convez.ai
MCP ServerAutomaçãoAvançado
AndreasKarz

Agentic BA-RE-Tester Setup

AndreasKarz/Agentic-BA-RE-Tester-Setup

Orquestração de agents para engenharia de requisitos e testes com IA

Ver no GitHub
InicialPluginScore · de 0 a 100

MCP server para Engenharia de Requisitos Agnóstica (ARE) que orquestra agents especializados (Requirements Engineer, Test Manager, Business Analyst, Enterprise Architect, Power BI) com skills de domínio para automação de análise de requisitos, criação de testes e validação de qualidade. Implementa padrões IREB, ISTQB e frameworks como OKR e Flight Levels para padronização corporativa.

Instalação

$npx convez-ai AndreasKarz/Agentic-BA-RE-Tester-Setup

1 comando no terminal: detecta o formato do repositório (marketplace ou plugin avulso) e instala via Claude Code. Requer Node 18+ e o Claude Code instalado.

Métricas

Estrelas
3
Forks
1
Acompanhando
0
Saúde
28%
Último commit
há 3 meses
Versão
—
Issues abertas
1
Contribuidores
2

Casos de uso

  • Análise e documentação de requisitos em conformidade com IREB
  • Geração automática de testes ISTQB com cobertura determinística
  • Validação de arquitetura e conformidade com padrões corporativos
  • Criação de business cases e análises de stakeholder com OKR

Veredito

Setup robusto para equipes corporativas que precisam padronizar engenharia de requisitos e testes com agents especializados. A arquitetura é bem pensada (agents + skills + prompts), mas requer investimento em configuração inicial e conhecimento de frameworks (IREB, ISTQB, OKR). Recomendado para organizações com processos maduros de QA e requisitos complexos.

README

A tradução para o português deste README ainda está na fila.

Agentic-BA-RE-Tester-Setup for Agentic Requirements Engineering (ARE)

Deutsch | English


Requirements Engineering & Testing neu gedacht.
Stell dir vor, Du sparst wertvolle Zeit und hebst gleichzeitig die Qualität Deiner Projekte auf ein neues Level. Genau das macht Agentic Requirement Engineering möglich – und das in einem Bruchteil der Zeit, die du jetzt dafür aufwendest.

Be ready – und lass Dich von smarter Automatisierung und punktgenauer Präzision begeistern.


Architektur: Agents, Skills & Prompts

ARE folgt dem Prinzip «Agents orchestrieren, Skills liefern Domänenwissen». Die zentrale Orchestrierung wird über die Datei .github/AGENTS.md gesteuert.

Spezialisierte Agents

Agents werden direkt im Copilot Chat über @ aufgerufen, z.B. @RequirementsEngineer.

AgentExpertiseWann einsetzen
@RequirementsEngineerIREB-konforme Anforderungen, Features, PBIs, Epics, AkzeptanzkriterienAnforderungen erheben, dokumentieren, validieren
@TestmanagerISTQB-konforme Testfälle, Teststrategie, Coverage-AnalyseTestfälle erstellen, Testpläne verwalten, Testberichte
@BusinessAnalystOKR, Flight Levels, Stakeholder-Analyse, Business CasesGeschäftswert bewerten, strategische Entscheidungen
@EnterpriseArchitektSHERPA-Standards, EA-Reviews, ADoIT, SEAL-LifecycleArchitektur bewerten, Standards prüfen
@PowerBIDAX, Power Query M, ETL, Star Schema, VisualisierungenReports erstellen, Datenmodelle entwerfen

Skills (Domänenwissen)

Skills werden automatisch von den Agents geladen und liefern die fachliche Tiefe. Sie werden nicht direkt aufgerufen.

