AI-agenci dla QA: 11 skilli pipeline’u

Architektura wieloagentowego systemu AI do automatyzacji procesu QA

Testowanie pozostaje w tyle za rozwojem: testy automatyczne nie obejmują nowych scenariuszy, ręczna regresja rośnie, rotacja inżynierów wymaga miesiąca na wdrożenie. Analiza czasu QA pokazuje, że 80% zadań można usystematyzować — od analizy wymagań po automatyzację. System złożony z 11 agentów AI przejmuje tę rutynę, pozostawiając inżynierowi kontrolę i korektę.

Koncepcja: Inżynier QA jako operator egzoszkieletu

Rola inżyniera zmienia się: zamiast ręcznego wykonywania etapów, ustala on zasady, przydziela zadania agentom i sprawdza artefakty. Zasady — integracja z istniejącym stosem (Jira, Zephyr, GitLab, pytest), przejrzystość formatów, pełny audyt i skalowalność.

Było: ręczne projektowanie testów, indywidualne prompty, nieustrukturyzowane dane.

Jest: ustandaryzowane artefakty, równoległe wykonanie, przewidywalne koszty.

Ogólna architektura: 11 agentów w jednym potoku

System oparty na Claude Code Skills realizuje potok od pobierania wymagań do MR z testami automatycznymi. Orchestrator zarządza równoległym wykonaniem, sprawdzając jakość na etapach.

Jira/Confluence → Pobieranie → Dekompozycja → Scenariusze → Automatyzacja API/UI → Walidacja → GitLab MR / Zephyr

Lista 11 umiejętności

• jira-fetch: Pobieranie zadań, załączników, podzadań z Jira/Confluence.
• requirements-decomposer: Dekompozycja na User Stories i Tasks z wymaganiami funkcjonalnymi/niefunkcjonalnymi/kryteriami akceptacji.
• scenarios-generator: Generowanie scenariuszy według ISTQB (podział równoważności, wartości brzegowe).
• scenario-data-fix: Zbieranie danych testowych z Global Context.
• scenario-discrepancies-fix: Naprawianie rozbieżności z UI/API.
• selectors-collector: Zbieranie selektorów CSS/Playwright dla POM.
• automation-api: pytest + requests dla testów API.
• automation-ui: pytest + Playwright dla testów UI.
• automation-compare: Porównywanie scenariuszy z kodem testów automatycznych.
• zephyr-uploader: Wgrywanie przypadków testowych do Zephyr Scale.
• mr-creator: Tworzenie Merge Request w GitLab.

Szczegóły etapów: od wymagań do scenariuszy

Pobieranie i dekompozycja

jira-fetch analizuje nieustrukturyzowane dane: tekst, tabele, PDF/DOCX. requirements-decomposer tworzy strukturę:

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

Przykład dekompozycji:

## Wymagania funkcjonalne
- F-DEVAI-283-BE-01: POST /api/v1/integrations/confluence/connect

## Kryteria akceptacji
- AC-DEVAI-283-01: success: true przy poprawnych danych

Global Context zapewnia kontekst projektu (kontrakty API, środowiska).

Generowanie scenariuszy

scenarios-generator stosuje piramidę testowania: e2e dla User Stories, unit dla zadań. Format JSON z możliwością śledzenia:

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

Tworzona jest macierz śledzenia wymagań dla pokrycia:

| ID | Nazwa | Status | Testy | Pokrycie |

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

| F-DEVAI-258-01 | Autoryzacja | Pokryte | 2 | 100% |

Integracja z Figma via MCP analizuje makietę: elementy, stany, rozbieżności.

Orchestracja i integracje

Orchestrator uruchamia agentów równolegle: automatyzacja API/UI jednocześnie. Integracje:

• Jira/Confluence: REST API.
• Figma: MCP do analizy UI.
• Zephyr: import przypadków JSON.
• GitLab: tworzenie MR z projektami pytest.

selectors-collector generuje SELECTORS.json dla Page Object Model.

Wyzwania techniczne i rozwiązania

Pułapki:

• Nieustrukturyzowane wymagania — rozwiązane szablonami dekompozycji.
• Rozbieżności UI/API — agenty naprawcze z ERROR_DISCREPANCIES.md.
• Pokrycie testami automatycznymi — automation-compare z raportem.

Skalowanie: jeden inżynier zarządza kilkoma projektami bez utraty jakości.

Co jest ważne

• 80% rutyny QA zautomatyzowane: analiza, scenariusze, testy automatyczne, MR.
• Przejrzystość: wszystkie artefakty w standardowych formatach (JSON, pytest, Zephyr).
• Śledzenie: macierz pokrycia wymagań testami.
• Skalowalność: równoległe wykonanie, integracja ze stosem bez zmian.
• Kontrola: inżynier koryguje na etapach, audyt dostępny.

— Editorial Team