QApybara: Open-Source-KI-QA-Engineer testet Web-Apps und echte Android-Geriete automatisch
Das Open-Source-Tool QApybara will Pull Requests automatisiert auf Web-Anwendungen und physischen Android-Geraeten pruefen. Ausloeser: KI-Assistenten lassen Entwickler schneller Code schreiben, doch QA-Teams sind kaum gewachsen, viele Startups schiffen ohne eigenes QA.
Hacktoberfest Open-Source AI Challenge Woche 3: Slow and Steady Einreichung 🦥
Dies ist eine Einreichung für die Hacktoberfest Open-Source AI Challenge Woche 3: Slow and Steady
KI-Coding-Assistenten haben dazu geführt, dass Entwickler in halber Zeit doppelt so viel Code schreiben. Aber niemand hat die Größe der Testing-Teams verdoppelt. Über 60 % der Startups liefern aus, ohne ein dediziertes QA-Team zu haben. Review-Bots wie CodeRabbit und Greptile lesen die Diffs deiner Pull Requests, doch Forschungsergebnisse zeigen, dass nur etwa 15 % der Review-Kommentare echte Defekte aufdecken. Die Bugs, die einem Nutzer tatsächlich den Tag verderben, wie ein toter Checkout-Button, ein kaputtes Dropdown-Menü, ein Android ANR (Application Not Responding) oder ein stiller 500er-Fehler, offenbaren sich erst, wenn jemand die App wirklich ausführt und mit ihr interagiert.
Bei jedem Pull Request manuell durch Staging-Apps zu klicken, Testformulare auszufüllen und die Devtools zu inspizieren, ist mühsame und furchteinflößende Arbeit.
Das Thema dieser Woche feiert den International Sloth Day: seinen inneren Faultier-Modus zu kanalisieren, sich in entspanntem Tempo zu bewegen und die Open-Source-KI die Arbeit machen zu lassen, damit du es nicht tun musst.
Hier kommt QApybara ins Spiel (inspiriert vom Capybara, dem ruhigsten und unbeeindrucktesten Wesen der Natur).
QApybara ist ein autonomer, Open-Source-KI-QA-Engineer, der nicht nur deinen Code liest, sondern ihn auf einem echten Chromium-Browser und einem physischen Android-Smartphone ausführt, das per USB angeschlossen ist.
Statt manuelle Regressionstests durchzuführen, schaltest du in den puren Faultier-Modus:
Du pusht deinen Code. Du hängst ein qa-Label an (oder kommentierst /qa) an den GitHub Pull Request. Dann lehnst du dich zurück, entspannst dich und machst ein Nickerchen. QApybara startet die App oder installiert die Build-APK auf einem physischen Smartphone, bildet User Journeys ab, bedient die App wie ein menschlicher Nutzer, fängt Abstürze und Konsolenfehler ab, erstellt Screenshots und Bildschirmaufnahmen und postet ein belegbasiertes Urteil direkt zurück in deinen Pull Request und den Team-Slack-Thread.
Review-Bots lesen deinen Code. QApybara führt ihn aus, auf einem echten Browser und einem physischen Android-Smartphone, und liefert den Beweis.
QApybara ist ein autonomer, Open-Source-KI-QA-Engineer, der Pull Requests testet, indem er die Anwendung tatsächlich ausführt und wie ein menschlicher Nutzer mit ihr interagiert. Wenn ein Entwickler einen Pull Request mit dem qa-Label versieht oder /qa kommentiert, startet QApybara die Web-Preview oder installiert die APK auf einem über USB verbundenen Android-Smartphone, bildet User Journeys ab, bedient die App, erkennt Laufzeitfehler, erstellt Video- und Screenshot-Beweise und exportiert bestandene Journeys als wiederverwendbare Playwright- oder Maestro-Regressionstests.
Gebaut mit Open-Weight-Modellen, dem Eve-Agent-Framework und dem Model Context Protocol (MCP).
Automatisch übersetzt. Das Original auf Englisch ist unten aufklappbar.
Original (Englisch) anzeigen
Hacktoberfest Open-Source AI Challenge Week 3: Slow and Steady Submission 🦥
This is a submission for the Hacktoberfest Open-Source AI Challenge Week 3: Slow and Steady
AI coding assistants have made developers write twice as much code in half the time. But nobody doubled the size of testing teams. Over 60% of startups ship without dedicated QA. Review bots like CodeRabbit and Greptile read your pull request diffs, but research shows that only around 15% of review comments catch real defects. The bugs that actually ruin a user's day — a dead checkout button, a broken dropdown, an Android ANR ("Application Not Responding"), or a silent 500 error — only reveal themselves when someone actually runs and interacts with the app.
Manually clicking through staging apps, filling out test forms, and inspecting devtools on every PR is tedious, dread-inducing work.
This week’s theme celebrates International Sloth Day: channeling your inner sloth, moving at a relaxed pace, and letting open-source AI do the work so you don't have to.
Enter QApybara (inspired by the capybara, the calmest, most unbothered creature in nature).
QApybara is an autonomous, open-source AI QA Engineer that doesn't just read your code — it runs it on a real Chromium browser and a physical Android phone plugged in over USB.
Instead of doing manual regression testing, you embrace pure sloth mode:
Push your code. Slap a qa label (or comment /qa) on the GitHub pull request. Sit back, relax, and take a nap. QApybara spins up the app or installs the build APK on a physical phone, maps user journeys, exercises the app like a human user, catches crashes and console errors, captures screenshots and screen recordings, and posts an evidence-backed verdict directly back to your PR and team Slack thread.
Review bots read your code. QApybara runs it — on a real browser and a physical Android phone — and shows proof.
QApybara is an autonomous, open-source AI QA Engineer that tests pull requests by actually running and interacting with the application like a human user. When a developer labels a PR with qa or comments /qa, QApybara spins up the web preview or installs the APK on a USB-connected Android phone, maps user journeys, exercises the app, detects runtime errors, captures video and screenshot proof, and exports passing journeys as reusable Playwright or Maestro regression tests.
Built with open-weight models, the Eve agent framework, and the Model Context Protocol (MCP).