lime
Full-stack AI agent for coding, files, terminals, tools, research, content, multimodal work, and multi-agent workflows.
- 1.5k
- Rust
- GPL-3.0
- 4 d ago

程序驱动的 AI 批量测试编排工具
Repo limecloud/qcloop, read from GitHub 1 min ago. limecloud has not joined Take My Repo.
limecloud/qcloop is a public repo on GitHub by limecloud. 程序驱动的 AI 批量测试编排工具. It declares the Apache-2.0 license on GitHub. It is written mainly in Go, has 6 stars and last changed on 2026-05-11. Nobody has reviewed it on Take My Repo yet, which says nothing about its quality. Read from GitHub on 2026-11-22.
In the maintainer's words. Shown from GitHub; Take My Repo does not keep a copy.
程序驱动的 AI 批量测试编排工具
功能特性 • 快速开始 • 使用指南 • 架构设计 • 文档
AI agent 使用者请读 llms-full.txt(导航索引见 llms.txt)。 qcloop 的设计意图之一就是让 AI agent 自动提单、自动轮询、自动重试;人类只下发意图、授权和必要确认,不要手动在 UI 里逐项操作。 AI 使用 qcloop 有两条主路径:支持 Skill 的 agent 走
skills/qcloop+qcloop-skill;其他 agent 读取http://localhost:3000/llm-full.txt后直接调用 HTTP API。
最快用法:先打开 qcloop,再把这句话发给 Codex / Claude Code / Gemini CLI / Kiro CLI:
请读取 http://localhost:3000/llm-full.txt,然后使用 qcloop 帮我测试当前任务。
llm-full.txt 会指导 AI 自动理解上下文、拆分自动化测试任务、创建批次并启动运行。完整说明见 AI Agent 一句话使用指南。如果你已经在 qcloop 启动环境中设置了 QCLOOP_EXECUTOR_PROVIDER=claude_code|gemini_cli|kiro_cli,AI 创建批次时会默认使用对应执行器;也可以在批次里显式传 executor_provider。
如果你的 Agent 支持技能,也可以直接启用仓库内置的 qcloop 技能。该技能内置参考 Lime CLI 风格的 qcloop-skill 命令,供 AI 稳定执行 doctor -> job create/run -> job wait/status/report -> item answer/retry/cancel -> queue metrics -> template CRUD 流程,避免手写 curl;同一 CLI 已整理为 npm 包 @limecloud/qcloop-skill-cli,方便全局安装或 npx 使用。
qcloop 是一个批量测试编排工具,专为 AI 驱动的测试场景设计。它通过程序化的方式遍历执行测试项,支持多轮质检和自动返修,确保测试不漏项、可追踪、高质量。
更准确地说,qcloop 是一个 AI 批处理托管系统:
llm.txt 自动理解上下文、拆分 items、创建批次、启动、轮询和总结。awaiting_confirmation;外层 AI 向人提问后调用 API 写回答案继续跑,其他 item 不被阻塞。问题:手动让 AI 执行批量测试时,容易出现:
解决方案:qcloop 提供:
qcloop 底层确实可以驱动 Codex、Claude、Gemini 等 agent 完成检查;价值不在“让某个 agent 检查一次”,而在把 agent 检查工程化成可复用的 QA loop。
普通脚本 prompt 适合一次性自检,qcloop 解决的是批量、可观察、可复现、可审计的质检编排:
qc_rounds issue ledger,直到通过或达到 max_qc_rounds。max_executor_retries 独立处理本机 AI CLI 启动/进程类错误,不消耗质检轮次。awaiting_confirmation,外层 AI 读取问题、向人确认、写回答案并恢复。job report 汇总长跑证据,支持 job cancel / item retry / item cancel 明确处理局部失败和终止。queue metrics 暴露 worker、active job/item、pending/running/awaiting/stale/canceled 等指标,AI 能判断是否真的在跑。类比来说,agent 检查 就像“能跑测试”;qcloop 更像给 AI agent 任务加上 CI、测试报告、失败重跑和质量台账。任务粒度小不是缺点,而是为了方便并行、定位失败和统计质量。
