02 セクション 02 量、価値、そしてテスト 量に駆動されたテストのコストと、価値を生むテストの姿。
写真: Sasun Bughdaryan / Unsplash
量に駆動されたテスト文化がループを回し続ける仕組み セクション 02 · 量、価値、そしてテスト
量に駆動されたテストは中立ではありません。自らを増幅し、1周するごとに品質を少しずつ悪くします。
進捗を量で測る テストケース、カバレッジ、スクリプト
テストはビルドの後に始まる コードの前に問いを立てる時間がない
欠陥の発見が遅れる 修正コストが最も高くなる時点で
手戻りと火消し スプリントは考えることではなく直すことに費やされる
上流での思考が真っ先に削られる リスク分析は空いた午後を待つことになる
進捗を見せる圧力が強まる だから、もっとテストを数える
品質の低下 1周ごとにテストは増え、情報は減る
自己強化ループ このループのどこにも、テストが誰かの行動につながる情報を生んだかを問う場所はありません。1周ごとに量が増え、考える時間が減ります。
量の側に置かれた AI AI にテストケースを量産させれば、同じループがただ速く回るだけです。
ループを断ち切るもの 判断をまだ安く変えられるうちに届く情報。
上流での厳密さ を、ビルドの前に。
ビルドの後にテストを増やすのではなく。
価値を生むテストの姿 セクション 02 · 量、価値、そしてテスト
ほとんどのテストは氷山の一角で測られています。価値は水面の下にあります。
多くのチームが数えているもの テストケース 自動化スクリプト 合格した受け入れ基準
実際に価値を生むもの
ビジネスと一緒に行うリスク評価 リリースごとに合意した品質基準 抜けや矛盾を探して要件に問いを立てる 設計が固まる前のテスト容易性の要望 デザインのエクスペリエンスとアクセシビリティのレビュー 幅広いカバレッジのためのプロダクト要素の評価 チャーターに基づく深い探索 パフォーマンス、セキュリティ、レジリエンスのリスク 実際のユーザーを反映したテストデータ 実験と「もしも」の問い 元が取れるところでの賢い自動化 早い段階で求めるログ、フック、モニター チーム間の契約と統合のリスク 根拠に基づくリスクベースの品質ゲート テレメトリとエラーログからの学び 仕事のやり方を変える根本原因分析 ビジネスがすでに追っている品質指標 開発者とプロダクトオーナーへのテストのコーチング ビジネスの言葉でのリスク報告
テストが価値を生むのは、その情報が、まだ安く変えられる うちに判断を変える ときです。
70/30 問題が価値の創出を難しくする仕組み セクション 02 · 量、価値、そしてテスト
事務作業とプロセスの負担が、認知的な仕事に必要な時間を奪います。最初に感じるのはテスターですが、代償を払うのはチーム全体です。
70% · 事務作業とプロセスの仕事
30% · 認知的な仕事
70% を埋めているもの
30% に押し込められているもの
テストケースとスクリプトの作成と保守、状況報告、失敗した実行の切り分け
リスク判断、探索、テスト容易性、テスト戦略
遅れて見つかった欠陥の手戻り、チケットとパイプラインの管理、引き継ぎ
テスト容易性を考えた設計、エッジケースの検討、リスクについてのペアリング
バックログの管理、進捗会議、要件の再説明
意図の明確化、品質基準の合意、つくらないものの決定
報告、調整、依存関係の追跡
構造的なリスクの除去、チームの仕事のやり方の改善
70/30 問題 どの役割でも、事務作業とプロセスの仕事が考える時間を押し出しています。水面の下にあるものすべてを、30% に収めなければなりません。
03 セクション 03 Quality Conscious Software Delivery QCSD とは何か、どう運用するのか、何を変えたのか。
写真: Jaipreet Singh / Unsplash
QCSD の紹介 セクション 03 · Quality Conscious Software Delivery
Quality Conscious Software Delivery 品質を意識する人々 が、品質を高めるプロセス で、品質の高いプロダクト を届ける。
そのすべてを支えるのが、 価値主導のテストです。
品質の3つの捉え方 · QualiTri
品質は、プロダクトだけの性質ではありません
プロダクトは人がつくる 人はプロジェクトの中で、プロセスに沿って働く プロジェクト、人、プロダクトの品質は互いに影響し合う
運用の仕組み · 4E サイクル
Enable、Engage、Execute、Evaluate
Enable
Engage
Execute
Evaluate
次へ: 5つのフェーズ ↓
5つのフェーズ セクション 03 · Quality Conscious Software Delivery
SDLC のすべてのフェーズで、すべての役割が、すべてのタスクを、より品質を意識して行う。
Enable と Engage Execute Evaluate
支援活動 テスト容易性改善セッション 隔週のテスター交流会 自動テストスイートの定期評価 本番エラーログからの学び
次へ: 成果 ↓
QCSD は上流での厳密さを機能させた セクション 03 · Quality Conscious Software Delivery
上流での厳密さは理想ではなく、チームの仕事のやり方になりました。リリースごとのリードタイムがそれを示しています。
開発中 ブロック QA 中 導入前の中央値
▶ もう一度再生
18–49
日: 導入前のリリースごとのリードタイム
11–13
日: 導入後のリリースごとのリードタイム
評価と普及
EuroSTAR 2022 最優秀論文賞 QCSD は 2022年に EuroSTAR Software Testing の最優秀論文賞を受賞しました。 論文を読む
公開された業界事例 iFM engineering が QCSD 導入の事例を独自に公開しました。
Accenture の複数のクライアント QCSD は Accenture の複数のクライアント案件で適用されています。
次へ: そのコスト ↓
アプローチは機能しました。 難しかったのは、リリースのたびにそれを続けることでした。
04 セクション 04 上流での厳密さをめぐる隠れた課題 明らかに機能していたのに、上流での厳密さを安定して続けられなかった根本的な要因。
写真: Luis Villasmil / Unsplash
上流での厳密さが安定しなかった理由 セクション 04 · 上流での厳密さをめぐる隠れた課題
上流での厳密さは、実行されれば機能しました。毎回は実行されなかった理由がこれです。
事務作業の負荷 チームの能力の約 70% が事務作業に使われます。上流での厳密さに回るのは、その残りです。
認知的過負荷 7つのプロダクト要素を、すべてのストーリー、すべてのスプリントで、人の頭の中だけで抱えている。
疲労 深さは、誰が部屋にいて、どれだけ疲れているかで決まります。セッションは回を追うごとに浅くなります。
薄れるモチベーション 準備は目に見えない努力です。数えられ、評価されるのは事務作業のほうです。
デリバリーの圧力 締め切りが動くと、先を考える時間が真っ先に削られます。
テストにおける AI への本当の問い 足りないのは能力や努力ではありません。キャパシティです。AI はテスターにそのキャパシティを取り戻し、それを使ってより効果的に働けるようにできるでしょうか?