SkillInhalt
business-analystOKR-Framework, Flight Levels, Stakeholder-Matrix, Business-Case-Methodik, Schweizer Markt, FINMA/DSG
requirements-engineerIREB-Lebenszyklus, GIVEN/WHEN/THEN-Patterns, NFR nach ISO 25010, ADO-Templates
testmanagerISTQB-Testprozess, Testdesign-Techniken, deterministische Expected Results, Coverage-Analyse
enterprise-architectSHERPA-Framework, CoA/ADoIT-Zugriff, Architektur-Ebenen, Standards-Compliance
powerbiETL-Pipeline-Design, Star Schema, DAX-Patterns, Power Query M, Visualisierungen

Weitere verfügbare Utility-Skills: agent-creator, skill-creator, instructions-creator, prompt-creator, hierarchical-rag, sharepoint, docx, xlsx, pptx, pdf


Liste der verfügbaren Prompts

👉🏻 Wenn Du im Copilot im **Agent** Mode bist, kannst Du die folgenden Prompts einfach aufrufen, in dem Du die Anweisung mit **/** beginnst und dann den Namen des Prompts zu schreiben beginnst .

/business_conclusion **WorkItem ID**

Analysiert das Work Item und alles, was daran hängt und erstellt daraus ein Management Summary.

_/business_conclusion 783464_

/analyze_workitem **WorkItem ID**

Analysiert ein WorkItem in Azure DevOps (ADO) nach IREB®, ISTQB®, CTRM, OKR und FlightLevels. Gibt danach eine Zusammenfassung der Analyse mit Vorschlägen aus. Diese können im Dialog noch angepasst werden und werden danach vom Copilot auf Wunsch direkt ins WorkItem übernommen.

/create_test_cases **WorkItem ID**

Prüft zuerst das WorkItem inkl. den Kommentaren sowie allenfalls schon verlinkten Test Cases und validiert die Akzeptanzkriterien auf Vollständigkeit. Macht danach Vorschläge nach ISTQB® für weitere Test Cases. Diese können im Dialog bearbeitet werden und danach erstellt Copilot diese auf Wunsch und verlinkt diese auch korrekt mit dem WorkItem.

/create_feature **File** oder **Beschreibung**

Analysiert die Datei (Markdown, Text, ASCIIDOC oder PDF) oder die Beschreibung, prüft dann die Anforderungen nach IREB® und geht dann in einen Dialog. Sind alle Fragen beantwortet und der Vorschlag im Dialog überarbeitet, erstellt der Copilot daraus das Feature.

/gf_info **Name des Geschäftsfalles**

Sucht alle Informationen zu einem Geschäftsfall und erstellt dann eine Zusammenfassung daraus.

/research_topic **Topic**

Du suchst nach einem bestimmten Thema, Du weisst, es ist irgendwo in den Tiefen eines ADO WIKIs (Sharepoint wird aktuell noch nicht unterstützt), aber Du findest es nicht? ARE wird es für Dich finden!

/analyze_bug **WorkItem ID**

Analysiert das Bug WorkItem und sucht dann ähnliche Bugs, vermutlich relevante PBIs, prüft Pull Requests, analysiert den Code und erstellt Dir dann eine Übersicht.

/analyze_load_chain **Property Name**

Du hast ein Property, bei dem Du nicht weisst, woher es kommt und wohin es geht? Dann versuche mal diesen Prompt und lass ihn nach der kompletten Strecke suchen. Er sucht das Property in allen Repositories die er findet und analysiert dann die gesamt Ladekette. Dabei referenziert er auf den Code und berücksichtigt auch WorkItems.

/analyze_logs **LogFile**

Kopiere Dein LogFile in den Ordner .assets und gib es dann diesem Prompt mit. Er analysiert das Log, untersucht den Source Code und die Pull Requests und gibt dann eine zusammengefasste Analyse aus.

/create_ui_test **TestCase ID**

Führt den manuellen Test Case aus und erstellt auf Wunsch eine entsprechende Playwright Testdatei. (Funktioniert nur mit WEB UIs).

