$ loading_
帮助团队结合截图与报错信息执行 QA 验证并确认修复结果
复制安装指令，让 AI 自动完成配置 · 推荐新手
"ai.gatetest.www/gatetest" 暂无可直接复制的安装信息，请查看页面文档或源码仓库。
请根据这张页面截图和这条 Sentry 报错，检查问题是否仍然存在，并给出验证结论与后续建议。
输出是否复现、修复是否生效，以及需要继续跟进的检查项。
把这组截图与最近的 Sentry 异常一起分析，作为发布前 QA gate，指出高风险问题。
输出面向发布决策的 QA 检查结论和风险摘要。
针对这个已修复的问题，使用现有截图和错误线索进行回归验证，说明是否可以关闭工单。
输出回归验证结果、关闭建议，以及仍需补充的证据。
开发或 QA 团队可在发布前结合界面截图与 Sentry 异常做集中检查，尽早发现影响上线的问题。它适合用于把修复验证和风险判断放到同一个流程里。
当某个缺陷声称已修复时，团队可以用截图和错误信息复查是否真正解决。这样能减少误判并提高关闭工单的把握。
如果线上出现 Sentry 报错，可以把这些异常作为 QA 检查线索，再结合界面证据进行回归验证。适合处理需要快速确认影响范围的问题。
它是一个面向 QA gate 的 MCP 工具，强调给 Claude 提供“眼睛、耳朵和手”：用截图看界面、用 Sentry 错误听异常、并验证修复结果。
根据描述，它会使用截图和 Sentry 错误信息来辅助 QA 检查与修复验证。更具体的输入格式见源码仓库。
当前未提供文档节选，无法确认安装步骤、运行环境或前置依赖。请见源码仓库。
在交付前审查规格、ADR、任务拆解与代码实现的质量完整性
在执行修改或命令前强制事实核查，先调查上下文再放行操作以提升质量。
为编程代理提供代码、测试与文档的质量守卫，拦截常见 AI 失误。
通过多智能体流水线自动生成、编写并审查端到端 QA 测试
帮助你运行、观察、调试并扩展 OpenClaw 的 QA 场景与测试产物
为 AI 生成的 API 测试进行质量评分与分级门禁控制