proffesor-for-testing/agentic-qe

Agentic QE Fleet is an open-source AI-powered QA/QE platform designed for use with Coding Agents (works best with Claude Code) featuring specialized agents and skills to support testing activities for a product at any stage of the SDLC. Free to use, fork, build, and contribute. Based on the Agentic QE Framework created by Dragan Spiridonov.

解決的問題

Agentic Quality Engineering (AQE) Fleet 能夠自動執行軟體測試和品質保證中繁瑣且複雜的環節。它解決了在不同的技術棧和編程代理平台中，如何維持高測試覆蓋率、識別具有風險的未測試程式碼路徑以及修復 flaky test 的問題。

工作原理

AQE 作為一個由中央「Queen Coordinator」協調的專業 AI 代理艦隊運行。該協調器將高層級的品質任務分解為較小的子任務，並將其分配給特定領域的代理（例如：測試架構師、安全掃描器或混沌工程師）。

關鍵技術機制包括：

Intelligent Routing: 一個名為 TinyDancer 的系統根據複雜程度將任務路由到不同的 LLM 層級（Haiku, Sonnet, Opus），以平衡成本和效能。
Pattern Learning: 系統在持久化資料庫中索引成功的測試模式和缺陷指標，使其能夠在不同的會話和專案之間複用有效的策略。
MCP Server: 它使用 Model Context Protocol (MCP) 與 Claude Code、Cursor 和 GitHub Copilot 等 11 個不同的編程代理平台進行無縫整合。
Quality Gates: 它採用反諂媚（anti-sycophancy）評分機制來拒絕空洞或同義反覆的測試。

適用對象

希望將 AI 驅動的測試整合到現有 CI/CD 流水線以及跨多個平台的編程代理工作流中的軟體工程師、QA 工程師和開發團隊。

亮點

大規模代理艦隊: 協調分布在 13 個領域（包括安全、混沌工程和企業級整合 (SAP/SOAP)）的 60 個專業 QE 代理。
75+ QE 技能: 一個經過驗證和校驗的技能庫，涵蓋從 TDD (London/Chicago) 到變異測試 (mutation testing) 的各種技能。
多平台支援: 支援包括 Cursor、Cline 和 Windsurf 在內的 11 個主流編程代理。
跨專案學習: 隨著時間的推移學習程式碼庫模式，以提高測試生成的準確性。
成本優化: 透過 Ollama 支援本地 LLM，並透過智慧路由來最大限度地減少 API 開銷。