QA 的 AI 代理：11 项流水线技能

多智能体AI系统架构：自动化QA流程的11项技能

测试总是滞后于开发：自动化测试无法覆盖新场景，手动回归测试日益繁重，工程师轮换需要一个月适应期。分析QA时间发现，80%的任务可系统化——从需求分析到自动化。一个由11个AI智能体组成的系统处理这些例行工作，让工程师专注于调整控制。

概念：QA工程师作为外骨骼操作员

工程师角色转变：不再手动执行各阶段，而是设定规则、分配任务给智能体、审核产出物。原则包括集成现有技术栈（Jira、Zephyr、GitLab、pytest）、透明格式、完全可审计性和可扩展性。

之前： 手动测试设计、单独提示、非结构化数据。

之后： 标准化产出物、并行执行、可预测成本。

整体架构：统一流水线中的11个智能体

该系统基于Claude Code Skills构建，实现了从需求加载到包含自动化测试的合并请求的流水线。一个编排器管理并行执行，并在每个阶段检查质量。

Jira/Confluence → 加载 → 分解 → 场景 → API/UI自动化 → 验证 → GitLab MR / Zephyr

11项技能列表

• jira-fetch：从Jira/Confluence加载任务、附件和子任务。
• requirements-decomposer：分解为用户故事和任务，包含功能/非功能需求及验收标准。
• scenarios-generator：使用ISTQB方法（等价类划分、边界值）生成测试场景。
• scenario-data-fix：使用全局上下文收集测试数据。
• scenario-discrepancies-fix：修复与UI/API的差异。
• selectors-collector：为页面对象模型收集CSS/Playwright选择器。
• automation-api：使用pytest + requests进行API测试。
• automation-ui：使用pytest + Playwright进行UI测试。
• automation-compare：比较场景与自动化测试代码。
• zephyr-uploader：将测试用例上传到Zephyr Scale。
• mr-creator：在GitLab中创建合并请求。

阶段详情：从需求到场景

加载与分解

jira-fetch解析非结构化数据：文本、表格、PDF/DOCX。requirements-decomposer将其结构化：

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

示例分解：

## 功能需求
- F-DEVAI-283-BE-01: POST /api/v1/integrations/confluence/connect

## 验收标准
- AC-DEVAI-283-01: 有效数据返回success: true

全局上下文提供项目背景（API契约、环境）。

场景生成

scenarios-generator应用测试金字塔：用户故事用端到端测试，任务用单元测试。JSON格式确保可追溯性：

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

创建需求追溯矩阵以显示需求覆盖率：

| ID | 名称 | 状态 | 测试 | 覆盖率 |

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

| F-DEVAI-258-01 | 授权 | 已覆盖 | 2 | 100% |

通过MCP集成Figma分析设计稿：元素、状态、差异。

编排与集成

编排器并行运行智能体：API/UI自动化同时进行。集成包括：

• Jira/Confluence：REST API。
• Figma：用于UI分析的MCP。
• Zephyr：JSON测试用例导入。
• GitLab：创建包含pytest项目的合并请求。

selectors-collector为页面对象模型生成SELECTORS.json。

技术挑战与解决方案

常见问题：

• 非结构化需求——通过分解模板解决。
• UI/API差异——由智能体通过ERROR_DISCREPANCIES.md修复。
• 自动化测试覆盖率——automation-compare生成报告。

扩展性：一名工程师可管理多个项目且不损失质量。

关键要点

• 80%的QA例行工作自动化：分析、场景、自动化测试、合并请求。
• 透明度：所有产出物为标准格式（JSON、pytest、Zephyr）。
• 可追溯性：需求追溯矩阵显示测试覆盖的需求。
• 可扩展性：并行执行，无需更改即可集成到技术栈。
• 控制权：工程师可在各阶段调整，审计可用。

— Editorial Team