KI-Agenten für QA: 11 Pipeline-Fähigkeiten

Architektur eines Multi-Agenten-KI-Systems zur Automatisierung des QA-Prozesses

Tests hinken der Entwicklung hinterher: Automatisierte Tests decken neue Szenarien nicht ab, manuelle Regressionstests nehmen zu, und der Wechsel von Ingenieuren erfordert einen Monat Einarbeitung. Eine Analyse der QA-Zeit zeigt, dass 80 % der Aufgaben systematisierbar sind – von der Anforderungsanalyse bis zur Automatisierung. Ein System aus 11 KI-Agenten übernimmt diese Routine, während der Ingenieur für Anpassungen die Kontrolle behält.

Konzept: Der QA-Ingenieur als Exoskelett-Bediener

Die Rolle des Ingenieurs verschiebt sich: Statt Phasen manuell auszuführen, legt er Regeln fest, weist Agenten Aufgaben zu und prüft Artefakte. Prinzipien umfassen die Integration in den bestehenden Stack (Jira, Zephyr, GitLab, pytest), transparente Formate, vollständige Nachvollziehbarkeit und Skalierbarkeit.

Vorher: manuelles Testdesign, individuelle Prompts, unstrukturierte Daten.

Nachher: standardisierte Artefakte, parallele Ausführung, vorhersehbare Kosten.

Gesamtarchitektur: 11 Agenten in einer einheitlichen Pipeline

Das System, basierend auf Claude Code Skills, implementiert eine Pipeline vom Laden der Anforderungen bis zum MR mit automatisierten Tests. Ein Orchestrator verwaltet die parallele Ausführung und prüft die Qualität in jeder Phase.

Jira/Confluence → Laden → Zerlegung → Szenarien → API/UI-Automatisierung → Validierung → GitLab MR / Zephyr

Liste der 11 Skills

• jira-fetch: Lädt Aufgaben, Anhänge und Unteraufgaben aus Jira/Confluence.
• requirements-decomposer: Zerlegt in User Stories und Tasks mit funktionalen/nicht-funktionalen Anforderungen und Akzeptanzkriterien.
• scenarios-generator: Generiert Szenarien mit ISTQB-Methoden (Äquivalenzklassenbildung, Grenzwertanalyse).
• scenario-data-fix: Sammelt Testdaten mit Global Context.
• scenario-discrepancies-fix: Behebt Diskrepanzen mit UI/API.
• selectors-collector: Sammelt CSS/Playwright-Selektoren für POM.
• automation-api: pytest + requests für API-Tests.
• automation-ui: pytest + Playwright für UI-Tests.
• automation-compare: Vergleicht Szenarien mit automatisiertem Testcode.
• zephyr-uploader: Lädt Testfälle in Zephyr Scale hoch.
• mr-creator: Erstellt Merge Requests in GitLab.

Phasendetails: Von Anforderungen zu Szenarien

Laden und Zerlegung

jira-fetch analysiert unstrukturierte Daten: Text, Tabellen, PDF/DOCX. requirements-decomposer strukturiert sie:

testing/requirements/DEVAI-258/
├── US-001.md
├── TASK-001.md
├── NOTES-classification.md
└── _index.json

Beispielzerlegung:

## Funktionale Anforderungen
- F-DEVAI-283-BE-01: POST /api/v1/integrations/confluence/connect

## Akzeptanzkriterien
- AC-DEVAI-283-01: success: true mit gültigen Daten

Global Context liefert Projektkontext (API-Verträge, Umgebungen).

Szenariengenerierung

scenarios-generator wendet die Testpyramide an: e2e für User Stories, Unit für Tasks. JSON-Format gewährleistet Rückverfolgbarkeit:

{
  "testSuite": {
    "name": "US-001: Autorisierung",
    "testCases": [{
      "id": "TC-001-001",
      "testSteps": [{
        "action": "POST /api/auth/login",
        "expectedResult": "HTTP 200, JWT-Token"
      }],
      "traceability": {"requirementIds": ["F-DEVAI-258-01"]}
    }]
  }
}

Eine RTM wird für Anforderungsabdeckung erstellt:

| ID | Name | Status | Tests | Abdeckung |

|---|------|--------|-------|----------|

| F-DEVAI-258-01 | Autorisierung | Abgedeckt | 2 | 100% |

Integration mit Figma über MCP analysiert Mockups: Elemente, Zustände, Diskrepanzen.

Orchestrierung und Integrationen

Der Orchestrator führt Agenten parallel aus: API/UI-Automatisierung gleichzeitig. Integrationen:

• Jira/Confluence: REST API.
• Figma: MCP für UI-Analyse.
• Zephyr: JSON-Testfallimport.
• GitLab: MR-Erstellung mit pytest-Projekten.

selectors-collector generiert SELECTORS.json für Page Object Model.

Technische Herausforderungen und Lösungen

Fallstricke:

• Unstrukturierte Anforderungen – gelöst mit Zerlegungsvorlagen.
• UI/API-Diskrepanzen – behoben durch Agenten mit ERROR_DISCREPANCIES.md.
• Automatisierte Testabdeckung – automation-compare mit Berichten.

Skalierung: Ein Ingenieur verwaltet mehrere Projekte ohne Qualitätsverlust.

Wichtige Erkenntnisse

• 80 % der QA-Routine automatisiert: Analyse, Szenarien, automatisierte Tests, MR.
• Transparenz: Alle Artefakte in Standardformaten (JSON, pytest, Zephyr).
• Rückverfolgbarkeit: RTM zeigt Anforderungsabdeckung durch Tests.
• Skalierbarkeit: Parallele Ausführung, Integration in den Stack ohne Änderungen.
• Kontrolle: Ingenieur passt in Phasen an, Audit verfügbar.

— Editorial Team