05 セクション 05 Agentic QCSD: 置き換えではなく増幅 AI エージェントが担う上流の厳密さ、そこに設計して組み込む判断、そして最終判断を下すのは今も人であること。
写真: Mick Haupt / Unsplash
Agentic QCSD: AI エージェントで強化した QCSD セクション 05 · Agentic QCSD: 置き換えではなく増幅
目的も、人も、プロセスも同じです。上流での厳密さを、実現可能で、手頃で、より賢いものにします。
セッションは残ります。AI エージェントのスウォームがすべてのストーリーの準備を行い、判断するのは人です。
QCSD · 2019年から 人が行うセッション
Agentic QCSD · 現在 Agentic QE のスウォームまたは AI エージェントが担う
アイデア出し
インパクトマッピング
人が行うセッション · 根拠集めは qe-qx-partner 人が行うセッション リファインメント
SFDIPOT によるストーリー分析
qcsd-refinement-swarm スウォーム プロダクトカバレッジセッション
qe-product-factors-assessor AI エージェント 開発
受け入れ基準に対する開発者テスト
qe-test-architect AI エージェント コード品質チェック
qcsd-development-swarm スウォーム CI/CD
自動品質ゲート
qcsd-cicd-swarm · qe-queen-coordinator スウォーム 本番運用
本番テレメトリとエラーログ
qcsd-production-swarm スウォーム
チーム全体の 70/30 の比率 コスト、スピード、品質を同時に。 かつては人日単位のコストがかかった厳密さが、人による判断ゲートをすべて残したまま、スプリントの速度で回ります。
AI エージェントなし 70% 事務作業とプロセスの仕事
30% 認知的な仕事
Agentic QCSD あり 70% 事務作業とプロセスの仕事 30% 事務作業
30% 認知的な仕事 70% 認知的な仕事: リスク、基準、テスト容易性、探索
次へ: 症状と手法 ↓
Agentic QCSD: その下にあるもの セクション 05 · Agentic QCSD: 置き換えではなく増幅
人が方向を決め、AI エージェントのスウォームが作業を行います。インテリジェンスエンジンである Agentic QE は、すべてのスプリントから学びます。
人による方向づけ · 検証こそが制御 5つの人による判断ゲート · すべての成果物に GO、CONDITIONAL、NO-GO の判定 · 人、プロジェクト、プロダクトのための QualiTri ダッシュボード
AI エージェントのスウォーム層 · 8+2 のスウォーム · 74 以上の AI エージェント · 75 以上のスキル
スウォームのオーケストレーション · Queen コーディネーター
デザイン デザインレビュースウォーム · QX
ディスカバリー アイデア出しスウォーム
テスト設計 リファインメントスウォーム
リファインメントと構築 開発スウォーム
CI/CD CI/CD スウォーム
本番運用 テレメトリ · L3 ループ
フェーズ間の交換 すべてのフェーズが互いに情報を渡す · 13 の DDD 境界づけられたコンテキスト · PACTS 原則
インテリジェンスエンジン · Agentic QE · スプリントのたびに前回より賢く ナレッジグラフメモリ チームのコンテキストとフェーズ横断のメモリ
高速インデックス 約 2 ms で読み込み、変更のない作業はスキップ
学習パイプライン スプリントやプロジェクトをまたいで再利用されるパターン
オフラインでの統合 実行履歴を再利用できるパターンに凝縮
自己調整する検索 検索とルーティングが自ら調整される
セルフレビューループ AI エージェントが AI エージェントを批評する
統合層 · 11 以上のプラットフォームとシステム · LLM に依存しない GitLab · Jira · Confluence · SAP RFC · Kafka · Salesforce API · 決済ゲートウェイ · CI/CD · 組織自身のキーで使う、承認済みの任意のモデルチャネル
横断的なガードレール コストを考慮したモデルルーティング5段階のルーティングとローカルブースター · トークンコストを 70〜85% 削減
自己修復34 以上の既知の障害シグネチャ · 自律的な復旧
品質ゲート迎合を防ぐスコアリング · 中身のないテストは却下 · 学習した履歴からのエッジケース
セキュリティとデータ所在フェイルクローズのデータ所在制御 · サニタイズされた環境 · 検証済みのサプライチェーン
標準と ADR中央の ADR と準備完了ルール、すべてのチームのための舗装された道
後付けではなく、すべての層、すべての実行で適用されます。
本番環境での学びが計画に再び反映されます。デリバリーのライフサイクルは最初の応用にすぎず、同じスウォーム、スキル、ガバナンスを組み合わせて、ほかの多くのソリューションをつくれます。
置き換えではなく増幅 セクション 05 · Agentic QCSD: 置き換えではなく増幅
その問いへの答え: テスターはキャパシティを取り戻し、AI エージェントはその判断をより鋭くします。
A { ı} bility
Designed to Reason. Built to Resonate.