Anstatt die TestCase ID kann auch ein Test beschrieben werden, z.B. /create_ui_test https://www.stadt-zuerich.ch/de/lebenslagen/neu-in-zuerich/other-languages.html - klicke auf jede Sprache und prüfe dann auf der Folgeseite ob alle Übersetzungen korrekt und fehlerfrei sind

/forensic_analyze_pdf **PDF Datei**

Lade das gewünschte PDF in den Ordner .assets und gib diese dann dem Prompt mit. Er kann das PDF generell aber auch einzelne Unterschriften im Dokument forensisch untersuchen.

/architecture_review **Input**

Prüft eine Architektur-Dokumentation (Attachment, ADO URL, SharePoint, ADoIT oder Freitext) gegen die EA-Standards des SHERPA-Frameworks. Lädt mindestens 3 von 5 Quellen (CoA SharePoint, ADoIT, ADO Standards-Wiki, CTRM-Wiki, sl-ch-nexus) und erstellt einen kompakten Standards-Compliance-Report.

/aggregate_support_tickets **CSV Pfad** **Output Ordner**

Aggregiert Support Tickets aus einer CSV-Datei zu einem JSON-Wissensgraphen und reichert diese mit ADO-Informationen an.

/analyze_time_savings_v2 **Zeitraum**

Analysiert und visualisiert die Zeitersparnis über alle WorkItems im CTRM-Projekt, die den Tag Ai Gen tragen. Ideal für Reporting und ROI-Nachweise.

/create_hierarchical_rag **Projektname**

Baut ein neues Hierarchical RAG (DIGEST/RAW) für ein Projekt auf — inkl. Quellen-Download, Digest-Generierung, Freshness Gate und Anonymisierung. Erstellt die Wissensstruktur in .assets/context/.

Mach Dich mit der Verzeichnisstruktur vertraut. Hier findest Du alle wichtigen Dateien und Ordner, die Dir helfen, effizient zu arbeiten. Für eigenen Dateien, Assets und Instruktionen das Icon 🤐 beachten! Diese werden NICHT versioniert und somit auch nicht gelöscht bei einer Aktualisierung des Repository.

  • 🤐 .assets/: Hier kannst Du Deine persönlichen Assets für Demos/Schulungen speichern. Es wird nur die README versioniert.
  • 🔄️ .vscode/: Enthält die Konfigurationsdateien für Visual Studio Code.
  • 🔄️ .github/AGENTS.md: Zentrale Orchestrierungsdatei — definiert die Persona, den Workflow und die Delegationstabellen.
  • 🔄️ .github/agents/: Enthält die spezialisierten Agents (RequirementsEngineer, Testmanager, BusinessAnalyst, EnterpriseArchitekt, PowerBI).
  • 🔄️ .github/skills/: Enthält das Domänenwissen der Agents (IREB, ISTQB, OKR, SHERPA, DAX etc.) plus Utility-Skills.
  • 🔄️ .github/instructions/: Beinhaltet die Copilot Instruktionen.
    • 🤐 für projektspezifische Instruktionen in diesem Ordner eine neue Datei project.copilot.instructions.md erstellen.
    • 🤐 für eigene Instruktionen in diesem Ordner eine neue Datei user.copilot.instructions.md erstellen.
  • 🔄️ .github/prompts/: Enthält die vorgefertigten Prompts für die Nutzung mit GitHub Copilot.
  • 🤐 .github/userprompts/: Hier kannst Du Deine eigenen Prompts speichern. Es wird nur das Template versioniert.
  • 🔄️ Root Verzeichnis: Wird versioniert.

Hierarchie der Instruktionen, Agents und Prompts

Dies ist die Reihenfolge, in der die Anweisungen verarbeitet werden. Achte darauf, dass die spezifischen Anweisungen Vorrang vor den allgemeinen haben. Achte auf widersprüchliche Anweisungen in deinen Benutzer- und Projektspezifischen Anweisungen. Sollten sich diese nicht vermeiden lassen, weise GitHub Copilot an, die spezifischen Anweisungen zu befolgen und die vorherigen, widersprüchlichen Anweisungen explizit zu ignorieren.

