定标准，而非泛泛建议。
• 未执行未经授权的生产环境写入或破坏性操作。

常见陷阱

• 列出检查项，却没有前置条件、预期结果或证据。
• 将所有事项都标为高优先级，回避权衡。
• 用工具名称或泛泛理论取代领域推理。
• 因输入不完整而拒绝处理，或假装不完整的证据足以支持确定结论。

最佳实践

• 优先检查最可能导致业务损失、安全问题或发布受阻的路径。
• 通过最小且可验证的实验降低不确定性，并记录复现条件。
• 确保产物可执行，且另一位工程师能够独立审查。