デモは A{i}bility で動いています · Agentic QCSD を基盤とした Accenture のソフトウェアデリバリー・インテリジェンス・プラットフォーム
QX AI エージェントによるカスタマージャーニーのレビュー デモ 1 · QX AI エージェント · デザインレビュー · デザイナー向け
QX AI エージェントが実際のカスタマージャーニーをレビューし、デザイナーが判断します。 R リプレイ
テクニカルディスカバリー前のディスカバリー文書レビュー デモ 2 · ビジネスディスカバリー · TPO 向け
8つの AI エージェントがディスカバリー文書をレビューし、TPO が判断します。 R リプレイ
開発前に要件からつくるテスト戦略 デモ 3 · テスト戦略 · テスターと開発者向け
1つの AI エージェントが戦略を起草し、自らの限界を明示します。テスターが判断します。 R リプレイ
自動化の先で、テスターを増幅するさらに多くの方法 セクション 05 · Agentic QCSD: 置き換えではなく増幅
Agentic QE フレームワークによる Agentic QCSD: テストを書くだけでなく、あらゆる種類のテストの仕事のための AI エージェント。
テスト生成 7
Test Architect TDD Specialist TDD Red TDD Green TDD Refactor Property Tester Test Idea Rewriterテスト実行 4
Parallel Executor Flaky Test Hunter Retry Handler Integration Testerカバレッジ分析 3
Coverage Specialist Gap Detector Mutation Tester品質評価 9
Queen Coordinator Fleet Commander QX Partner Quality Gate Code Reviewer Deployment Advisor Integration Architect Risk Assessor Devil’s Advocate欠陥インテリジェンス 4
Defect Predictor Pattern Learner Root Cause Analyzer Regression Analyzer学習の最適化 3
Learning Coordinator Transfer Specialist Metrics Optimizerセキュリティとコンプライアンス 4
Security Scanner Security Auditor Security Reviewer Pentest Validatorカオスとレジリエンス 4
Chaos Engineer Load Tester Performance Tester Performance Reviewerコードインテリジェンス 5
コードインテリジェンス Knowledge Graph Builder Code Complexity Analyzer Dependency Mapper Impact Analyzerコントラクトテスト 3
Contract Validator GraphQL Tester Integration Reviewer要件の検証 4
Requirements Validator BDD Generator Product Factors Assessor Quality Criteria Recommenderビジュアルとアクセシビリティ 3
Visual Tester Responsive Tester Accessibility Auditorエンタープライズ統合 7
SOAP Tester SAP RFC Tester SAP IDoc Tester Middleware Validator OData Contract Tester Message Broker Tester SOD Analyzern8n ワークフローテスト 14
Workflow Executor Unit Tester Integration Tester Trigger Tester Expression Validator Node Validator BDD Scenario Tester Chaos Tester Performance Tester Security Auditor Compliance Validator Monitoring Validator CI Orchestrator Version Comparator74 以上の AI エージェント · 14 のドメイン Queen が率いる階層型の協調 · ワークスティーリングでスループット 3〜5 倍 · 全体を通じた PACTS 原則 · 14 の AI エージェントからなる n8n ワークフローテストのスウォームを含む
持ち帰ってほしいこと テストは、昔から情報のビジネスだった
AI エージェントは、その情報をもっと表に出し、判断を変えるかたちでテスターが伝える手助けができます。正しく使えば。
01 これまで テストを量産する AI
これから 誰にも見つける時間がなかったことを表に出す AI エージェント
7つのプロダクト要素すべてにわたるリスク、抜け、矛盾を、すべてのストーリーで、ビルドの前に。
02 これまで 誰も動かないレポート
これから まだ安く変えられるうちに判断を変える根拠
すべての判定に理由があり、ビジネスの言葉で伝えられる。
03 これまで AI の出力をそのまま信じる
これから それに問いを立て、判断を下すテスター
判断、文脈、倫理は人に残る。AI エージェントはそれをより鋭くする。
正しく使えば、AI はテスターをかつてないほど重要な存在にする。
増幅するのは、思考。
量ではない。
02 セクション 02 13:20 診断 AI 導入は過去最高、指標は昔のまま。テスターの時間はどこに消えているのか。
State of Testing 2026 · 70% 問題
写真: Homa Appliances / Unsplash
AI 導入は過去最高、指標は昔のまま 第0章 · 診断
State of Testing Report 2026(PractiTest と Tea-time with Testers による調査)
4.5%
が NPS やビジネス価値で評価されている
業界はツールを新しくしましたが、考え方は変わっていません。私たちはまだテスト工場の中にいて、合否で測られ、価値ではなく量で評価されています。
出典: State of Testing 2026。56% のチームはテストカバレッジで評価されています。
70% 問題 · テスターの時間の行き先
事務的な負担 ドキュメントと成果物の管理 繰り返しの分析とレポート作成 自動テストの保守 進捗報告とテストレポート 失敗したテストからの情報収集
専門的な仕事 批判的思考とリスク判断 テスト容易性の評価 深い探索 コンテキストの分析 戦略的なテスト
70/30 の比率は、Lalit が複数のチームで観察した数字で、公表された統計ではありません。
次へ: QCSD の誕生 ↓
03 セクション 03 Quality Conscious Software Delivery QCSD の誕生、その中身、もたらした変化、そして人手で回すときのコスト。