  1. .github/instructions/copilot.instructions.md: Allgemeine Anweisungen für GitHub Copilot.
  2. .github/instructions/project.copilot.instructions.md: Projektspezifische Anweisungen.
  3. .github/instructions/user.copilot.instructions.md: Benutzerdefinierte Anweisungen.
  4. .github/AGENTS.md: Zentrale Orchestrierung — delegiert an spezialisierte Agents.
  5. .github/agents/*.agent.md: Spezialisierte Agents — orchestrieren ihren Fachbereich.
  6. .github/skills/*/SKILL.md: Domänenwissen — wird von Agents geladen, nie dupliziert.
  7. .github/prompts/*.prompt.md: Vorgefertigte Prompts für häufige Aufgaben.

Installierte MCP Server

Sequential-Thinking

Eine MCP-Server-Implementierung, die ein Tool für dynamische und reflektierende Problemlösung durch einen strukturierten Denkprozess bereitstellt. Zerlegt komplexe Anweisungen und einzelne Steps für zuverlässigere Antworten.

Ressourcen

https://github.com/modelcontextprotocol/servers/tree/main/src/sequentialthinking 

ADO

Erlaubt den Zugriff auf Azure DevOps zur Analyse von WorkItems, WIKIs, Dokumentationen und Source Code. Kann auch WorktItems und TestCases erstellen.

Ressourcen

https://www.youtube.com/watch?v=QAwTYXNLW4w 

MongoDB

Zugriff auf MongoDB Instanzen als Sourcen für den Copilot. Connectionstring muss als Umgebungsvariable MDB_MCP_CONNECTION_STRING gesetzt sein. 

Ressourcen

https://dev.to/edudeveloper/set-up-a-mongodb-mcp-server-in-vs-code-like-a-pro-pb7 
https://www.npmjs.com/package/mongodb-mcp-server 
https://github.com/mongodb-js/mongodb-mcp-server 

Playwright

Der Playwright MCP ist ein leistungsstarker MCP-Server, der einem KI-Agenten die Kontrolle über einen Webbrowser ermöglicht. Er basiert auf Playwright, derselben Technologie, die auch unser zuverlässiges Test- und Automatisierungsframework unterstützt.

Ressourcen

https://devblogs.microsoft.com/blog/the-complete-playwright-end-to-end-story-tools-ai-and-real-world-workflows 

https://playwright.dev/agents 

microsoft-docs

Der Microsoft Learn MCP Server ist ein Model Context Protocol-Server, der vertrauenswürdige und aktuelle Learn-Inhalte als Kontext zu Sprachmodellen hinzufügt.

Ressourcen

https://learn.microsoft.com/en-us/training/support/mcp 

memory

Eine grundlegende Implementierung von persistenter Speicherung unter Verwendung eines lokalen Wissensgraphen. Dadurch kann ARE Informationen über den Benutzer über mehrere Chats hinweg speichern.

Ressourcen

https://github.com/modelcontextprotocol/servers/tree/main/src/memory 

PDF2Img

Selbstentwickelter MCP Server, damit GitHub Copilot mit PDF umgehen kann. Macht einen Umweg über Images, auf welche dann vom Copilot mit OCR eingelesen werden kann.

AsciiDoc

Selbstentwickelter MCP Server, welcher aus PDFs neue AsciiDocs erstellen kann, inkl. Grafiken und Bilder.

PowerBI MCP Server

https://youtu.be/pRFeQWzUhn0?si=MS0YNNtqRqBkLCJn&t=285 https://learn.microsoft.com/de-de/power-bi/developer/mcp/remote-mcp-server-get-started

Elastic Search MCP

Comming soon...

Ressourcen

https://www.elastic.co/search-labs/blog/model-context-protocol-elasticsearch 

GitHub MCP

Comming soon... https://github.com/kuzudb/kuzu-mcp-server

Ressourcen

https://github.com/pnp/cli-microsoft365-mcp-server
https://github.com/pnp/cli-microsoft365-mcp-server?tab=readme-ov-file

https://github.com/github/github-mcp-server 

Weitere Ressourcen

Ver o original no GitHub

Bom para

Relacionados