К основному содержанию
скилл CX Codex

qe-learning-optimization — скилл для Claude Code: обзор и установка

Скилл qe-learning-optimization для Claude Code переносит опыт между тестовыми агентами, подбирает гиперпараметры байесовским поиском и оценивает точность A/B-тестами. Настраивает генераторы тестов под новый фреймворк.

MIT 121 установок ★ 533 обновлён 2026-10-25

Установить в Claude Code · Через Skills CLI (Vercel) Все способы и платформы ↓
npx skills add proffesor-for-testing/agentic-qe --skill qe-learning-optimization -a claude-code
Открыть на GitHub

Что делает qe-learning-optimization

Скилл управляет оптимизацией агентов качества (QE) через субагентов qe-transfer-specialist, qe-metrics-optimizer и qe-pattern-learner. Он помогает переносить паттерны написания проверок между библиотеками — например, трансформировать моки и утверждения из Jest в синтаксис Vitest с контролем точности на валидационной выборке.

Для поиска оптимальных параметров используется байесовский поиск. Скилл умеет подбирать скорость обучения, размер батча и пороги совпадения шаблонов для агента defect-predictor. Дополнительно поддерживаются эксперименты с разделением трафика и сбор правок из ревью кода в реальном времени.

Хранение извлечённых синтаксических шаблонов опирается на векторную базу agentdb и консольную утилиту aqe.

Какие задачи решает

  • Перенести наработанные шаблоны тестов из Jest в Vitest
  • Подобрать гиперпараметры для агента прогнозирования дефектов
  • Провести A/B-тест алгоритмов генерации тестовых сценариев
  • Настроить сбор правок из ревью в цикл обратной связи модели

Примеры запросов агенту

  • Перенеси паттерны генерации тестов из Jest в Vitest и проверь точность на валидационной выборке
  • Запусти байесовский подбор параметров для агента defect-predictor с целевой метрикой accuracy
  • Настрой еженедельный цикл дообучения test-generator с автооткатом при падении точности на 5%

Как установить qe-learning-optimization

1Через Skills CLI (Vercel)

npx skills add proffesor-for-testing/agentic-qe --skill qe-learning-optimization -a claude-code

2Вручную: положить файлы

~/.claude/skills/qe-learning-optimization/SKILL.md

Папка скилла целиком; для одного проекта — .claude/skills/qe-learning-optimization/

По шагам, с командами для каждой платформы: Как установить скилл в Claude Code: пять способов

Вопросы о qe-learning-optimization

Как установить qe-learning-optimization в Claude Code?

Выполните в терминале команду npx skills add proffesor-for-testing/agentic-qe --skill qe-learning-optimization -a claude-code.

Что делает qe-learning-optimization?

Управляет переносом знаний между тестовыми библиотеками, подбирает гиперпараметры агентов тестирования и организует A/B-тесты алгоритмов.

Как устроен перенос знаний между фреймворками?

Агент сопоставляет конструкции моков вроде jest.fn с vi.fn, меняет стиль проверок и сверяет точность переноса на тестовом наборе.

Исходный текст

SKILL.md · MIT
---
name: "qe-learning-optimization"
description: "Optimizes QE agent performance through transfer learning, hyperparameter tuning, and pattern distillation across test domains. Use when improving agent accuracy, applying learned patterns to new projects, tuning quality thresholds, or implementing continuous improvement loops for AI-powered testing."
trust_tier: 3
validation:
  schema_path: schemas/output.json
  validator_path: scripts/validate-config.json
  eval_path: evals/qe-learning-optimization.yaml
---

# QE Learning Optimization

## Purpose

Guide the use of v3's learning optimization capabilities including transfer learning between agents, hyperparameter tuning, A/B testing, and continuous performance improvement.