誕生 · QCSD とは · 5つのフェーズ · 成果 · 厳密さのコスト
写真: Jaipreet Singh / Unsplash
QCSD の誕生 第1章 · 必要から生まれた
実在のデリバリーチーム、実在のプロダクト、そしてチームの出荷ペースより速く膨らみ続けるバックログ。
状況を良くしようと決意した、情熱あるチーム
プロジェクトが抜け出せない理由 · Jerry Weinberg のフィードバック効果
品質の価値が不明確 品質にどれだけの価値があるか、誰も言えない
エンジニアリングの行動がビジネス目標と結びついていない 忙しいが、価値を生んでいない
品質を達成する動機がない トレードオフでは常に品質が負ける
達成するためのノウハウがない 品質の作り込み方を誰も学ばない
測定する動機がない だから価値は不明確なまま
システムの崩壊 ループが一周するたびに、次の一周はさらに悪くなる
次へ: QCSD とは ↓
上流での厳密さのコスト 第5章 · すべてのチームができるわけではない理由
最初から正しくつくるほうが常に安上がりなので、QCSD は機能します。最初から正しくつくるには、コードが1行もないうちに、熟練した人たちを同じ部屋に集める必要があります。1つの機能に必要なセッションを足していきます。
1つの機能のために部屋に集まる人数
0 セッション
0 人の席
毎回 すべてのエピック、すべてのスプリント
シニアの時間を、機能ごとに繰り返し使う 締め切りが動くと、真っ先に削られる うまく回すには、部屋にコーチが必要
コスト、スピード、品質のトレードオフ 第5章 · すべてのチームができるわけではない理由
デリバリーチームが 30年間付き合ってきたトレードオフ
コスト、スピード、品質: 選べるのは2つ
上流での厳密さは、コストかスピードと引き換えに、品質を引き上げてきました。
2つの角を選んでください。
品質
スピード
コスト
次へ: Agentic QCSD ↓
04 セクション 04 Agentic QCSD と Designed Agency AI エージェントが担う上流の厳密さと、そこに設計して組み込む判断。
Agentic QCSD · セッションからスウォームへ · 70/30 の比率 · 症状への答え · Designed Agency
写真: Mick Haupt / Unsplash
Agentic QCSD は 70/30 の比率をどう変えるか 第6章 · Agentic QCSD
事務的な 70% は AI エージェントへ移ります。専門的な 30% が、すべてのゲートでのテスターの仕事になります。
70% 事務作業 · 今は AI エージェントが準備
30% 専門性 · テスターの仕事
すべてのストーリーで AI エージェントが準備するもの ドキュメントと成果物 → ストーリーごとにフェーズレポートを下書き 繰り返しの分析 → すべてのストーリーで SFDIPOT とリスクスコアリング 自動テストの保守 → テストアイデアからテストを生成 進捗報告とレポート → 根拠つきの GO、CONDITIONAL、NO-GO の判定 失敗したテストからの知見 → 根本原因分析と欠陥予測
テスターがこれから時間を使う場所 リスク判断 どのリスクがストーリーを止めるかを決める 批判的思考 判定とその根拠を疑う テスト容易性 テストできるようにするための変更を求める 深い探索 AI エージェントが見なかった場所を探索する コンテキスト ビジネスとドメインの知識を持ち込む
代わりに決められることは何もありません。 AI エージェントは根拠を準備し、どのゲートでも判断を下すのは人です。
症状と、それに答える手法 第7章 · 設計による解決
ループを断ち切るために設計されています。 チームが抱えていたすべての症状に、2019年からデリバリーで試され検証されてきた QCSD の手法があります。そして今、どの手法も Agentic QE のスウォームまたは AI エージェントが担います。
症状を選んでください。
次へ: Designed Agency ↓
Agentic QCSD は Designed Agency の上に築かれています 第8章 · Designed Agency
業界は agentic という言葉を、その意味を吟味するより早く取り入れました。Designed Agency は、私たちの文脈でそれが何を意味するのかを考え、定義することを求めます。
多くの AI エージェントが agentic と呼ばれる理由
LLM が次の一手を決める ツールを呼び出す ループで動く
そこで抜け落ちているもの アーキテクチャのない判断のエンコードは、ただのプロンプト 判断をエンコードしていないアーキテクチャは、ただの配管 誠実な近似がなければ、つくったものが良いかどうかを知る方法はない
Designed Agency
仕事を深く理解した実践者が、意図して設計に組み込む判断。それを エンコード し、 アーキテクチャにし 、そして誠実に 測定 できる人たちによって。
Encoded 糸。布をつくる素材Structured(構造化) 織機。素材に働きかける道具Approximated 糸と糸の接点。布に風合いを与えるもの
布には3つすべてが必要です。Agentic QCSD と Agentic QE フレームワークは、この3つすべての上に築かれています。
Designed Agency の3つの次元 第8章 · Designed Agency
3つの次元と、それが AI エージェントにどう現れるか。次元を選んでください。
Encoded agency 糸 素材
Designed Agency 意図して設計に組み込む判断
Structured agency 織機 道具
Approximated agency 接点 創発する品質
ハンズオンを始める →
Tokyo Test Fest 2026 · 半日チュートリアル
70% 問題
Agentic QCSD でテストの知的な核を取り戻す
写真: Ramon Buçard / Unsplash
01 セクション 01 13:00–13:20 はじめる前に 講師の紹介、進行表、作業環境、そしてウォームアップ演習。
講師 · 進行表 · セットアップ · 演習 0
写真: Marvin Meyer / Unsplash
本日の講師 講師
Lalitkumar Bhamare EMEA リード、品質エンジニアリング ソートリーダーシップ · Accenture Song
QCSD(Quality Conscious Software Delivery)の考案者。EuroSTAR 2022 最優秀論文賞。 Agentic QCSD の考案者。オープンソースの Agentic QE フレームワークの主要な貢献者。 Tea-time with Testers 共同創設者・編集長。元 AST 教育担当 VP。 State of Testing 2026 共著者。Emerging QA Leader of the Year 2025。
Dragan Spiridonov Head of Agentic Quality Engineering · Cognitum One · 本日はビデオで参加
