AI-агенты для Auto QA: от хаотичных запросов к системной работе с навыками

Доклад о том, как превратить AI-агента из генератора случайного кода в рабочий инструмент автоматизатора. Не про промпты и не про выбор модели, а про систему вокруг агента: память проекта в репозитории, скиллы под типовые задачи, постановка задачи с планом до кода, правила работы с контекстом и проверки, которые не дают зеленому тесту ничего не проверять.

Для тех, кто только подступается к агентам, это база: с чего начать, в каком порядке и какие грабли можно обойти заранее. Для тех, кто уже пишет тесты с агентом, это способ навести порядок: получать повторяемый результат, а не удачу от сессии к сессии, и держать качество даже на модели в закрытом контуре, которая слабее Claude или GPT. Чем слабее модель, тем важнее память и автоматические проверки, и именно на этом доклад построен.

Всё показано на живом опыте: Java, Spring, JUnit 5, агент OpenCode и модель Qwen 3.5 397B внутри компании. Будут запись реального кейса с интеграционными тестами через Kafka, честные цифры одного инженера за полгода и шаблоны скиллов, которые можно забрать и запустить у себя в понедельник. Подход от языка и агента не зависит: с Claude Code, Codex CLI или моделью по API механика та же.

Доклад для AQA и QA-инженеров, которым нужен не обзор возможностей, а порядок действий.