flowchart LR
subgraph Script["脚本 prompt 自检"]
S1["一次性 prompt"]
S2["单个 agent 执行/自评"]
S3["终端输出"]
S4["人工判断是否可信"]
S1 --> S2 --> S3 --> S4
end
subgraph QCLoop["qcloop QA loop"]
Q1["结构化测试项<br/>items"]
Q2["Runner 状态机<br/>pending/running/success/failed/exhausted/canceled"]
Q3["Worker agent<br/>执行任务"]
Q4["Verifier agent<br/>独立质检 + issue ledger"]
Q5{"是否通过?"}
Q6["Repair agent<br/>按 feedback 返修"]
Q7["Evidence Store<br/>attempts/qc_rounds/tokens/stderr"]
Q8["Web 面板<br/>统计/轮次/重跑/展开明细"]
Q1 --> Q2 --> Q3 --> Q4 --> Q5
Q5 -- "通过" --> Q7
Q5 -- "不通过且未耗尽" --> Q6 --> Q3
Q5 -- "达到 max_qc_rounds" --> Q7
Q7 --> Q8
Q2 --> Q8
end
图里的关键差异是:脚本 prompt 把“检查”留在一次终端输出里;qcloop 把检查拆成可编排的状态机、独立 verifier、失败返修、确认写回、执行器失败重试、证据存储和可视化观察。
下面这张图对应推荐用法:人只发一句 请读取 http://localhost:3000/llm-full.txt,然后使用 qcloop 帮我测试当前任务。,或让支持 Skill 的 agent 直接使用 qcloop-skill。外层 AI 自动理解上下文并提单;/api/jobs/run 只负责把批次放入全局队列并立即返回,真正的 worker / verifier / repair / confirmation 循环由后台 worker pool 与外层 AI 异步推进,Web 面板只做观察。
下面是 Playwright 从本地 qcloop 面板截取的真实详情页:可以直接看到批次状态、统计数字、分页、每个 item 的状态机、质检轮次标签和参数入口。
/goal 的区别Codex CLI 0.128.0 新增的 /goal 是官方版 Ralph loop,和 qcloop 解决的是类似问题,但设计哲学不同:
Codex /goal |
qcloop | |
|---|---|---|
| 停止条件 | AI 自评 + token budget(软) | max_qc_rounds(硬) |
| 判定主体 | 同一 thread 内 AI 自审 | 独立 verifier(外部判断) |
| 收敛保证 | 概率性 | 确定性 |
| 轮次可审计 | 黑盒 | 每轮落库 |
| API 稳定性 | experimental(文档未收录) | 稳定可用 |
| 最适场景 | 单目标探索 | 批量同质任务 |
一句话:单目标探索用 Goal,批量任务用 qcloop。qcloop 也支持 --execution-mode goal_assisted 把每条 prompt 包装成 Goal 风格,兼得两者优势。详见 PRD 1.4 节。
awaiting_confirmation,由外层 AI 获取人类确认后写回继续job report 生成睡前托管报告,job cancel 进入不可恢复终态1. 创建批次
├─ 定义 Worker Prompt 模板
├─ 定义 Verifier Prompt 模板(可选)
├─ 提供测试项列表
└─ 设置最大质检轮次
2. 执行批次
├─ Worker: 执行测试任务
├─ Verifier: 审查结果(输出 JSON verdict)
├─ Repair: 根据 feedback 自动返修
└─ 循环直到通过或达到最大轮次
3. 查看结果
├─ 批次列表:所有批次概览
├─ 批次详情:统计卡片 + 测试项表格
└─ 执行历史:每一轮的详细记录
# 克隆仓库 git clone https://github.com/limecloud/qcloop.git cd qcloop # 构建后端 go build -o qcloop ./cmd/qcloop # 安装到系统路径(可选) sudo mv qcloop /usr/local/bin/
go install github.com/limecloud/qcloop/cmd/qcloop@latest
