ทักษะ: ประสบการณ์ปฏิบัติการขนส่งในรูปแบบโค้ด

นี่คือซีรีส์ 10 ตอนที่เล่าว่า Apidog พัฒนา Apidog CLI ซึ่งเป็นเครื่องมือบรรทัดคำสั่งสำหรับการทดสอบ API และการจัดการวงจรชีวิต API ได้อย่างไร อ่านตามลำดับหรือข้ามไปยังโพสต์ที่คุณสนใจได้:

SKILL ไม่ใช่แค่การอ้างอิงคำสั่งเท่านั้น แต่เป็นคู่มือการปฏิบัติงานสำหรับ AI Agents: ควรใช้คำสั่งใดเมื่อใด, อะไรควรมาก่อน, ฟิลด์ใดที่ไม่ควรคาดเดา, ควรตรวจสอบเมื่อใด, ควรเรียกดูข้อมูลย้อนหลังเมื่อใด

CLI อย่างเดียวไม่เพียงพอ

คำสั่ง CLI ช่วยให้ Agent มี พลังในการดำเนินการ

แต่พลังที่ปราศจากวิจารณญาณนำไปสู่ปัญหา:

Agents ต้องการมากกว่าคำสั่ง พวกเขาต้องการ วิจารณญาณในการปฏิบัติงาน

SKILL คืออะไร?

SKILL คือ คู่มือการปฏิบัติงานที่เขียนขึ้นสำหรับ AI Agents

ไม่ใช่:

• รายการคำสั่งง่ายๆ
• คู่มืออ้างอิง
• หน้าช่วยเหลือ

คือ:

SKILL ช่วยให้ Agents มี วิจารณญาณในการปฏิบัติงาน

การติดตั้ง

SKILL เป็นส่วนเสริมของ Apidog CLI:

# ติดตั้ง SKILL สำหรับ AI Agent ของคุณ
apidog skill install

สิ่งนี้จะติดตั้ง 8 Companion Skills ที่ช่วยให้ Agents เข้าใจ:

• ความหมายของคำสั่ง CLI
• โครงสร้างทรัพยากร
• เวิร์กโฟลว์ของงาน
• การจัดการข้อผิดพลาด
• รูปแบบการตรวจสอบ

ทำไม SKILL จึงสำคัญ: เวิร์กโฟลว์ที่ซ่อนอยู่

Agent ยังคงต้องทราบว่างานควรถูกแบ่งย่อยเป็นโฟลว์การดำเนินการข้ามธุรกิจอย่างไร

ประสบการณ์นี้ไม่สามารถ:

• เขียนลงในคำอธิบายเครื่องมือทั้งหมด (จะใช้บริบทมากเกินไป)
• กระจัดกระจายอยู่ในบริบทการแชท (จะหายไประหว่างเซสชัน)
• ถูกจดจำโดยโมเดล (เฉพาะผลิตภัณฑ์ ไม่ใช่ความรู้ทั่วไป)

เวิร์กโฟลว์ที่ซ่อนอยู่ และ ข้อผิดพลาดทางธุรกิจ ต้องการคำแนะนำที่ชัดเจน

ตัวอย่าง: การบำรุงรักษา Test Scenario

พิจารณาการบำรุงรักษา Test Scenario ที่ซับซ้อน

แนวทางที่ผิด (Agent เขียนด้วยตนเองตั้งแต่ต้น):

Agent: "ฉันจะสร้างโครงสร้าง test scenario ด้วยตนเอง"
Agent: เขียนอาร์เรย์ขั้นตอนที่สมบูรณ์พร้อม assertion, extractor, processor
ผลลัพธ์: ข้อผิดพลาดของฟิลด์, ตัวเปรียบเทียบผิดพลาด, ฟิลด์ที่จำเป็นหายไป
CLI: ปฏิเสธการเขียนหรือสร้าง scenario ที่ไม่สมบูรณ์

แนวทางที่ถูกต้อง (เข้ารหัสใน SKILL):

