什么是渐进式披露

渐进式披露是高质量 Skill 中最基础也最重要的技巧之一。 用一句话表达就是：不要把所有的规则和知识都一股脑的写在提示词中交给大模型，而是只在必要的时候，加载对应的知识。

为什么需要渐进式披露

在大模型领域有一句话叫上下文腐坏，我通常喜欢叫它上下文污染，但意思都是一样的。当交给大模型的上下文过长的时候，这些内容就会让大模型产生误判，或者说让大模型的注意力转移，把真正重要的内容忽略掉（没办法，transform 模型本质上还是用注意力模式构建的）。 这一点在复杂任务下会尤其明显。

在我们的自动化测试工程中，通常都会由 AI 来完成代码生成的工作，但很多同学总会反馈 AI 生成的代码一次通过率很低，大模型总会在一些细枝末节的地方出纰漏，或者没有理解准确我的意思。 这很可能是长上下文带来的影响。

这其实很好理解，整个自动化测试的项目太大了， 我们历史上可能已经构建了数千条测试用例。这些测试用例之间可能由于场景特性，相近的功能，但用了略有差异的执行和验证方式。这些就会给大模型带来困扰。我们应该让大模型只去理解那些必要的知识，而非把所有东西一股脑扔给他。

要如何做到渐进式披露

概念好理解，但概念太虚了，我要怎么实操呢？ 这里我们先给出一个例子。 在我的编写接口自动化测试的 SKILL.md 中， 最开头就有这样一段：

# 自动化测试用例编写 - 公共知识库

## 工作流（必须严格按顺序执行）

每次编写测试用例时，**必须按以下工作流依次执行**：

### Step 1：阅读规则
1. 阅读本文件，获取公共模块知识
2. 根据用例所属功能域，读取 `references/` 目录下对应的参考文件（见下方分层索引）
3. 读取用例目标目录下的 `.rules` 文件，获取该目录的特定规则

### Step 2：参考已有用例
1. 在用例目标目录下，找到 1-2 个功能最相近的已有测试用例文件
2. 阅读这些用例的完整代码，学习其基类、导入、写法、命名、步骤风格
3. 新用例的风格必须与同目录已有用例保持一致

#### 分层参考文件索引

根据要编写的用例所属功能域，**必须读取**对应的参考文件：

| 功能域 | 参考文件 | 对应用例路径 |
|--------|---------|------------|
| 权限测试 | [`references/auth.md`](references/auth.md) | `cases/platform_management/auth/` |
| 计费测试 | [`references/billing.md`](references/billing.md) | `cases/platform_management/price/` |
| 提示词模板 | [`references/prompt-tpl.md`](references/prompt-tpl.md) | `cases/prompt_templates/` |
| 模型广场 | [`references/model-market.md`](references/model-market.md) | `cases/model_marketplace/` |
| 插件广场 | [`references/plugin-market.md`](references/plugin-market.md) | `cases/plugin_marketplace/` |
| 多Agent模型 | [`references/multi-agent.md`](references/multi-agent.md) | `cases/app_dev/multi_agent_model/` |

> **重要**：编写特定领域用例时，必须先读取对应的 `references/*.md` 文件，获取该领域的基类、Service、测试模式等专用知识。

在 references 目录下的文件：

在这段 skill 的工作流中，首先说明需要大模型根据测试场景， 和测试存放的目录进行分层读取：

1. 首先，如果是一个权限相关的测试用例。 大模型根据 skill 指引，读取 references 下的 auth.md 文件，这里面记录的是什么呢？我们可以看一下：

## 三、权限测试标准流程

### 3.1 创建工作空间并添加子账号


self.start_step("使用主账号创建工作空间")
self.create_workspace_with_sub_account("权限测试工作空间名称")
# self.workspace_id 和 self.sub_uin 自动设置


### 3.2 三种授权方式

权限系统支持三种授权对象，使用不同的 API：

| 授权对象 | API 方法 | 说明 |
|---------|---------|------|
| 用户 | `AuthAPI.SetUserResourcePermissions` | 给用户直接赋予数据权限 |
| 组织 | `AuthAPI.SetSubjectResourcePermissions` | 给组织赋予数据权限，组织内成员继承 |
| 角色 | `AuthAPI.SetRoleResourcePermissions` | 给角色赋予数据权限，角色下用户继承 |

#### 用户直接授权


from lib.lke_api.platform_management.auth.auth_api import AuthAPI
from cases.platform_management.auth.permissions import AppPermissions

res = AuthAPI.SetUserResourcePermissions(
    SpaceId=self.workspace_id,
    AccountUin=self.sub_uin,
    Permissions=AppPermissions.adpAPP_no_permission,  # 权限配置
    account_name="Master_Default",
    ResourceIds=["*"],         # "*" 表示所有资源
    ResourceType="app"         # 资源类型
)
if "Error" in res["Response"]:
    raise Exception(f"设置子账号权限失败. {res=}")


#### 组织授权

# SubjectType=1 表示组织
res = AuthAPI.SetSubjectResourcePermissions(
    SpaceId=self.workspace_id,
    SubjectId=self.dept_id,            # 组织ID
    SubjectType=1,                      # 1=组织
    Permissions=AppPermissions.adpAPP_view,
    ResourceIds=["*"],
    ResourceType="app",
    account_name="Master_Default"
)
if "Error" in res.get("Response", {}):
    raise Exception(f"为组织设置权限失败. {res=}")
time.sleep(40)  # 等待权限生效


#### 角色授权


res = AuthAPI.SetRoleResourcePermissions(
    SpaceId=self.workspace_id,
    RoleId=self.role_id,               # 角色ID
    Permissions=AppPermissions.advance_custom_all,
    ResourceIds=["*"],
    ResourceType="app",
    account_name="Master_Default"
)
if "Error" in res.get("Response", {}):
    raise Exception(f"为角色设置权限失败. {res=}")
time.sleep(40)  # 等待权限生效

1. 上面那些是权限模块的公共方法， 但根据不同的场景， 它还有特定的知识， 比如根据角色设置权限的测试点和操作方法，与根据组织设置权限就会略有不同。所以 SKILL.md 中的工作流还会要求大模型去读取对应目录， 这些目录下的规则文件和相似的测试用例。 这些都是让大模型进行参考的重要知识。 所以在 SKILL.md 中才会在 step2 里规定：

### Step 2：参考已有用例
1. 在用例目标目录下，找到 1-2 个功能最相近的已有测试用例文件
2. 阅读这些用例的完整代码，学习其基类、导入、写法、命名、步骤风格
3. 新用例的风格必须与同目录已有用例保持一致

在整个知识体系中，我们其实是分了三层的：

• 第一层：SKILL.md 定义工作流和公共知识.
• 第二层：references：该目录存放了多个文件，记录着每个模块特有的代码知识。
• 第三层：特定场景测试 case 存放的目录：该目录下也有 rule 文件记录特定场景知识，也会让大模型读取这里的测试文件，进行一定的参考。

以上， 就是我在接口自动化测试项目中的一个实践。

进一步的扩展

事实上，在整个 Agent 和 SKILL 的优化实践中，让 Agent 只理解必要的知识，减少无关的内容，是贯穿了整个设计的原则。 渐进式纰漏只是其中的一种。 在后面要讲的多 Agent 隔离， 执行结果持久化 也是这种思想的体现。

更多内容，欢迎关注我得星球：