qcloop --help
日常使用推荐先打开 qcloop 面板,然后把下面这句话发给 Codex / Claude Code / Gemini CLI / Kiro CLI。详细的上下文理解、任务拆分、提单、执行器选择和运行规则都内置在 llm-full.txt 中。
请读取 http://localhost:3000/llm-full.txt,然后使用 qcloop 帮我测试当前任务。
完整说明见 AI Agent 一句话使用指南。
仓库内置 skills/qcloop,用于让支持技能的 AI agent 直接掌握 qcloop 工作流。技能内的 CLI 默认输出结构化 JSON,命令形态参考 Lime CLI;也可以通过 npm 包安装:
npm install -g @limecloud/qcloop-skill-cli qcloop-skill doctor # 或直接使用仓库内置 CLI skills/qcloop/bin/qcloop-skill doctor skills/qcloop/bin/qcloop-skill guide --full --raw skills/qcloop/bin/qcloop-skill job create --file /tmp/qcloop-job.json --run skills/qcloop/bin/qcloop-skill job create --file /tmp/qcloop-job.json --cwd "$PWD" --glob "docs/**/*.md" --run skills/qcloop/bin/qcloop-skill job wait <job_id> --timeout 1800 skills/qcloop/bin/qcloop-skill job status <job_id> --include-items skills/qcloop/bin/qcloop-skill job report <job_id> --format markdown skills/qcloop/bin/qcloop-skill item answer <item_id> --answer "确认允许继续" --resume skills/qcloop/bin/qcloop-skill item retry <item_id> skills/qcloop/bin/qcloop-skill item cancel <item_id> --reason "该项暂不处理" skills/qcloop/bin/qcloop-skill queue metrics skills/qcloop/bin/qcloop-skill template list
完整索引见 skills/README.md。日常仍推荐人只发一句话,技能 CLI 主要服务外层 AI 自动提单和轮询。
CLI 适合开发、调试或脚本集成;普通 AI agent 使用场景不推荐让人手动创建批次。
qcloop create \ --name "test-lime-workspace" \ --prompt "测试 Lime workspace 功能: {{item}}" \ --verifier-prompt "检查结果,输出 JSON: {\"pass\": bool, \"feedback\": \"OK\"}" \ --items "create,read,update,delete" \ --max-qc-rounds 3 \ --executor-provider codex
参数说明:
--name: 批次名称--prompt: Worker Prompt 模板({{item}} 会被替换为实际测试项)--verifier-prompt: Verifier Prompt 模板(可选,用于质检)--items: 测试项列表(逗号分隔)--max-qc-rounds: 最大质检轮次(默认 3)
1 表示只做 worker + verifier,不会进入 repair;需要自动返修时建议使用 3-5输出示例:
✅ 批次创建成功
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
批次 ID: abc-123-def
批次名称: test-lime-workspace
测试项数: 4
最大质检轮次: 3
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
qcloop run --job-id abc-123-def
输出示例:
🚀 开始执行批次: test-lime-workspace
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
[1/4] 执行测试项: create
✅ Worker 执行成功
✅ Verifier 通过
[2/4] 执行测试项: read
✅ Worker 执行成功
❌ Verifier 失败: 输出格式不正确
🔧 Repair 执行中...
✅ Verifier 通过
...
