Middle QA Engineer

Что предстоит делать

AI-агенты для обслуживания и управления промышленным оборудованием. Агентная платформа на базе AI для сервисных инженеров, которые выполняют обслуживание, настройку оборудования и конфигурирование промышленных инструментов (производство полупроводников). Решение охватывает предиктивное обслуживание, автоматизацию управления запасами, управление рабочими графиками, распределение рабочей силы и AI-ассистированное руководство по выполнению задач — на основе нескольких взаимодействующих LLM-агентов (Copilot Agent, Maintenance Execution Agent, Maintenance Planner Agent, Workforce Allocation Agent). Команда QA работает в высокодинамичной среде, используя передовые AI-ассистированные рабочие процессы разработки (кастомные Antigravity workflows, автоматизация через slash-команды, MCP-based инструменты для работы с базами данных, фреймворки оценки LLM). Эта роль предназначена для высокомотивированных, амбициозных профессионалов, которые преуспевают в быстро меняющихся, технически сложных средах. Мы ищем внимательного, ориентированного на детали Mid QA Engineer для присоединения к нашей команде, работающей над Agentic AI Maintenance Platform. Ваш основной фокус будет на ручной валидации функций, тщательном exploratory-тестировании и чётком описании дефектов — при этом вы будете закладывать основу для вклада в автоматизацию в перспективе. Это быстро развивающийся, передовой проект, где AI-ассистенты для написания кода являются частью ежедневного инструментария. От вас ожидается быстрое обучение, критическое мышление и принятие ответственности за качество функций, которые вы валидируете. Описание вакансии 4+ лет опыта в Software Quality Assurance, из них 2+ года тестирования сложных backend-систем, интеграционных платформ или AI/ML-приложений. Экспертиза в Python или аналогичном языке для глубокой автоматизации и написания скриптов. Владение навыками API-тестирования и валидации сохранения данных/аудит-логов в среде баз данных. Подтверждённая способность определять и выстраивать QA-стратегию с нуля, превращая высокоуровневые требования (функциональные и нефункциональные) в чёткие, выполнимые и автоматизированные тест-планы. Предыдущий опыт настройки QA для контейнеризированной среды (Docker/Kubernetes). Концептуальное понимание разработки LLM-приложений, агентных фреймворков и принципов тестирования сложных AI-систем. Опыт работы в промышленной, производственной сфере или в области операционных технологий. Опыт в области операционной ответственности, такой как управление SLA и обработка простоев системы. Владение английским языком в письменной и устной форме (эквивалент B2 или выше). Должностные обязанности Ручное выполнение тестов — валидация задач «Ready for QA» путём выполнения тест-кейсов в live QA-среде, следуя установленным шагам тестирования и ожидаемым результатам. Проектирование тестов — написание чётких, структурированных тест-кейсов с хорошо определёнными шагами и ожидаемыми результатами; выявление граничных случаев и негативных сценариев на этапе планирования тестирования. UI-тестирование — выполнение функционального тестирования, тестирования адаптивности и кросс-браузерного тестирования веб-приложения Command Center (страницы Dashboard, Planning Hub, Admin, Schedule, Inventory). Exploratory-тестирование — выход за рамки скриптовых тест-кейсов для обнаружения граничных случаев, проблем юзабилити и интеграционных дефектов на мультиагентной платформе. Описание дефектов — создание детальных, воспроизводимых баг-репортов в Jira со скриншотами, шагами воспроизведения, ожидаемым и фактическим поведением, а также классификацией по серьёзности. Верификация базы данных — использование SQL-запросов для валидации сохранения данных, проверки состояния backend после действий в UI и поддержки проверок целостности данных. Управление тест-кейсами — поддержание и обновление мастер-реестра тест-кейсов в CSV в соответствии с установленной схемой; обеспечение правильной категоризации, связывания с Jira и отслеживания результатов тестирования. Использование AI-инструментов — использование AI-ассистентов для написания кода с целью ускорения написания тест-кейсов, триажа дефектов и exploratory-анализа; постепенное освоение техник prompt engineering, релевантных проекту. Уточнение требований — анализ поступающих историй и требований, выявление пробелов или неоднозначностей и работа с командой для уточнения критериев приёмки до начала тестирования. Потенциал автоматизации — выявление ручных тестов, подходящих для автоматизации, и со временем внесение базовых реализаций тестов на pytest под руководством старшего QA.