Agentic QE フレームワークの考案者。PACT を PACTS に発展させた。 テクノロジー分野で 29年。そのうち 12年は企業で品質エンジニアリング組織を立ち上げてきた。 Agentic QE Fleet の考案者。Serbian Agentic Foundation Chapter 創設メンバー。 元 Belgrade Test Conference プログラム委員長。forge-quality.dev で執筆。
次へ: 進行表 ↓
進行表 13:00–16:00
前半 · 13:00〜14:35 13:00 ようこそ、講師紹介、セットアップ確認 10分
13:10 演習 0 · ウォームアップ、ナレッジグラフ 10分
13:20 診断と Agentic QCSD のストーリー 15分
13:35 アーキテクチャ、その後 Dragan による AQE 紹介(ビデオ) 20分
13:55 演習 1 · エピックに対するアイデア出しスウォーム 25分
14:20 コーヒーブレイク 15分
後半 · 14:35〜16:00 14:35 演習 2 · リファインメント、プロダクト要素 15分
14:50 演習 3 · 開発、テスト 20分
15:10 演習 4 · CI/CD、ゲートと判断 15分
15:25 演習 5 · 自己学習 10分
15:35 PACTS の適用と導入ロードマップ 20分
15:55 まとめと質疑応答 5分
発展演習: 演習 2b と 2c。早く終わった方と、セッション後のために。
次へ: セットアップ ↓
ワークショップの作業環境をセットアップする 13:00–13:10
Codespaces は GitHub 上で動きます。DevPod は Docker を使ってローカルで動きます。AI エージェントの演習には、ご自身のモデルアクセスとトークンを使います。 ワークショップのリポジトリ: github.com/fndlalit/TTF-Agentic-QCSD-Workshop
コンテナ · Codespaces または DevPod + Docker
devpod up . --provider dockerまたはリポジトリを Codespace で開く
bash .devcontainer/prepare-workshop.sh
bash .devcontainer/verify.sh続けて npm run test:run
コンテナ内で AI エージェントにサインインします。ワークスペースを信頼し、AQE MCP サーバーを承認します。
LAB.md を開きます。演習 0 は準備済みです。出力を確認してください。
手動 · ご自身のノート PC で
git clone https://github.com/fndlalit/TTF-Agentic-QCSD-Workshop
npm install -g agentic-qe@latestaqe init --auto
npm install
aqe code index src/
npm install -g @huggingface/transformers@4.2.0
aqe learning import -i seed/aqe-seed-patterns.json
前提条件 Node 22.13 以上、npm 10 以上。
手動セットアップ ホームフォルダの近くにクローンしてください。階層が深いと、グラフからファイルが抜け落ちます。
Claude Code 以外をお使いの方 次を追加: --with-copilot, --with-cursor または --with-kiro
詳しい手順: チュートリアルのリポジトリにある docs/DEVCONTAINER.md と README.md。
次へ: 演習 0 ↓
ウォームアップ: フリートにコードの地図を渡す 演習 0 · 13:10–13:20
約2分 · AI エージェント経由ではなくターミナルで · API キー不要、トークン消費なし
1 · インデックス ターミナル コピー
aqe code index src/ 21 ファイル · 102 ノード · 117 エッジ
2 · 確認 手動セットアップ: 140 ノード · 102 エッジ。 コンテナ: 110 ノード · 89 エッジ。
3 · ベースライン 開始前は 21 エントリ · 81 ベクトル
作業環境の中での静的解析とローカル埋め込みです。プロバイダーのキーもトークンも不要です。コンテナでは、prepare-workshop.sh がこの3つのコマンドを実行済みです。
続けて: ストーリー →
05 セクション 05 13:35–13:55 エンジン スウォームのアーキテクチャ、フィードバックループ、そして考案者による Agentic QE フレームワークの紹介。
アーキテクチャ · エンジン · Dragan による AQE 紹介
写真: James Wainscoat / Unsplash
スウォームのアーキテクチャとフィードバックループ アーキテクチャ · 13:35–13:40
フェーズごとに1つ、計5つのスウォームが、それぞれの発見を次へ渡します。4つのフィードバックループが、各フェーズで学んだことを、それを活かせるフェーズへ戻します。
アイデア出し AI エージェント 9 · スキル 4
› リファインメント AI エージェント 10 · スキル 3
› 開発 AI エージェント 10 · スキル 4
› CI/CD AI エージェント 10 · スキル 4
› 本番運用 AI エージェント 12 · スキル 5
すべてを動かすエンジン アーキテクチャ
次へ: Agentic QE フレームワーク ↓
考案者による Agentic QE フレームワーク AQE 紹介 · Dragan Spiridonov · ビデオ · 14分
Dragan Spiridonov · Head of Agentic Quality Engineering, Cognitum One · Agentic QE フレームワークの考案者 · github.com/proffesor-for-testing/agentic-qe 字幕オン
次へ: 演習 1 ↓
06 セクション 06 13:55–15:35 ハンズオンラボ 1つのチェックアウトアプリで5つの演習。エピックからリリース判断まで。
アイデア出し · リファインメント · 開発 · CI/CD · 自己学習
写真: Rahul Mishra / Unsplash
アイデア出し: コードを書く前にリスクを洗い出す演習 1 · アイデア出し · 13:55–14:20
約20分 · qcsd-ideation-swarm · コマンドファイルではなくスキルとしてインストール済み
プロンプト · AI エージェントに貼り付け コピー
/qcsd-ideation-swarm
Analyze the guest-checkout epic in requirements/epic-checkout.md, using requirements/user-stories.md and requirements/acceptance-criteria.md for context. Work from these files only, with no web research. Skip the security audit: Exercise 4 covers security.
