开发者在Linux.do社区开源了k6auto全栈自动化测试框架，该项目基于Grafana开源压测工具k6二次开发，核心特色是以AI skill驱动测试工作流。框架可自动编写接口自动化用例、自动调优断言、自动排查日志并修复问题，同时支持自动生成压测场景，涵盖HTTP接口压测与前端Web压测，相关能力均已用于实战。项目具备可扩展的全栈能力，已有WebSocket协同压测实践，并集成k8s（可在测试过程中自动发现服务器报错）、redis、grpc等模块，支持多环境管理以应对ToB定制化场景。使用上，开发者需本机安装Go 1.23.2以上版本与Node.js，通过xk6构建包含zap、sql、file、kubernetes等扩展的k6可执行文件。新项目接入时只需让大模型参考登录接口的curl命令改写鉴权脚本，项目内置AGENTS.md文件，LLM会自动读取规则并定位skill完成后续任务，无需额外安装。作者还建议接入hermes等Agent并对接飞书、微信，让功能测试人员用自然语言描述场景即可生成测试代码，再由专人review并提交。作者表示该项目为个人提效自建，未在公司推广，因近期离职，后续维护频率可能降低。项目代码已在GitHub完整公开，作者希望借助社区反馈持续改进。
事件分析
该项目的看点在于’技能驱动’的工程化设计：通过AGENTS.md约定与大模型建立协作契约，使LLM能自主定位skill并执行测试任务，这与当前Claude Code等Agent编程工具的工作流一脉相承。传统压测工具JMeter以图形界面和独立脚本文件为核心，学习与维护成本高；k6auto则将测试资产收敛为代码仓库，配合自然语言交互降低使用门槛，从案例看单个业务场景的压测脚本可快速生成。产业层面，AI辅助测试正成为继AI编程之后的新落地场景，个人开发者借助Agent已能构建过去需要中台团队才能维护的工具体系，作者所在团队’不会写代码只会用JMeter’的反馈也折射出测试岗的技能断层。风险在于项目依赖单一维护者，作者已离职，可持续性存疑；AI生成测试代码的质量仍需人工review兜底。后续走向取决于社区采用度，以及skill生态能否沉淀出可复用的测试模式。
核心观点：AI正从写代码延伸到写测试，skill驱动让个人工具链媲美团队级平台，传统测试工具的生态壁垒正被重构。
原文链接：Linux.do