## Activation

- When optimizing agent performance
- When transferring knowledge between agents
- When tuning learning parameters
- When running A/B tests
- When analyzing learning metrics

## Quick Start

```bash
# Transfer knowledge between agents
aqe learn transfer --from jest-generator --to vitest-generator

# Tune hyperparameters
aqe learn tune --agent defect-predictor --metric accuracy

# Run A/B test
aqe learn ab-test --hypothesis "new-algorithm" --duration 7d

# View learning metrics
aqe learn metrics --agent test-generator --period 30d
```

## Agent Workflow

```typescript
// Transfer learning
Task("Transfer test patterns", `
  Transfer learned patterns from Jest test generator to Vitest:
  - Map framework-specific syntax
  - Adapt assertion styles
  - Preserve test structure patterns
  - Validate transfer accuracy
`, "qe-transfer-specialist")

// Metrics optimization
Task("Optimize prediction accuracy", `
  Tune defect-predictor agent:
  - Analyze current performance metrics
  - Run Bayesian hyperparameter search
  - Validate improvements on holdout set
  - Deploy if accuracy improves >5%
`, "qe-metrics-optimizer")
```

## Learning Operations

### 1. Transfer Learning

```typescript
await transferSpecialist.transfer({
  source: {
    agent: 'qe-jest-generator',
    knowledge: ['patterns', 'heuristics', 'optimizations']
  },
  target: {
    agent: 'qe-vitest-generator',
    adaptations: ['framework-syntax', 'api-differences']
  },
  strategy: 'fine-tuning',
  validation: {
    testSet: 'validation-samples',
    minAccuracy: 0.9
  }
});
```

### 2. Hyperparameter Tuning

```typescript
await metricsOptimizer.tune({
  agent: 'defect-predictor',
  parameters: {
    learningRate: { min: 0.001, max: 0.1, type: 'log' },
    batchSize: { values: [16, 32, 64, 128] },
    patternThreshold: { min: 0.5, max: 0.95 }
  },
  optimization: {
    method: 'bayesian',
    objective: 'accuracy',
    trials: 50,
    parallelism: 4
  }
});
```

### 3. A/B Testing

```typescript
await metricsOptimizer.abTest({
  hypothesis: 'ML pattern matching improves test quality',
  variants: {
    control: { algorithm: 'rule-based' },
    treatment: { algorithm: 'ml-enhanced' }
  },
  metrics: ['test-quality-score', 'generation-time'],
  traffic: {
    split: 50,
    minSampleSize: 1000
  },
  duration: '7d',
  significance: 0.05
});
```

### 4. Feedback Loop

```typescript
await metricsOptimizer.feedbackLoop({
  agent: 'test-generator',
  feedback: {
    sources: ['user-corrections', 'test-results', 'code-reviews'],
    aggregation: 'weighted',
    frequency: 'real-time'
  },
  learning: {
    strategy: 'incremental',
    validationSplit: 0.2,
    earlyStoppingPatience: 5
  }
});
```

## Learning Metrics Dashboard

```typescript
interface LearningDashboard {
  agent: string;
  period: DateRange;
  performance: {
    current: MetricValues;
    trend: 'improving' | 'stable' | 'declining';
    percentile: number;
  };
  learning: {
    samplesProcessed: number;
    patternsLearned: number;
    improvementRate: number;
  };
  experiments: {
    active: Experiment[];
    completed: ExperimentResult[];
  };
  recommendations: {
    action: string;
    expectedImpact: number;
    confidence: number;
  }[];
}
```

## Cross-Framework Transfer

```yaml
transfer_mappings:
  jest_to_vitest:
    syntax:
      "describe": "describe"
      "it": "it"
      "expect": "expect"
      "jest.mock": "vi.mock"
      "jest.fn": "vi.fn"
    patterns:
      - mock-module
      - async-testing
      - snapshot-testing

  mocha_to_jest:
    syntax:
      "describe": "describe"
      "it": "it"
      "chai.expect": "expect"
      "sinon.stub": "jest.fn"
    adaptations:
      - assertion-style
      - hook-naming
```

## Continuous Improvement

```typescript
await learningOptimizer.continuousImprovement({
  agents: ['test-generator', 'coverage-analyzer', 'defect-predictor'],
  schedule: {
    metricCollection: 'hourly',
    tuning: 'weekly',
    majorUpdates: 'monthly'
  },
  thresholds: {
    degradationAlert: 5,  // percent
    improvementTarget: 2,  // percent per week
  },
  automation: {
    autoTune: true,
    autoRollback: true,
    requireApproval: ['major-changes']
  }
});
```