Save all reports under reports/01-ideation-swarm/.
Save learnings and persist patterns. 保存先 reports/01-ideation-swarm/LAB.md に2つのバージョン
実行中に エピックをご自身で読んでください。あなたなら GO、CONDITIONAL、NO-GO のどれを出しますか。
始める前に この作業環境で AI エージェントにサインインし、AQE MCP サーバーを承認しておきます。Claude Code 以外の方は、LAB.md のステップ一覧を使ってください。
演習 1 の振り返り各枠の最後の5分 · ペアで、その後全員で
アイデア出し: コードを書く前にリスクを洗い出す
1 レポートで
どの判定が出ましたか。 NO-GO、CONDITIONAL、GO のどれか。エグゼクティブサマリーで判定と主なブロッカーを探してください。
2 ペアで
エピック、ストーリー、基準の間のどの矛盾を見つけましたか。 1つを requirements/ のファイルと照らし合わせてください。本当に矛盾していますか。
3 全員で
何がなければ開発を始めるのを断りますか。 判定を挙手で確認し、テーブルごとにブロッカーを1つ。
開く reports/01-ideation-swarm/
私たちの実測結果(振り返りの後に開く) 2026年11月6日に実測(agentic-qe 3.15.18、Claude Code、無人実行): 6.7分、$2.25。対話的に実行すると、ツール呼び出しの承認がある分だけ長くなります。この実行での判定: CONDITIONAL、リスク 39件(重大 4件)、テスト容易性 59%、要件の網羅性 46%。スキルのより厳しいしきい値表では NO-GO となり、レポートにもそう書かれています。
14:20–14:35 コーヒーブレイク 14:35 に再開します。演習 1 のレポートは開いたままにしてください。
次 · 演習 2 · リファインメント: カバレッジの前にプロダクト要素
写真: Karl Fredrickson / Unsplash
リファインメント: カバレッジの前にプロダクト要素演習 2 · リファインメント · 14:35–14:50
約10分 · qe-product-factors-assessor
プロンプト · AI エージェントに貼り付け コピー
Use qe-product-factors-assessor to analyse the guest-checkout product from requirements/epic-checkout.md and requirements/user-stories.md. Produce a product-factors (SFDIPOT) assessment and save it to reports/02-refinement-product-factors.md.
Save learnings and persist patterns. 保存先 reports/02-refinement-product-factors.mdLAB.md に2つのバージョン
実行中に 7つの要素のうち、ここで最もリスクが高いのはどれだと思いますか。
7つの要素 構造、機能、データ、インターフェース、プラットフォーム、運用、時間。
演習 2 の振り返り各枠の最後の5分 · ペアで、その後全員で
リファインメント: カバレッジの前にプロダクト要素
1 レポートで
7つの要素のうち、テストアイデアが最も多かったのはどれで、最も少なかったのはどれですか。 構造、機能、データ、インターフェース、プラットフォーム、運用、時間。
2 ペアで
自分では思いつかなかったテストアイデアはどれですか。 次に、どのチェックアウトにも当てはまるほど汎用的なものを1つ探してください。
3 全員で
このビジネスにとって本当のリスクはどの要素にありますか。 テーブルごとに要素を1つ、理由とともに。
開く reports/02-refinement-product-factors.md
私たちの実測結果(振り返りの後に開く) 2026年11月6日に実測(agentic-qe 3.15.18、Claude Code、無人実行): 3.3分、$0.52。AI エージェントは SFDIPOT の7要素にわたり 74件のテストアイデア、23件の要件の抜け、順位づけした 11件のリスクを出しました。受け入れ基準のファイルは読んでいません。会場で問いかける価値があります。
開発: 最もリスクの高いモジュールのテスト演習 3 · 開発 · 14:50–15:10
約15分 · qe-test-architect
プロンプト · AI エージェントに貼り付け コピー
Use qe-test-architect to generate a comprehensive test file for the payment-retry logic in src/lib/payment-retry.ts. Use the test ideas in reports/02-refinement-product-factors.md as input, and include property-based tests for the module's invariants.
Save the test file as tests/lib/payment-retry.architect.test.ts and a short rationale to reports/03-development-tests.md.