SKILL ไม่ได้เพียงแค่บอกว่า "มีคำสั่ง test-scenario update"

แต่บอกว่า:

"Scenario ที่ซับซ้อนไม่เหมาะสำหรับการเขียนโครงสร้างทั้งหมดด้วยตนเองตั้งแต่ต้น แนวทางที่เสถียรกว่าคือการนำเข้าขั้นตอนของ Endpoint หรือ Test Case ที่มีอยู่ก่อน จากนั้นจึงอ่านโครงสร้างทั้งหมดกลับมา และสุดท้ายทำการแก้ไขภายใน"

คำสั่งเบื้องหลังคำแนะนำของ SKILL

นี่คือคำสั่งจริงที่ SKILL แนะนำให้ Agents ใช้:

# ขั้นตอนที่ 1: นำเข้าขั้นตอนจาก Endpoint
apidog test-scenario import-steps <scenarioId> --project <projectId> \
  --source endpoint --ids <endpointIds> --sync manual

# ขั้นตอนที่ 2: อ่านกลับมาพร้อมรายละเอียดทั้งหมด
apidog test-scenario get <scenarioId> --project <projectId> \
  --with-case-detail

# ขั้นตอนที่ 3: อัปเดตส่วนเฉพาะ (Agent สร้าง JSON สำหรับอัปเดต)

# ขั้นตอนที่ 4: ตรวจสอบความถูกต้องก่อนอัปเดต
apidog cli-schema validate test-scenario-update --file ./scenario-update.json

# ขั้นตอนที่ 5: ดำเนินการอัปเดต
apidog test-scenario update <scenarioId> --project <projectId> \
  --file ./scenario-update.json

# ขั้นตอนที่ 6: รันการตรวจสอบ
apidog run --project <projectId> --test-scenario <scenarioId>

SKILL บอก Agent ว่า ควรใช้แต่ละคำสั่งเมื่อใด และ ทำไม

ข้อมูลเชิงลึกที่สำคัญ: get--with-case-detail

SKILL เน้นย้ำว่า:

"ใช้ get--with-case-detail เพื่อรับโครงสร้างจริง ไม่ใช่จินตนาการถึง Case ที่อยู่ภายในขั้นตอน"

ทำไมสิ่งนี้จึงสำคัญ:

การได้มาซึ่งโครงสร้างจริงช่วยป้องกันการอัปเดตที่อิงตามจินตนาการ

ความสามารถในการพัฒนา: SKILL สามารถเปลี่ยนแปลงได้

Apidog SKILL คือ ประสบการณ์การปฏิบัติงานที่พัฒนาและควบคุมเวอร์ชันได้

ทำไมสิ่งนี้จึงสำคัญ

วิธีการทำงาน

Agents ได้รับ สิทธิ์ในการเขียน ถึง SKILL

หาก SKILL ล้าหลังหรือใช้งานยากขึ้น:

• Agent สามารถแก้ไขได้
• Agent สามารถแนะนำการปรับปรุงได้
• SKILL พัฒนาผ่านการใช้งาน

SKILL ไม่ใช่เอกสารที่ตายตัว แต่เป็นโค้ดการปฏิบัติงานที่มีชีวิต

เลเยอร์ความเข้ากันได้

เราเรียนรู้สิ่งนี้จากข้อผิดพลาดจริง:

ปัญหาที่ค้นพบ:

บางขั้นตอนของ scenario ในระหว่างการอัปเดตครั้งที่สอง มีขั้นตอนภายนอกได้รับการอัปเดตสำเร็จ แต่ HTTP cases ภายในไม่ได้รับการอัปเดตอย่างถูกต้อง

สาเหตุหลัก:

• ตัวบ่งชี้การอัปเดตเคสภายในต้องการการจัดการพิเศษ
• Agents ไม่ทราบเกี่ยวกับตัวบ่งชี้เหล่านี้
• ความหมายของผลิตภัณฑ์ต้องการแฟล็กเฉพาะ