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
✅ 批次执行完成
qcloop status --job-id abc-123-def
输出示例:
批次状态: test-lime-workspace
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
批次 ID: abc-123-def
状态: completed
创建时间: 2026-05-09 23:00:00
完成时间: 2026-05-09 23:05:30
总耗时: 5m30s
测试项统计:
总数: 4
✅ 成功: 3 (75.0%)
❌ 失败: 1 (25.0%)
⏳ 待处理: 0 (0.0%)
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
Web 面板的核心用途是观察进度和查看证据。创建表单保留给调试;推荐让 Codex / Claude Code / Gemini CLI / Kiro CLI 通过 Skill 或 llm-full.txt 自动提单。
日常使用直接用你的应用入口或团队封装方式打开 qcloop。下面命令只用于源码开发或排障:
qcloop serve --addr :8080 --workers 2
cd web
npm install
npm run dev打开浏览器访问:http://localhost:3000
批次列表页面:
批次详情页面:
创建批次表单:
推荐主路径不是人手动创建批次,而是“人一句话 → AI 读取 llm-full.txt → 从上下文/目录/glob/git diff 自动拆分测试任务 → qcloop 异步运行”。POST /api/jobs/run 会立即返回 {status: started},后端全局 worker pool 通过 SQLite 租约 claim item 并推进状态机;默认 2 个 worker 并发执行,15 分钟租约过期的 running item 会自动回到队列。AI 和 Web 面板都通过 API 轮询观察结果,长跑结束后 AI 可用 job report 生成托管报告。
┌─────────────────────────────────────────────────────────┐
│ 用户交互层 │
│ ┌──────────────┐ ┌──────────────┐ │
│ │ CLI 命令 │ │ Web 界面 │ │
│ └──────────────┘ └──────────────┘ │
└─────────────────────────────────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────────┐
│ API 层 │
│ HTTP API Server (RESTful + CORS) │
└─────────────────────────────────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────────┐
│ 编排层 │
│ 全局 QueueManager + Runner(并发 claim / 断点恢复) │
└─────────────────────────────────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────────┐
│ 执行层 │
│ Provider Adapter → Codex / Claude Code / Gemini / Kiro │
└─────────────────────────────────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────────┐
│ 存储层 │
│ SQLite(5 张表) │
└─────────────────────────────────────────────────────────┘
batch_jobs (批次)
├─ id, name, prompt_template
├─ verifier_prompt_template
├─ max_qc_rounds, max_executor_retries, run_no
├─ status(completed=全成功, failed=存在失败/耗尽, canceled=已终止)
└─ created_at, finished_at
batch_items (测试项)
├─ id, batch_job_id, item_value
├─ status, current_attempt_no, current_qc_no
├─ last_error, confirmation_question, confirmation_answer
├─ lock_owner, lock_expires_at, queued_at
└─ created_at, finished_at
attempts (执行尝试)
├─ id, batch_item_id, attempt_no, run_no
├─ attempt_type (worker/repair)
├─ status, stdout, stderr, exit_code
└─ started_at, finished_at
qc_rounds (质检轮次)
├─ id, batch_item_id, qc_no, run_no
├─ status, verdict, feedback
└─ started_at, finished_at
batch_templates (批次模板)
├─ prompt_template, verifier_prompt_template, items_text
└─ max_qc_rounds, max_executor_retries, execution_mode, executor_provider
开始
│
▼
Worker 执行
│
▼
保存 attempt(stdout/stderr/exit_code)
│
▼
是否配置 verifier? ──否──▶ 标记为 success ──▶ 完成
│
是
▼
运行 Verifier(可读取 stdout/stderr/exit_code)
│
▼
解析 verdict JSON
│
▼
verdict.pass? ──是──▶ 标记为 success ──▶ 完成
│
否
▼
是否达到 max_qc_rounds? ──是──▶ 标记为 exhausted ──▶ 完成
│
否
▼
Repair(携带上一轮证据 + feedback,修复并复测)
│
▼
保存 repair attempt(stdout/stderr/exit_code)
│
▼
进入下一轮 Verifier
qcloop/
├── cmd/qcloop/ # CLI 入口
│ └── main.go
├── internal/
│ ├── db/ # 数据库层
│ │ ├── db.go # 数据库连接
│ │ ├── models.go # 数据模型
│ │ ├── schema.go # 表结构
│ │ └── dao.go # CRUD 操作
│ ├── core/ # 编排引擎
│ │ └── runner.go # 多轮质检逻辑
│ ├── executor/ # 执行器
│ │ ├── provider.go # provider 选择与默认值
│ │ ├── agent_cli.go # Claude/Gemini/Kiro 共享 CLI 执行器
