Test Online Analysis 测试实时分析技能

概述

该技能提供实时数据分析能力，包括从在线流式数据中提取规则、识别测试场景中的模式、日志分析以及异常检测。它有助于自动从实时数据流或日志文件中识别业务规则、测试模式及异常行为。

核心能力

1. 规则提取

• 自动从在线数据流中提取业务规则
• 从实时交易数据中识别隐含逻辑与约束条件
• 生成结构化的规则文档，供测试参考

2. 模式识别

• 从日志数据中识别常见测试场景
• 识别用户行为与系统响应中的重复模式
• 对数据模式进行分类，以简化测试用例设计

3. 异常检测

• 实时检测异常数据点与系统行为
• 将当前数据与历史模式对比，识别离群值
• 生成带严重程度等级的异常报告

4. 测试场景生成

• 基于提取出的规则与模式自动生成测试用例
• 将真实世界场景映射至测试覆盖率需求
• 从实时数据中识别边界情况与边缘用例

工作流程

步骤 1：数据接入

1. 支持输入数据源：日志文件、实时 API 流、数据库查询结果
2. 校验数据格式与结构
3. 预处理数据（清洗、标准化、过滤）

步骤 2：分析执行

1. 在预处理后的数据上运行规则提取算法
2. 应用模式识别模型，识别测试场景
3. 基于基准模式执行异常检测

步骤 3：结果生成

1. 以 Markdown 格式生成结构化规则文档
2. 基于提取的模式生成测试用例建议
3. 输出包含可操作洞察的异常报告

步骤 4：结果交付

1. 向用户呈现关键发现摘要
2. 提供导出完整分析结果至文件的选项
3. 建议后续优化测试工作的具体行动项

使用示例

示例 1：从交易日志中提取规则

用户请求：“分析这些交易日志，并提取用于测试的业务规则”
技能动作：

1. 接入并解析日志文件
2. 提取交易验证规则、金额限制及处理逻辑
3. 生成结构化规则文档，并附带测试用例建议
4. 输出关键规则摘要及潜在测试场景

示例 2：在实时数据中检测异常

用户请求：“监控该数据流并找出异常”
技能动作：

1. 连接至实时数据源
2. 基于历史数据建立基准模式
3. 在异常数据点出现时即时告警
4. 生成包含严重程度评估的异常报告

资源

scripts/

• rule_extractor.py：从结构化数据中提取业务规则的核心算法
• pattern_recognizer.py：用于识别测试场景的机器学习模型
• anomaly_detector.py：实时异常检测工具
• test_case_generator.py：基于提取规则自动生成测试用例

references/

• rule_extraction_standards.md：统一规则文档编写的规范指南
• pattern_catalog.md：常见测试模式与场景的目录清单
• anomaly_severity_matrix.md：异常严重程度分类框架

安装

本地安装

1. 将 online-analysis 目录克隆或复制到您的 OpenClaw 技能文件夹：

   # 用户工作区技能
   cp -r online-analysis ~/.openclaw/workspace/skills/
   
   # 或系统全局技能
   cp -r online-analysis /usr/local/lib/node_modules/openclaw/skills/
   

2. 重启 OpenClaw 以加载新技能

依赖项

pip install numpy

使用方法

命令行调用

# 从日志文件中提取规则
python scripts/rule_extractor.py transaction_logs.txt > extracted_rules.md

# 在数值型数据中检测异常
python scripts/anomaly_detector.py performance_metrics.json > anomaly_report.md

技能触发方式

当您提及以下任意关键词时，该技能将自动激活：

• “online analysis”
• “rule extraction”
• “real-time data analysis”
• “log analysis for testing”
• “anomaly detection”

许可证

MIT