วิธีแก้ไข:

• ตรรกะความเข้ากันได้ถูกใส่ใน CLI
• CLI จัดการตัวบ่งชี้ภายในโดยอัตโนมัติ
• ผู้ใช้และ Agents ไม่จำเป็นต้องทราบรายละเอียดภายใน

ความหมายของข้อจำกัดถูกจัดชั้นไว้ใน SKILL:

SKILL บอก Agent ให้ใช้คำสั่งที่ถูกต้อง CLI จัดการความหมายของผลิตภัณฑ์ที่อยู่เบื้องหลังคำสั่งเหล่านั้น Agent ไม่จำเป็นต้องเข้าใจตัวบ่งชี้ภายใน

การโหลดแบบ On-Demand

SKILL ยึดหลักการเดียวกับ cli-schema:

ความซับซ้อนควรถูกดูดซับโดยการดำเนินการและเอกสาร ไม่ใช่เปิดเผยทั้งหมดต่อโมเดล

แนวทางของ SKILL:

• Agent เตรียม SKILL ตามความต้องการ
• SKILL จะถูกโหลดเมื่อระบุประเภทของงานได้
• เฉพาะคำแนะนำเวิร์กโฟลว์ที่เกี่ยวข้องเท่านั้นที่เข้าสู่บริบท

SKILL เทียบกับ เอกสารประกอบ

8 Companion Skills

Apidog มี 8 Companion Skills ให้บริการ:

SKILL แต่ละอันประกอบด้วย:

• การระบุประเภทของงาน
• คำแนะนำลำดับคำสั่ง
• ขอบเขตความปลอดภัยของฟิลด์
• จุดตรวจสอบความถูกต้อง
• รูปแบบการตรวจสอบ

อะไรต่อไป

เมื่อเราได้กำหนดองค์ประกอบหลักทั้งสามแล้ว:

• cli-schema validate — ด่านคุณภาพ
• agentHints — การนำทางขั้นตอนถัดไป
• SKILL — วิจารณญาณเวิร์กโฟลว์

คำถามต่อไปคือ:

สิ่งนี้ใช้งานได้จริงหรือไม่? ตัวเลขเป็นอย่างไร?

ในตอนที่ 6 เรื่อง ตัวเลขไม่โกหก: ลดการเรียกใช้เครื่องมือลง 30%, ลดโทเค็นลง 25% เราจะแบ่งปันผลลัพธ์เชิงปริมาณจากการเปรียบเทียบภายในของเรา และอธิบายว่าการประหยัดนั้นมาจากไหน

ประเด็นสำคัญ

• CLI ให้พลังในการดำเนินการ; SKILL ให้วิจารณญาณในการปฏิบัติงาน
• SKILL คือคู่มือการปฏิบัติงาน ไม่ใช่การอ้างอิงคำสั่ง
• เวิร์กโฟลว์ที่ซ่อนอยู่ต้องการคำแนะนำที่ชัดเจน
• การนำเข้าขั้นตอน → อ่านกลับ → อัปเดตภายใน ปลอดภัยกว่าการเขียนด้วยตนเอง
• --with-case-detail ช่วยป้องกันการอัปเดตที่อิงตามจินตนาการ
• SKILL สามารถพัฒนาได้—Agents สามารถแก้ไขได้
• CLI ดูดซับความหมายของผลิตภัณฑ์, SKILL แนะนำเวิร์กโฟลว์
• การโหลดแบบ On-demand ช่วยลดภาระบริบท

ดาวน์โหลด Apidog เพื่อ ออกแบบ, จำลอง, ทดสอบ และ จัดทำเอกสาร API ในพื้นที่ทำงานเดียว เรียนรู้เพิ่มเติมเกี่ยวกับ Apidog CLI สำหรับการทดสอบ API ด้วยบรรทัดคำสั่ง, การทำงานอัตโนมัติของ CI และเวิร์กโฟลว์ของ AI Agent