│ │ ├── cli_process.go # 进程探测与执行公共逻辑
│ │ ├── codex.go # Codex Executor
│ │ └── fake.go # Fake Executor(测试用)
│ └── api/ # HTTP API
│ └── server.go # RESTful 服务器
├── web/ # React 前端
│ ├── src/
│ │ ├── components/ # UI 组件
│ │ │ ├── BatchTable.tsx
│ │ │ ├── CreateJobForm.tsx
│ │ │ └── StatusBadges.tsx
│ │ ├── hooks/ # React Hooks
│ │ │ └── usePollingItems.ts
│ │ ├── api/ # API 客户端
│ │ │ └── index.ts
│ │ ├── types/ # TypeScript 类型
│ │ │ └── index.ts
│ │ ├── App.tsx
│ │ ├── main.tsx
│ │ └── styles.css
│ ├── index.html
│ ├── package.json
│ ├── tsconfig.json
│ └── vite.config.ts
├── docs/ # 文档
│ ├── AI_AGENT_USAGE.md # 多 AI CLI 一句话使用指南
│ ├── PRD.md # 产品需求文档(含设计哲学、用户故事)
│ ├── TEST_CASES.md # 测试用例(32 个测试点)
│ ├── QUICK_TEST.md # 快速测试指南
│ ├── GOAL_INTEGRATION.md # Codex Goal 集成方案
│ ├── PROJECT_SUMMARY.md # 项目完成总结
│ └── images/ # 文档图片(含异步使用架构图)
├── skills/ # 给 AI agent 使用的 qcloop 技能与 JSON CLI
│ └── qcloop/
│ ├── SKILL.md
│ ├── bin/qcloop-skill
│ └── scripts/qcloop_cli.py
├── packages/ # 可发布包
│ └── qcloop-skill-cli-npm/ # @limecloud/qcloop-skill-cli npm 包
├── go.mod
├── go.sum
├── README.md
└── LICENSE
角色:测试工程师
场景:我有 100 个 Lime 功能需要测试,手动一个一个测试太慢了。
解决方案:
角色:QA 负责人
场景:AI 执行的测试可能不准确,我需要质检机制来验证结果。
解决方案:
角色:项目经理
场景:我需要了解批次的整体进度和每个测试项的详细状态。
解决方案:
http://localhost:3000/llm-full.txt,自动理解上下文、选择执行器、拆分测试任务并自动提单qcloop-skill JSON CLI,稳定执行 doctor / job create / run / wait / status / report / retry / cancel 流程@limecloud/qcloop-skill-cli npm 包 - 可全局安装或 npx 调用的 qcloop 技能 CLI后端:
前端:
执行器:
codex exec,也支持 claude -p、gemini -p、kiro-cli chat --no-interactive。executor_provider 可选 codex / claude_code / gemini_cli / kiro_cli;全局默认可用 QCLOOP_EXECUTOR_PROVIDER 设置。QCLOOP_CLAUDE_TEAMMATE_MODE=auto|in-process|tmux。详见 AI Agent 一句话使用指南。go test ./...# 后端 go run ./cmd/qcloop serve --addr :8080 --workers 2 # 前端 cd web npm run dev
# 后端 go build -o qcloop ./cmd/qcloop # 前端 cd web npm run build
欢迎贡献代码、报告问题或提出建议!
git checkout -b feature/AmazingFeature)git commit -m 'Add some AmazingFeature')git push origin feature/AmazingFeature)本项目采用 MIT 许可证 - 详见 LICENSE 文件
Made with ❤️ by the qcloop team
limecloud/qcloop is a public repo on GitHub by limecloud. 程序驱动的 AI 批量测试编排工具.
It declares the Apache-2.0 license on GitHub.
Its maker has not tagged a system, so it is unknown here. Its README says what it needs.
Open "Take it" on its page: Take My Repo writes an install plan for your machine and hands it to your AI agent (Claude Code, Codex or Cursor), which asks you before each step. Take My Repo has not tested it on any machine.
Its last change on GitHub was on 2026-05-11. GitHub counts 0 open issues and pull requests. Take My Repo does not judge from that whether it is maintained.
Nobody has reviewed it on Take My Repo yet, which says nothing about its quality.

Full-stack AI agent for coding, files, terminals, tools, research, content, multimodal work, and multi-agent workflows.

Agent Knowledge is a draft open format for packaging source-grounded knowledge so AI agents can discover, load, cite, validate, and maintain it without confusing knowledge assets with procedural skills.
This page is also available as structured data, with the same sources and dates.
/api/v1/resources/gh/limecloud/qcloopTake My Repo has not tested this on your machine. Requirements come from the project's own documentation.