Введение
Прежде чем начать, скажу, что эта статья написана для QA‑инженеров, которые только начинают использовать AI в QA‑процессах. Это не глубокое погружение в продвинутое использование Agentic AI или во внутреннюю логику AI‑систем. Автономные AI‑агенты и системы оркестрации сейчас активно обсуждаются, но стоит помнить: sic parvis magna. Так что добро пожаловать.
Тем, кто скептически смотрит на будущее IT и AI, я хочу показать свою точку зрения. Что случилось с художниками, когда фотография стала массово доступной? Что произошло с традиционной почтой и бумажными книгами после того, как интернет стал частью повседневной жизни? Или, если взять более технический пример, что изменилось с появлением Postman на фоне cURL в терминале?
Моя мысль простая: хорошие специалисты не боятся новых инструментов, если эти инструменты помогают им работать эффективнее.
Цель
Почему мы работаем в QA? В чем смысл этой работы? Для меня это сочетание двух вещей. С одной стороны, это интерес к исследованию: процесс поиска того, что пока не очевидно. С другой стороны, это ощущение, что ты привносишь немного порядка в сложную и запутанную систему.
Но по пути приходится сталкиваться и с большим количеством повторяющихся рутинных задач: писать множество test cases, готовить большие наборы test data, сверять большие объемы данных и так далее. Особенно это заметно в ситуациях, где traditional test automation плохо подходит или не дает нужного эффекта.
Лично я не против делегировать часть таких задач и тратить больше времени на ту часть работы, которая помогает мне расти как специалисту и больше фокусироваться на творческой стороне QA.
Что можно делегировать
Начну с самых очевидных случаев, но не буду слишком долго на них останавливаться. Сразу отмечу, что практические советы о том, как использовать skills, MCP servers и context artifacts, чтобы работать с AI агентами эффективнее, будут в следующем разделе.
1. Тестирование FRs → Формирование тестового покрытия → Написание тест кейсов и чек листов. Я расположил эти шаги именно в таком порядке не случайно: «Формирование тестового покрытия» и «Написание тест кейсов и чек листов» требуют на вход запросе однозначных, непротиворечивых и актуальных данных, это также важно, как и также хорошо структурированный запрос.
You are a Senior QA Engineer and Senior System Analyst. Review the FRs below for quality, consistency, and testability before implementation and test design.
Scope: Analyze only the provided requirement text (and linked artifacts if supplied). Do not invent missing behavior, assumptions, or business rules.
Analyze for:
- Contradictions -- conflicting rules, values, or flows across sections, user stories, diagrams, and tables
- Ambiguity -- vague modal verbs, undefined actors, missing formats/units/boundaries, unclear success criteria
- Gaps -- missing preconditions, postconditions, error handling, edge cases, permissions, timeouts, and integration contracts
- Testability -- requirements without measurable acceptance criteria or unambiguous pass/fail conditions
- Terminology -- inconsistent naming; one term with multiple meanings or multiple terms for the same concept
- Cross-document consistency -- conflicts between parent/child pages, attachments, and cross-references
Method: Map actors, entities, states, main scenarios, and integrations. Trace each rule end-to-end. Flag only justified findings with an exact location (section, FR/US ID, quote, table, or figure).
Output format: Numbered list only -- one finding per line: N. [Where]: ... -- [Issue]: ... -- [Offered fix]: ...
Each line must state where the problem is, what is wrong (contradiction/ambiguity/gap), and a concrete clarification or wording fix for the author.
If no material issues are found, output one line stating the analyzed scope is clear enough for implementation and testing, and recommend re-review after major changes.
Do not rewrite the full specification or propose a solution design -- focus on requirement quality, clarity, and consistency.
Use the "confluence-mcp" to work with Confluence.
Skill Constraints:
- It is FORBIDDEN to include any sensitive information (passwords, tokens, secrets) in execution reports, emails, bug reports, or any other output artifacts.
- It is FORBIDDEN to modify the Confluence requirements and specifications.
Requirements to analyze:
https://confluence.someproject.com/browse/AB-18747, https://confluence.someproject.com/browse/AB-18740, https://confluence.someproject.com/browse/AB-17779, https://confluence.someproject.com/browse/AB-15664, https://confluence.someproject.com/browse/AB-14785, https://confluence.someproject.com/browse/AB-14522, https://confluence.someproject.com/browse/AB-14789.2. Извлечение информации со скриншота в нужном формате. Например, можно попросить AI получить со скриншота список ID через запятую или преобразовать данные в другой формат.
3. Подготовка bug report на основе фрагментов переписки и нескольких примеров уже существующих bug reports. Сюда же можно отнести создание документов в заданном формате на основе доступных источников данных.
4. Анализ конкретного набора метрик и подготовка отчета. Например, можно анализировать logs, dashboards и содержимое базы данных, чтобы проверить, активен ли определенный data flow.
5. Продвинутый поиск на естественном языке в системах test management, project management и документации. Например, поиск functional requirements (FRs) и Jira tasks не по точным ключевым словам, а по смысловому контексту запроса.
6. Анализ legacy logic по codebase в ситуациях, когда документированные FRs отсутствуют.
Советы и инструменты
Важно: не отправляйте sensitive data в AI‑инструменты, если это не согласовано с вашей Information Security team. Также осторожно используйте сторонние skills и MCP servers.
