Agentes de IA para QA: 11 habilidades de pipeline

Arquitectura de un Sistema Multiagente de IA para Automatizar el Proceso de QA

Las pruebas van por detrás del desarrollo: las pruebas automatizadas no cubren nuevos escenarios, la regresión manual crece y la rotación de ingenieros requiere un mes de incorporación. El análisis del tiempo de QA muestra que el 80% de las tareas son sistematizables—desde el análisis de requisitos hasta la automatización. Un sistema de 11 agentes de IA maneja esta rutina, dejando al ingeniero el control para los ajustes.

Concepto: El Ingeniero de QA como Operador de un Exoesqueleto

El rol del ingeniero cambia: en lugar de ejecutar etapas manualmente, establece reglas, asigna tareas a los agentes y revisa los artefactos. Los principios incluyen la integración en la pila existente (Jira, Zephyr, GitLab, pytest), formatos transparentes, auditabilidad completa y escalabilidad.

Antes: diseño manual de pruebas, prompts individuales, datos no estructurados.

Después: artefactos estandarizados, ejecución paralela, costos predecibles.

Arquitectura General: 11 Agentes en una Tubería Unificada

El sistema, construido sobre Claude Code Skills, implementa una tubería desde la carga de requisitos hasta el MR con pruebas automatizadas. Un orquestador gestiona la ejecución paralela, verificando la calidad en cada etapa.

Jira/Confluence → Carga → Descomposición → Escenarios → Automatización API/UI → Validación → MR en GitLab / Zephyr

Lista de las 11 Habilidades

• jira-fetch: Carga tareas, archivos adjuntos y subtareas desde Jira/Confluence.
• requirements-decomposer: Descompone en Historias de Usuario y Tareas con requisitos funcionales/no funcionales y criterios de aceptación.
• scenarios-generator: Genera escenarios usando métodos ISTQB (partición de equivalencia, valores límite).
• scenario-data-fix: Recopila datos de prueba con Contexto Global.
• scenario-discrepancies-fix: Corrige discrepancias con UI/API.
• selectors-collector: Recopila selectores CSS/Playwright para POM.
• automation-api: pytest + requests para pruebas de API.
• automation-ui: pytest + Playwright para pruebas de UI.
• automation-compare: Compara escenarios con el código de prueba automatizado.
• zephyr-uploader: Sube casos de prueba a Zephyr Scale.
• mr-creator: Crea Merge Requests en GitLab.

Detalles de las Etapas: De los Requisitos a los Escenarios

Carga y Descomposición

jira-fetch analiza datos no estructurados: texto, tablas, PDF/DOCX. requirements-decomposer los estructura:

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

Ejemplo de descomposición:

## Requisitos Funcionales
- F-DEVAI-283-BE-01: POST /api/v1/integrations/confluence/connect

## Criterios de Aceptación
- AC-DEVAI-283-01: success: true con datos válidos

El Contexto Global proporciona contexto del proyecto (contratos de API, entornos).

Generación de Escenarios

scenarios-generator aplica la pirámide de pruebas: e2e para Historias de Usuario, unitarias para tareas. El formato JSON asegura la trazabilidad:

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

Se crea una RTM para la cobertura de requisitos:

| ID | Nombre | Estado | Pruebas | Cobertura |

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

| F-DEVAI-258-01 | Autorización | Cubierto | 2 | 100% |

La integración con Figma a través de MCP analiza maquetas: elementos, estados, discrepancias.

Orquestación e Integraciones

El orquestador ejecuta agentes en paralelo: automatización API/UI simultáneamente. Integraciones:

• Jira/Confluence: API REST.
• Figma: MCP para análisis de UI.
• Zephyr: Importación de casos de prueba JSON.
• GitLab: Creación de MR con proyectos pytest.

selectors-collector genera SELECTORS.json para el Modelo de Objeto de Página.

Desafíos Técnicos y Soluciones

Problemas comunes:

• Requisitos no estructurados—resuelto con plantillas de descomposición.
• Discrepancias UI/API—corregidas por agentes con ERROR_DISCREPANCIES.md.
• Cobertura de pruebas automatizadas—automation-compare con informes.

Escalabilidad: un ingeniero gestiona múltiples proyectos sin pérdida de calidad.

Conclusiones Clave

• 80% de la rutina de QA automatizada: análisis, escenarios, pruebas automatizadas, MR.
• Transparencia: todos los artefactos en formatos estándar (JSON, pytest, Zephyr).
• Trazabilidad: RTM muestra la cobertura de requisitos por pruebas.
• Escalabilidad: ejecución paralela, integración en la pila sin cambios.
• Control: el ingeniero ajusta en las etapas, auditoría disponible.

— Editorial Team