Как мы построили AI-экзоскелет для QA-инженера: от идеи до 11 автономных агентов
Система стартует с URL задачи в Jira, подтягивает описание, вложения, подзадачи и данные из Confluence, затем раскладывает требования на User Stories и Tasks, добавляет Global Context с API-контрактами, тестовыми данными и архитектурой и генерирует JSON-сценарии с полной трассируемостью в RTM. Для фронтенда дополнительно подключается Figma через MCP, чтобы учитывать состояния интерфейса и расхождения между текстом требований и макетами, а дальше сценарии превращаются в API- и UI-автотесты на pytest, requests и Playwright с загрузкой кейсов в Zephyr Scale и созданием MR в GitLab.
Внутри пайплайна есть оркестратор, параллельный запуск агентов, quality gates на каждом этапе, сверка сценариев с кодом и двухэтапная отладка. После обычного прогона система делает мутационное тестирование: инвертирует assert'ы и отсекает тесты, которые проходят случайно, а спорные расхождения между Jira, Figma, требованиями и реализацией складывает в единый протокол и частично закрывает в авто-режиме по заданной иерархии приоритетов.
За 1,5 месяца пилота команда подняла объём регрессионных кейсов примерно с 50 до 400, довела покрытие регресса почти до 100%, сократила время регресса с одного дня до десятков минут и уменьшила путь от окончания разработки до апрува QA с нескольких дней до нескольких часов. Пилот работает на Claude Pro за $100 в месяц и, по словам команды, покрывает 2–3 проекта с объёмом 100+ тестов в месяц на проект, но для продуктовой версии уже рассматривается многопользовательский SaaS с React, Temporal, PostgreSQL RLS, Stripe, маскированием данных и on-premise LLM.
Коротко
- Система из 11 скиллов забирает задачу из Jira и Confluence, декомпозирует требования и собирает сценарии, автотесты, кейсы в Zephyr и MR в GitLab.
- До 80% времени QA команда отнесла к задачам, которые можно систематизировать: анализ требований, кейсы в TMS, тестовые данные, автоматизация и отчёты.
- Для UI-сценариев используется Figma через MCP: система читает структуру макетов, находит расхождения и учитывает их при генерации тестов.
- После генерации тестов идёт двухэтапная отладка: сначала исправляются ошибки кода и помечаются реальные дефекты, затем запускается мутационное тестирование.
- За 1,5 месяца пилота объём регрессионных кейсов вырос примерно с 50 до 400, а время регресса сократилось с одного дня до десятков минут.
FAQ
Зачем команде вообще строить систему из AI-агентов для QA, если можно просто нанять ещё тестировщиков или автоматизаторов?
Команда хотела не увеличить штат, а перестроить сам процесс тестирования от требований до отчёта. Идея в том, чтобы снять с QA до 80% типовой рутины и оставить человеку постановку задач, контроль и спорные решения.
Чем этот подход отличается от обычной генерации автотестов по промпту или изолированного AI-помощника для одного этапа?
Здесь собран сквозной пайплайн: требования, сценарии, селекторы, автотесты, сверка покрытия, загрузка в TMS и создание MR. Сценарии в JSON выступают единым источником правды, а оркестратор следит за качеством на каждом шаге.
Какие ограничения у решения команда признаёт уже на этапе пилота и что собирается менять дальше?
Авторы упоминают ограничения контекстного окна LLM, конфликты при параллельной работе агентов и сырость субагентов в Claude Code, включая проблемы с MCP. Дальше они смотрят в сторону SaaS-версии с биллингом, multi-tenancy, аудитом и более строгой защитой данных.
Читайте также
Как кодинг-агенты используют инструменты, память и контекст репозитория, чтобы писать код лучше- Renga API: автоматизируем автоматизацию с помощью ИИ-агентов
- Возвращаем к жизни связку OpenClaw и Claude
- Как я настроил OpenClaw для зоопарка лендингов своей компании
- Анализ документов нейросетью с цитатами из источников: скилл research-docs для Claude Code
- QA-инженер как оператор агентного пайплайна: Практическая модель внедрения AI в QA — не заменять инженера, а переводить его в роль оператора системы: он задаёт правила, запускает этапы, проверяет артефакты и принимает спорные решения. Такой подход позволяет автоматизировать рутину без потери контроля над качеством и без ломки существующего стека TMS, CI/CD и языков автотестов.
[Процессы QA]
Зарегистрированные пользователи видят только два тезиса.
Зарегистрироваться
Команда QA описала пилотную систему из 11 AI-агентов на Claude Code, которая автоматизирует до 80% рутинной работы тестировщика: от разбора Jira-задачи до Merge Request с автотестами. Подход не заменяет QA-инженера, а переводит его в роль оператора и контролёра пайплайна.