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
npx skills add proffesor-for-testing/agentic-qe --skill qe-learning-optimization -a claude-codeЧто 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-code2Вручную: положить файлы
~/.claude/skills/qe-learning-optimization/SKILL.mdПапка скилла целиком; для одного проекта — .claude/skills/qe-learning-optimization/
1Через Skills CLI (Vercel)
npx skills add proffesor-for-testing/agentic-qe --skill qe-learning-optimization -a codex2Вручную: положить файлы
.agents/skills/qe-learning-optimization/SKILL.mdДля всех проектов — ~/.agents/skills/
1Через Skills CLI (Vercel)
npx skills add proffesor-for-testing/agentic-qe --skill qe-learning-optimization -a cursor2Вручную: положить файлы
.cursor/skills/qe-learning-optimization/SKILL.mdCursor читает и .agents/skills/, и .claude/skills/
1GitHub CLI
gh skill install proffesor-for-testing/agentic-qe assets/skills/qe-learning-optimization2Вручную: положить файлы
.github/skills/qe-learning-optimization/SKILL.md1Через Skills CLI (Vercel)
npx skills add proffesor-for-testing/agentic-qe --skill qe-learning-optimization -a gemini-cli2Командой платформы
gemini skills install https://github.com/proffesor-for-testing/agentic-qe --path assets/skills/qe-learning-optimizationВручную: положить файлы
.devin/skills/qe-learning-optimization/SKILL.mdСтарый путь .windsurf/skills/ тоже читается
Через Skills CLI (Vercel)
npx skills add proffesor-for-testing/agentic-qe --skill qe-learning-optimization -a opencodeClaude.ai
Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills
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