上几篇教程，我们搭建了一套完整的企业级接口自动化测试工程体系，但还有一个痛点：AI 生成的脚本偶尔会有小毛病（比如漏了 import、断言不严谨），需要人工修改。本文的目标是：让 Skill 具备自我评估与自动修复能力，当生成物未通过质量检查时，自动诊断、修正，直到输出可以直接运行且通过所有检查的代码。全程无需人工干预，真正实现“一句话需求 → 可信任的自动化脚本”。

1. 自愈型 Skill 的工作原理

我们利用 Claude Code 的 Skill 可以定义 多步骤交互逻辑 的特点，设计一个循环：

1. 生成：根据需求初步生成脚本。

2. 评估：在本地执行自动化检查（代码规范、pytest 收集、烟雾测试）。

3. 判断：若检查全部通过，输出最终结果并结束；若失败，收集错误信息作为反馈。

4. 修正：将反馈注入上下文，让 Skill 分析原因并修改代码。

5. 重复 2~4，直到通过或达到最大重试次数。

整个过程由 Skill 内的提示词和脚本配合完成，Claude Code 充当“大脑”，本地 Python 脚本充当“质检员”。

2. 准备工作

沿用之前的项目结构，确保已安装所有依赖。新增一个 质检脚本 scripts/validate_generated.py，用于自动评估生成的测试代码。

2.1 创建质检脚本

scripts/validate_generated.py 内容如下：

#!/usr/bin/env python3
"""
自动评估生成的接口测试脚本质量。
检查项：
1. ruff 代码规范
2. pytest 收集用例是否成功
3. 自定义规则（必须使用 BaseRequest）
4. 可选：执行快速 smoke 测试
返回 JSON 格式结果，供 Skill 解析。
"""
import subprocess
import sys
import json
import os
from pathlib import Path

PROJECT_ROOT = Path(__file__).parent.parent
TESTS_DIR = PROJECT_ROOT / "tests"
REPORT = {"passed": False, "checks": []}

def run_check(name, cmd):
    try:
        result = subprocess.run(cmd, shell=True, capture_output=True, text=True, cwd=PROJECT_ROOT)
        success = result.returncode == 0
        REPORT["checks"].append({
            "check": name,
            "status": "pass" if success else "fail",
            "output": result.stdout[-500:] + result.stderr[-500:] if not success else ""
        })
        return success
    except Exception as e:
        REPORT["checks"].append({"check": name, "status": "error", "output": str(e)})
        return False

def main():
    print("🧪 开始评估生成的测试代码...")

    # 1. ruff 检查
    run_check("ruff lint", "ruff check tests/ common/")

    # 2. 自定义规则：必须使用 BaseRequest
    run_check("custom: use BaseRequest", f"python {PROJECT_ROOT}/scripts/check_base_request.py")

    # 3. pytest 收集用例（不执行）
    run_check("pytest collection", "pytest --collect-only -q")

    # 4. 可选：执行 smoke 测试（如果有标记）
    smoke_result = subprocess.run(
        "pytest -m smoke --tb=short -q", shell=True, capture_output=True, text=True, cwd=PROJECT_ROOT
    )
    smoke_passed = smoke_result.returncode == 0
    REPORT["checks"].append({
        "check": "smoke test execution",
        "status": "pass" if smoke_passed else "fail",
        "output": smoke_result.stdout[-1000:] + smoke_result.stderr[-1000:]
    })
    
    REPORT["passed"] = all(c["status"] == "pass" for c in REPORT["checks"])
    print(json.dumps(REPORT, indent=2, ensure_ascii=False))
    sys.exit(0 if REPORT["passed"] else 1)

if __name__ == "__main__":
    main()

别忘了 scripts/check_base_request.py 仍保留（见上一篇教程）。

从脚本到工程体系：用 Claude Code + GLM-5 搭建企业级 AI 接口自动化测试平台

2.2 修改 Skill 文件支持自愈

我们将之前的 enterprise-api-test-gen.md 升级为 self-healing-api-gen.md，内容如下：

# 自愈型企业接口自动化脚本生成器

## 目标
根据用户需求，生成符合企业规范且可直接运行的 Python 接口自动化代码。生成后必须自我评估，若不通过则自动修正，直到通过所有质量检查。

## 运作流程（严格按此顺序）
1. **理解需求**：读取 `docs/api.yaml` 和 `specs/coding_standard.md`，明确用户业务流。
2. **初始生成**：输出完整的文件列表及每个文件的代码，遵守规范。
3. **调用质检**：用户（或自动化脚本）会执行 `python scripts/validate_generated.py`，并将返回的 JSON 结果提供给你。
4. **分析失败原因**：如果 `passed` 为 `false`，仔细阅读 `checks` 中失败的项及其 `output`，定位错误（可能是语法错误、缺少 import、违反规范等）。
5. **修正代码**：仅修改有问题的文件，重新输出这些文件的完整代码。注意不要改动原本已通过检查的部分。
6. **重复评估**：再次等待用户提供最新的评估结果。如果仍失败，继续修正，直到通过或超过 5 次尝试。
7. **最终输出**：当评估通过后，输出一段总结，说明最终生成的文件列表，以及经过多少次修正。