Prompts
Короткое замечание о prompt engineering: предполагаю, что вы уже знакомы с основами, но хороший prompt обычно включает:
-
Четкая инструкция для основной задачи
-
Ссылки на релевантные навыки и MCP‑серверы
-
Описание входных данных
-
Ограничения при обработке
-
Шаблоны или примеры ожидаемого результата
Также можно задать роль, например: «Act as a senior QA engineer» или «Act as a senior systems analyst», если вы хотите, чтобы агент использовал привычные профессиональные подходы к рассуждению
Skills
Что делать, если нам нужно снова и снова использовать похожие prompts или рабочие шаблоны? Например, регулярно анализировать похожие logs с одной и той же целью, но с разными входными данными.
В этом случае skills помогают не переписывать один и тот же prompt каждый раз заново. AI skill — это структурированный и переиспользуемый набор инструкций, иногда дополненный кодом, который помогает AI‑агенту стабильнее выполнять конкретную задачу.
Идея skills становится все более распространенной в AI‑инструментах для разработки, например Claude Code, Cursor и Windsurf. В таких инструментах skill может быть оформлен как отдельная переиспользуемая директория с metadata markdown file, часто с названием SKILL.md. В этом файле описывается, когда агент должен использовать skill и какие шаги ему нужно выполнить.
Чтобы создать skill, во многих случаях можно попросить AI‑агента прямо после успешного использования prompt‑а в диалоге превратить этот prompt в переиспользуемый skill. Также можно описать условия, при которых агент должен применять этот skill. Например, можно указать, что skill “log_analyzer” должен использоваться, когда пользователь пишет «analyze these logs»
Пример запроса на создание скила:
Create a new skill to automate bug report creation in Jira.
References for populating the Description field of the created bug reports:
https://jira.someproject.com/browse/AB-18747, https://jira.someproject.com/browse/AB-18740, https://jira.someproject.com/browse/AB-17779, https://jira.someproject.com/browse/AB-15664, https://jira.someproject.com/browse/AB-14785, https://jira.someproject.com/browse/AB-14522, https://jira.someproject.com/browse/AB-14789.
Based on these references, create instructions for the skill on how to populate the Description field.
When the skill is requested, the agent must clarify the following details with the user (unless they are already clear from the request context):
1. Which defect type (Type) to create: Production bug, Regression bug, or Sub-bug;
2. If a Production bug or Regression bug is chosen, ask for the Jira project for the bug report;
3. If a Sub-bug is selected, ask for the Parent task in Jira where the Sub-bug should be created;
4. What priority should be set for the defect (Priority).
Tool Clarifications:
- Use the "confluence-mcp" to work with Confluence;
- Use the "jira-mcp" to work with Jira.
Skill Constraints:
- It is FORBIDDEN to include any sensitive information (passwords, tokens, secrets) in execution reports, emails, bug reports, or any other output artifacts.
- It is FORBIDDEN to modify the codebase of the tested services, Confluence requirements and specifications, Jira entities (that were NOT created by this skill), or any test management system entities.
If Jira requires any previously unconsidered mandatory fields when attempting to create a bug report, ask the user for the content of these fields and retry creating the bug report.MCP
Следующий вопрос: как агенты могут получать доступ к данным из удаленных источников вроде Confluence, Jira, TestRail, SQL DB и других систем?
Для этого можно использовать MCP servers. MCP — это открытый стандарт, предназначенный для подключения AI‑приложений к внешним инструментам, системам и источникам данных. MCP может дать агентам контролируемый доступ к инструментам и данным, чтобы они могли получать информацию или выполнять согласованные действия, а не просто объяснять пользователю, что нужно сделать вручную.
Уже существует много MCP servers для популярных инструментов и систем, включая open‑source варианты. В зависимости от инструмента агент может помочь с установкой и настройкой, но часто все равно понадобятся access tokens, permissions и согласование с security.
При правильной настройке это может сделать работу с агентами значительно быстрее и полезнее.
Context
Старайтесь не перегружать один диалог с агентом слишком большим количеством контекста. Когда диалог становится слишком объемным, агент может начать упускать важные детали или давать менее надежные ответы.
Если нужно делегировать AI сложную задачу, лучше заранее спланировать работу вокруг понятных context artifacts, которые можно переиспользовать несколькими агентами или на нескольких этапах. Например, первый агент анализирует functional requirements и готовит test coverage outline. Затем второй агент использует этот outline, чтобы набросать test cases.
Если нужно продолжить работу в другом агенте или новом диалоге, подготовьте короткий handoff summary, структурированный документ или reusable skill с основными правилами и форматом.
Заключение
Agentic AI — мощный инструмент с широким набором практических сценариев. В QA он может стать одним из повседневных инструментов, к которым мы постоянно возвращаемся: как console, browser или API client.
Вы можете создавать custom skills, а в некоторых случаях даже MCP servers, с помощью агента и инструкций на естественном языке под свой workflow. Можно собрать несколько сфокусированных assistants для разных частей работы, с отдельными инструкциями, skills и tools.
Такие assistants помогают делегировать повторяющиеся рутинные задачи и освобождать больше времени для анализа, исследования и творческой QA‑работы. Главное — не забывать проверять результат. Агенты могут быть полезными помощниками, но они не безошибочны.
Эта статья является переводом моей же публикации From One‑Off Prompts to Reusable AI Workflows in QA
Автор: SergeiTerentev