Save learnings and persist patterns. 保存先 tests/lib/payment-retry.architect.test.tsLAB.md に2つのバージョン
実行中に src/lib/payment-retry.ts を開いてください。テストが守るべき不変条件を1つ挙げてください。
順番が大切 このステップは演習 2 の出力を読みます。順番どおりに実行してください。
演習 3 の振り返り各枠の最後の5分 · ペアで、その後全員で
開発: 最もリスクの高いモジュールのテスト
1 レポートで
生成されたテストは実行でき、合格しますか。 失敗したテストについて、間違っているのはテストかコードかを判断してください。
2 ペアで
プロパティベーステストはどの不変条件を選びましたか。 バックオフの上限、リトライ回数の上限、冪等性を探してください。
3 全員で
それは本当に重要な不変条件ですか。 テーブルごとに、欠けている不変条件を1つ。
実行 npm test -- --run tests/lib/payment-retry.architect.test.ts
私たちの実測結果(振り返りの後に開く) 2026年11月6日に実測(agentic-qe 3.15.18、Claude Code、無人実行): 3.0分、$0.55。AI エージェントは fast-check のプロパティテストを含む 74件のテストを書き、すべて合格しました。it.fails のテスト1件は、遅延の上限を適用した後にジッターが加算されることを記録しています。card_declined コードも含め、投げられたエラーはすべてリトライされることも記録しました。
CI/CD: 検証し、ゲートを通し、判断する演習 4 · CI/CD · 15:10–15:25
約10分 · qe-queen-coordinator
プロンプト · AI エージェントに貼り付け コピー
Use qe-queen-coordinator to run a verification-only quality assessment of src/lib/payment-retry.ts (do NOT generate tests). Analyse coverage gaps with risk scoring, security-scan the module, apply a 90% quality gate, and give a GO / CONDITIONAL / NO-GO deployment recommendation with the top blockers.
Save the consolidated report to reports/04-cicd-quality-assessment.md.
Save learnings and persist patterns. 保存先 reports/04-cicd-quality-assessment.mdLAB.md に2つのバージョン
実行中に src/lib/payment-retry.ts を読んでください。リリースしますか。答えを書き留めてください。
カバレッジは 90% を超える 演習 3 でテストを追加する前の payment-retry.ts は、ステートメント 100%、ブランチ 97.29% です。追加後は 109件中 109件が合格し、カバレッジは 100% です。カバレッジだけではリリース判断はできません。
演習 4 の振り返り各枠の最後の5分 · ペアで、その後全員で
CI/CD: 検証し、ゲートを通し、判断する
1 レポートで
どの推奨が出ましたか。 NO-GO、CONDITIONAL、GO のどれか。ゲートのスコアとカバレッジの数値を比べてください。
2 ペアで
冪等性キーがないこと、ジッターの前にバックオフの上限が適用されていることを報告しましたか。 どちらもモジュールのソースにあります。
3 全員で
リリースしますか。 挙手で確認し、何がなくてもリリースしてよいかを話し合います。
開く reports/04-cicd-quality-assessment.md
私たちの実測結果(振り返りの後に開く) 2026年11月6日に実測(agentic-qe 3.15.18、Claude Code、無人実行): 1.4分、$0.34。この実行での判定: 109件中 109件のテストが合格、カバレッジ 100% で NO-GO。ブロッカー: 冪等性キーがない、ゲートウェイのタイムアウトがない、投げられたエラーをすべてリトライする。quality_assess のゲート呼び出しは「証拠不十分」を返したため、AI エージェントが 90% のしきい値を自分で適用しました。
自己学習: フリートの記憶を活用する演習 5 · 自己学習 · 15:25–15:35
約10分 · どのツールでも同じプロンプト
プロンプト · AI エージェントに貼り付け コピー
Recall from AQE memory what the fleet learned about this checkout app across Exercises 1–4: payment retry, cart state, checkout form accessibility, and request validation.
First list what you recalled: each pattern's name and one line on what it says. Then consolidate that into a one-page brief (top risks, testability gaps, contradictions, and the release verdict), framed as either:
• an onboarding brief for someone joining the project today, or
• a handoff document for the next person enhancing the checkout app.
Where memory returns nothing for a topic, take it from reports/01 to 04 and label that part REPORTS-BASED.
Save the brief to reports/05-handoff-brief.md. 保存先 reports/05-handoff-brief.mdどのツールでも同じプロンプト
実行中に 演習 1〜4 で覚えているリスクを3つ書き出し、想起結果と照らし合わせてください。
フリートが想起するもの 演習全体で順位づけした主なリスク 品質の仕事を妨げるテスト容易性の欠落 エピック、ストーリー、基準の間の矛盾 リリース判定とそのブロッカー
演習 5 の振り返り各枠の最後の5分 · ペアで、その後全員で
自己学習: フリートの記憶を活用する
1 レポートで
想起したリストにこのコードベースの名前は出てきますか。 payment-retry.ts、CartContext、CheckoutForm.tsx がすべて出てくるはずです。
2 ペアで
ブリーフのどの部分が REPORTS-BASED ですか。 それらのトピックはメモリにありませんでした。ご自身のレポートと比べてください。
3 全員で
このブリーフを、このコードの次の担当者に渡せますか。 テーブルごとに、最初に追加したいものを1つ。
開く reports/05-handoff-brief.md
私たちの実測結果(振り返りの後に開く) 2026年11月6日に実測(agentic-qe 3.15.18、Claude Code、無人実行): 1.0分、$0.29。メモリは learning 名前空間から4つのパターンを返し、どのトピックでも同じ4つでした。カートの状態、フォームのアクセシビリティ、リクエストの検証はレポートから取られました。一部をレポートから組み立てたブリーフも正しい結果ですが、そのことを明記する必要があります。
発展演習 2b · プロダクト要素からの探索的チャーター 発展演習 · セッション後に
約20分 · exploratory-testing-advanced
プロンプト · AI エージェントに貼り付け コピー
/exploratory-testing-advanced
Using the test ideas in reports/02-refinement-product-factors.md, write three time-boxed exploratory charters for the guest checkout and run a first pass of each against src/app/checkout, src/components/CheckoutForm.tsx and src/lib/. Label every finding EXECUTED, STATIC or INFERRED; list the questions a human must answer.