## 重要约束
- 生成的所有代码必须可直接运行，不得包含占位符（如 `TODO`、`pass`）。
- 所有请求必须通过 `common.base_request.BaseRequest` 发送，并使用 `config` fixture 获取环境 URL。
- 数据驱动用例必须从 `data/` 目录读取 YAML 文件，且文件存在。
- 业务流用例中需要用到的 token 等上下文，通过前置步骤获取并传递，严禁硬编码。
- 修正时仅输出需要修改的文件内容，不要重复输出未变动的文件。
- 若同一错误反复出现，尝试换一种实现方式，并输出你的分析思路（但不要输出给最终代码）。

这个 Skill 利用了我们定义的“质检 API”（即运行 validate_generated.py 并返回 JSON），Claude Code 可以像调用工具一样，依赖用户将质检结果粘贴回来。实际上，可以进一步通过 MCP (Model Context Protocol) 让 Claude Code 直接执行本地脚本，但为了小白友好，我们采用“用户中转”的方式：Skill 生成代码 → 用户在终端运行质检脚本 → 将 JSON 结果粘贴回对话 → Skill 自愈。

3. 实操演示：零干预闭环的完整过程

假设我们已在项目根目录，并且已按之前的教程准备好 docs/api.yaml、specs/coding_standard.md、common/ 等。

3.1 启动 Claude Code 并加载 Skill

claude

在对话中激活 Skill：

@self-healing-api-gen 请读取 docs/api.yaml 和 specs/coding_standard.md。

3.2 提出需求

业务流：用户登录后查询商品列表，然后下单购买第一个商品。
请生成完整的自动化脚本，包含数据驱动（登录成功、密码错误两种场景），并添加 smoke 标记。

3.3 Skill 初始生成

Claude 会输出一系列文件，例如：

common/__init__.py, common/base_request.py, data/login_data.yaml, tests/user/test_login.py, tests/order/test_flow.py ...

并给出完整代码。

3.4 用户运行质检

将生成的代码写入磁盘（Claude Code 的 apply 模式可自动写入，或者手动创建）。然后运行质检：

python scripts/validate_generated.py

首次大概率会失败，例如：

{
  "passed": false,
  "checks": [
    {"check": "ruff lint", "status": "fail", "output": "tests/user/test_login.py:5:1: F401 'os' imported but unused"},
    {"check": "custom: use BaseRequest", "status": "pass", "output": ""},
    {"check": "pytest collection", "status": "pass", "output": ""},
    {"check": "smoke test execution", "status": "fail", "output": "E   AttributeError: 'TestLogin' object has no attribute 'config'"}
  ]
}

3.5 将质检结果反馈给 Claude

直接将终端输出的 JSON 复制粘贴到 Claude 对话中，并说：

评估结果如上，请修正。

Claude（基于 Skill 设定的流程）会分析：

• ruff 报错：test_login.py 第 5 行导入了未使用的 os，需要删除。

• smoke 测试失败：TestLogin 对象没有 config 属性，说明用例没有使用 config fixture，需要修改函数签名并传入。

然后它会输出修正后的文件代码，比如只输出 tests/user/test_login.py 的修正版。

3.6 再次质检

用户将修正后的代码更新到文件，再次运行质检脚本，将新的 JSON 反馈给 Claude。

反复 2~3 次后，通常能够通过。最终 Claude 会输出：

✅ 评估通过！
文件列表：
- tests/user/test_login.py
- tests/order/test_flow.py
- data/login_data.yaml
- conftest.py
修正次数：2

4. 进阶：将质检直接集成到 Claude Code（MCP）

如果你希望彻底解放双手，可以编写一个 MCP 服务器，让 Claude Code 直接调用 validate_generated.py。这样就不需要用户手动粘贴结果了。

4.1 创建 MCP 服务器脚本

在项目根目录创建 mcp_server.py：

import subprocess
import json
import sys
from pathlib import Path

def validate():
    result = subprocess.run(
        [sys.executable, "scripts/validate_generated.py"],
        capture_output=True, text=True, cwd=Path(__file__).parent
    )
    # 脚本的 stdout 是 JSON
    return result.stdout

if __name__ == "__main__":
    if len(sys.argv) > 1 and sys.argv[1] == "validate":
        print(validate())

4.2 在 .claude.yaml 中配置 MCP

mcp_servers:
  - name: validate-tests
    command: python
    args: ["mcp_server.py", "validate"]

之后在 Skill 中可以直接调用 validate-tests 工具获取质检结果，形成真正的全自动闭环。Skill 文件可以改为：

...
3. **生成后自动评估**：无需等待用户，立即调用工具 `validate-tests` 获取评估结果。
...

这样整个流程完全无人值守。

5. 持续集成中的自愈闭环

将自愈流程嵌入 CI：当新生成的脚本提交后，CI 执行全量测试，如果失败，触发一个自动化 Job 调用 Claude Code + Skill 进行修复，并自动提交修复后的代码（需权限控制）。你甚至可以实现 “夜间自愈流水线”：每天凌晨对所有不稳定用例尝试自动修复，人工只需审核 Pull Request。

6. 总结

通过给 Skill 增加 “评估-反馈-修正” 的闭环逻辑，我们让 AI 生成的质量得到了质的飞跃。你不再是一个命令的发布者，而是一个 AI 测试架构师，只需定义标准和流程，剩下的交给自愈型 Skill 去完成。

下一步建议：

• 扩展质检脚本，加入更丰富的检查项（如接口覆盖率、性能基线）。

• 为 Skill 建立“记忆库”，将常见错误模式沉淀为 fix_patterns.md，加速修正。

• 与团队共享这个自愈 Skill，统一自动化产出标准。