## Pattern Learning

```typescript
await patternLearner.learn({
  sources: {
    codeExamples: 'examples/**/*.ts',
    testExamples: 'tests/**/*.test.ts',
    userFeedback: 'feedback/*.json'
  },
  extraction: {
    syntacticPatterns: true,
    semanticPatterns: true,
    contextualPatterns: true
  },
  storage: {
    vectorDB: 'agentdb',
    versioning: true
  }
});
```

## Coordination

**Primary Agents**: qe-transfer-specialist, qe-metrics-optimizer, qe-pattern-learner
**Coordinator**: qe-learning-coordinator
**Related Skills**: qe-test-generation, qe-defect-intelligence

© proffesor-for-testing · MIT · proffesor-for-testing/agentic-qe

Похожие скиллы

Все скиллы по теме «Тесты и QA» →
tester ruvnet Субагент tester, который проектирует и запускает тесты: unit, интеграционные, E2E, производительность и безопасность. Помогает держать покрытие выше 80% и ловить баги на ранних стадиях. CX Codex ★ 850звёзд репо test-coverage cognitedata Скилл test-coverage находит пробелы в покрытии тестами приложения на Flows и закрывает их: настраивает инструменты, пишет недостающие тесты, правит код ради тестируемости. CX Codex +1 1 900установок testing-best-practices agent-skills Скилл testing-best-practices для Claude Code: 34 правила по юнит- и интеграционным тестам и TDD в 7 категориях на TypeScript с Jest и Vitest. Покрывает написание и разбор чужих тестов. CX Codex +1 975установок parallel-test-fixing spencerpauly Скилл parallel-test-fixing распределяет упавшие файлы тестов между параллельными субагентами, чтобы исправлять ошибки независимо. Он нужен при поломке сразу нескольких тестовых файлов. CX Codex +1 455установок migrate-to-rstest rstackjs Скилл migrate-to-rstest для Claude Code и Codex переносит тесты из Jest, Vitest или Playwright Test в Rstest, сохраняя обнаружение, ассерты, моки, снапшоты и покрытие. Миграция проходит без переписывания сценариев. CX Codex +1 436установок api-test-suite-generator patricio0312rev Скилл api-test-suite-generator для Claude Code сканирует определения маршрутов и генерирует тесты API на Jest, Vitest или Supertest. Закрывает покрытие эндпоинтов, у которых тестов ещё нет. CX Codex +1 319установок

Из того же набора73

Весь набор →
consultancy-practices Скилл consultancy-practices для Claude Code, Codex, Cursor и других платформ применяет практики консалтинга качества ПО. Слушает клиента, выявляет боль, приоритизирует по матрице воздействие/усилия, передаёт знания вместо зависимости. CX Codex +1 122установок mutation-testing Скилл mutation-testing запускает мутационное тестирование: меняет код (операторы, границы, логику), прогоняет тесты и считает, сколько мутантов выжило — это слабые места. CX Codex +1 122установок qe-code-intelligence Скилл qe-code-intelligence строит семантический индекс кодовой базы, карты зависимостей и граф знаний. Помогает разобраться в незнакомом коде, отследить цепочки вызовов и найти нужные участки по смыслу запроса. CX Codex +1 122установок qe-test-execution Скилл qe-test-execution для запуска тестов в Jest, Vitest и Playwright с параллелизацией через aqe, умным отбором по diff и автоповтором упавших проверок. CX Codex +1 122установок qe-security-compliance Скилл qe-security-compliance запускает аудит безопасности, поиск уязвимостей в коде и зависимостях, а также проверку соответствия стандартам вроде OWASP и SOC2. CX Codex +1 120установок testability-scoring Скилл testability-scoring для Claude Code оценивает тестируемость веб-приложения по 10 принципам и формирует отчёт. Проверяет готовность к тестам и выявляет слабые места. CX Codex +1 119установок test-data-management Скилл test-data-management для Claude Code генерирует тестовые данные, обезличивает PII и изолирует записи между тестами. Применяется в unit-, integration- и performance-тестах. CX Codex +1 118установок iterative-loop Скилл iterative-loop запускает циклы разработки «сборка-тест-исправление» до выполнения критериев готовности. Помогает доводить фичи по TDD и устранять баги без ручного контроля каждого шага. CX Codex +1 118установок

Спонсоры проекта

Компании, которые помогают держать аналитику открытой