Save to reports/02b-exploratory-charters.md.
Save learnings and persist patterns.
保存先 reports/02b-exploratory-charters.md
あなたの判断 最初に実行するチャーターはどれか。どの発見が推測ではなく証拠か。
発展演習 2c · 欠陥リスクプロファイル: バグはどこにあるか 発展演習 · セッション後に
約15分 · qe-defect-predictor
プロンプト · AI エージェントに貼り付け コピー
Use qe-defect-predictor to build a defect risk profile for every module in src/lib/ and src/components/CheckoutForm.tsx from complexity, coupling and coverage (npm run test:coverage). Rank the modules, give the top three risk factors for each with its evidence class, and say whether src/lib/payment-retry.ts belongs at the top of the list, and why.
Save to reports/02c-defect-risk-profile.md.
Save learnings and persist patterns.
保存先 reports/02c-defect-risk-profile.md
あなたの判断 payment-retry.ts のカバレッジはすでに 100% です。それでも上位に来るなら、その理由に同意できるかを判断してください。
続けて: 見たことを実践へ →
07 セクション 07 15:35–16:00 実践へ スウォームが準備するもの、PACTS による問いかけ方、そしてあなたの現場のためのロードマップ。
まとめ · PACTS · ロードマップ · 持ち帰るもの
写真: Mateusz Sobczak / Unsplash
スウォームが準備するもの、あなたが決めること まとめ
フェーズ 着席前にボードに揃っているもの 判断するのはあなた
アイデア出し 品質基準、順位づけしたリスク、すべての受け入れ基準のテスト容易性の評価 エピックの準備ができているか、何がなければ始めないか
リファインメント 要素に分解したプロダクトと、要素ごとのテストアイデア このビジネスにとって本当のリスクはどの要素にあるか
開発 最もリスクの高いモジュールの実行可能なテスト(不変条件を含む) 選ばれた不変条件が本当に重要なものか
CI/CD カバレッジの抜け、セキュリティスキャン、ゲートの結果、推奨 リリース判断と、何がなくてもリリースしてよいか
自己学習 フリートの記憶からまとめた1ページのブリーフ それが、このコードの次の担当者に渡したい内容か
次へ: PACTS ↓
PACTS: 5つの問いかけの道具 PACTS の適用 · 15:35
各特性は定義ではなく問いです。ご自身のレポートに当てはめ、ペアで各特性を 0〜3 で採点し、答えが薄いときは深掘りの問いを使ってください。
P Proactive(先回り) 聞かれる前にリスクを指摘したか。
「結論の根拠になった src/ の行を正確に示して」 A Autonomous(自律) 何を調べるかを自分で決めたか。
「見なかったもので最も重要なものは何?」 C Collaborative(協働) AI エージェント同士が互いを参照したか。
「AI エージェント A と B は上位3つのリスクで一致している?」 T Targeted(的確) このチェックアウトのコードに合っていたか。
「汎用のチェックリストではなく、私たちの文脈に合わせて書き直して」 S Structured(構造化) それぞれの結論を根拠までたどれるか。
「経緯を見せて: どの AI エージェントが、どの入力から、なぜこう判断した?」
エンジンを比べる。 ペアに Claude Code ユーザーと別のツールのユーザーがいれば、同じ演習の2つのレポートを比べてください。その差がオーケストレーション層の価値です。
次へ: あなたのロードマップ ↓
あなたの現場での出発点 ロードマップ · 15:45–15:55
1 · インストールして試す npm install -g agentic-qe@latestaqe init --auto ご自身のプロジェクトでスキルライブラリを眺める
2 · 1つの痛みに1つの AI エージェント 最も大きな事務的負担を選ぶ qe-qx-partner、qe-flaky-hunter、qe-accessibility-auditor を試す 最初の1週間で削減した時間を測る
3 · スウォームを少しずつ育てる 信頼が育つにつれて AI エージェントを追加する 1か月目: AI エージェントが提案し、人が決める 4か月目: 低リスクの仕事は AI エージェントが担う
小さく始める。 AI エージェント1つ、フェーズ1つ、リポジトリ1つ。指標は2つ: 削減した時間と、ビジネスがすでに追っている指標1つ。
次へ: 持ち帰るもの ↓
持ち帰るもの まとめ
長年の投資なしで使える、専門家の思考。 ご自身のマシンにある、設定済みで MIT ライセンスのフレームワーク。出し惜しみはありません。 どこでも使え、ベンダーに依存しない評価の感覚としての PACTS。 私たちではなく、あなたの現場のために書いた導入ロードマップ。
次へ ↓
Lalitkumar Bhamare Dragan Spiridonov 速い馬は、私たちを救わない。 考えるチームを増幅すれば、救われる。
github.com/fndlalit/TTF-Agentic-QCSD-Workshop · teatimewithtesters.com · forge-quality.dev · agentic-qe.dev
写真: Mathew Schwartz / Unsplash