Un kit de herramientas especializado para probar workflows y activities de Temporal usando pytest, time-skipping y validación de determinismo.
Instalar y Descargar
1. ClawHub CLI
La forma más rápida de instalar una habilidad directamente desde el registro.
npx clawhub@latest install fix-build-agentops-temporal-python-testing
2. Instalación manual
Copia la carpeta de la habilidad a una de estas ubicaciones
~/.openclaw/skills/ <project>/skills/ Prioridad: Espacio de trabajo > Local > Integrado
3. Instalación del prompt
Copia este prompt en OpenClaw para instalarlo automáticamente.
Ayúdame a instalar fix-build-agentops-temporal-python-testing usando Clawhub. Si Clawhub no está instalado, instálalo primero (npm i -g clawhub).
¿Prefieres descargar?
Obtén los archivos originales de la habilidad en un archivo ZIP.
¿Qué es Pruebas con Temporal Python?
Temporal Python Testing es un framework integral diseñado para garantizar la fiabilidad y el determinismo de los workflows de larga duración. Al aprovechar las Openclaw Skills en su pipeline de desarrollo, puede implementar estrategias de prueba sofisticadas que van desde pruebas unitarias aisladas hasta escenarios complejos de integración que involucran dependencias externas simuladas.
La skill se centra en la filosofía central de revelación progresiva, permitiendo a los desarrolladores acceder a recursos específicos para pruebas unitarias, mocking de activities y pruebas de replay. Esto asegura que los workflows de meses puedan validarse en segundos mientras se mantiene una estricta adherencia a los requisitos de determinismo de Temporal, con el objetivo final de alcanzar una meta de cobertura lista para producción del 80% o más.
Casos de uso de Pruebas con Temporal Python
- Pruebas unitarias de workflows con time-skipping avanzado para retroalimentación casi instantánea en lógica de larga duración.
- Pruebas de integración para validar orquestaciones complejas de múltiples activities con servicios externos simulados.
- Pruebas de replay para evitar que cambios no deterministas rompan los historiales de ejecución de workflows en producción.
- Configuración de entornos de desarrollo local usando Docker y pytest para una iteración rápida.
- Integración automatizada en pipelines de CI/CD para aplicar controles de calidad y cobertura de lógica.
Cómo funciona Pruebas con Temporal Python
- Inicialice un WorkflowEnvironment usando time-skipping para evitar retrasos del mundo real durante la ejecución.
- Configure fixtures de pytest para gestionar el ciclo de vida del servidor de pruebas de Temporal y los client workers.
- Ejecute workflows de forma aislada o con activities simuladas para verificar rutas lógicas específicas y casos de borde.
- Utilice el ActivityEnvironment para probar funciones de activity individuales sin requerir la sobrecarga de un workflow completo.
- Ejecute pruebas de Replay contra historiales JSON de producción exportados para garantizar que el nuevo código sea compatible con el estado existente.
Configuración de Pruebas con Temporal Python
Para integrar esto en su workflow, asegúrese de tener instalados el Temporal Python SDK y pytest. Estas Openclaw Skills requieren un entorno Python funcional.
pip install temporalio pytest pytest-asyncio
Configure su conftest.py para incluir los fixtures de prueba estándar de Temporal para la gestión del entorno.
Esquema de datos y taxonomía de Pruebas con Temporal Python
La skill organiza sus recursos de prueba en una taxonomía estructurada para una revelación progresiva:
| Recurso | Ruta del archivo | Área de enfoque |
|---|---|---|
| Pruebas unitarias | resources/unit-testing.md |
Time-skipping, WorkflowEnvironment y pruebas de aislamiento |
| Integración | resources/integration-testing.md |
Mocking de activity, inyección de errores y validación de señal/query |
| Replay | resources/replay-testing.md |
Verificaciones de determinismo y validación de historial de producción |
| Configuración local | resources/local-setup.md |
Docker Compose y configuración de entorno |
Funciones avanzadas de Pruebas con Temporal Python
- Patrones de avance manual de tiempo para un control granular sobre la lógica temporal.
- Patrones de inyección de errores para simular fallos de red o timeouts de servicios downstream.
- Replay de historial de producción para proteger contra cambios que rompan sistemas distribuidos.
- Soporte multi-agente para simular interacciones complejas de señal/query entre workflows concurrentes.
SKILL.md
Cargando
Habilidades relacionadas de Openclaw
Kit de herramientas de quimioinformática RDKit
Una potente biblioteca de quimioinformática para el análisis molecular, manipulación y cálculo de propiedades dentro de flujos de trabajo de IA.
Experto en Pruebas de API End-to-End
Un asistente de pruebas de API de grado profesional diseñado para entornos empresariales, que ofrece comprensión automatizada de documentación, aislamiento multiusuario y auditorías de seguridad profundas.
Web Fetch Fallback
Un mecanismo de respaldo robusto que utiliza curl para recuperar contenido web cuando las herramientas de búsqueda estándar están restringidas por reglas de seguridad de IP privada o interna.
Construir Perfil de Usuario
Un sistema automatizado para crear y mantener un perfil de usuario persistente con el fin de personalizar las interacciones del AI agent y la colaboración técnica.
Darwin Skill Optimizer
Un optimizador de habilidades autónomo que utiliza algoritmos de hill-climbing y evaluaciones de 8 dimensiones para mejorar iterativamente el rendimiento de los agentes de IA.
Editor de vídeo de YouTube
Una herramienta de edición de vídeo impulsada por AI que transforma el metraje sin procesar en archivos MP4 1080p listos para YouTube mediante comandos de texto sencillos.
Presentado*
