Интеграция LLM с корпоративными системами: опыт автоматизации тестирования через MCP
Habr AI · оригинал
Материал подготовлен автоматизированной редакционной системой. Факты можно сверить по указанному первоисточнику.
Старший специалист по тестированию X5 Tech описывает, как подключение нейросети к внутренней wiki, базам данных и системе управления тестами через протокол MCP ускорило онбординг и проверку гипотез. Автор подчеркивает, что генерация тест-кейсов «по щелчку» менее полезна, чем доступ модели к актуальному бизнес-контексту и данным.
Материал демонстрирует практический подход к внедрению ИИ в корпоративные процессы: вместо абстрактной генерации контента используется интеграция с реальными источниками данных (RAG, БД, тест-менеджмент), что повышает точность ответов и снижает время на поиск информации.
Вопрос о применении нейросетей в тестировании часто сводится к автоматической генерации тест-кейсов по документации. Однако Григорий Звягинцев, старший специалист по тестированию в X5 Tech, считает этот сценарий наименее полезным для автоматизатора. Его главная проблема — необходимость быстро понимать сложную бизнес-логику, находить актуальные данные и проверять гипотезы без постоянного перечитывания документации. Решение нашлось в использовании LLM как ассистента с доступом к рабочему контексту через протокол MCP (Model Context Protocol).
Рабочий процесс строится вокруг редактора VS Code с расширением Roo Code, где корпоративная модель подключена как OpenAI-совместимый провайдер. Первым шагом стало подключение к внутренней wiki. Это позволило модели быстро находить релевантные фрагменты документации, что значительно упростило процесс адаптации нового сотрудника и снизило нагрузку на коллег. Однако при работе с большими страницами возникла проблема переполнения контекстного окна, что потребовало внедрения векторного поиска.
Для решения задачи с большими объемами текста была развернута связка из Qdrant (векторная база данных) и локальной модели эмбеддингов bge-m3 через Ollama. Выбор этой модели обусловлен ее способностью качественно обрабатывать русский технический текст и приемлемым размером файла для локального запуска. Индексация документации на оборудовании Intel заняла около пяти часов, что автор отмечает как существенное временное затраты. Векторный поиск работает как слой навигации, но требует обязательной сверки с первоисточником, так как RAG-системы могут выдавать «близкие, но неверные» результаты.
Следующим этапом стал read-only доступ к базам данных PostgreSQL. Используя MCP-сервер в ограниченном режиме, автор получил возможность просматривать схемы и выполнять SELECT-запросы для проверки гипотез, не имея права на изменение данных. Это помогло разобраться в связях между таблицами при настройке справочников и подготовке скриптов для анализа инцидентов. При этом возникли технические сложности с сетевыми настройками Docker и VPN, которые потребовали нестандартных решений, таких как запуск сервера напрямую на хосте.
Завершающим слоем интеграции стало подключение к системе тест-менеджмента Allure TestOps. Здесь главной проблемой стала верификация SSL-сертификатов в Docker-контейнере. Решение потребовало извлечения корпоративных CA-сертификатов и их монтирования внутрь контейнера с настройкой соответствующих переменных окружения для Python-библиотек. Доступ к системе оставлен ограниченным: модель может читать кейсы и создавать новые, но не может удалять или редактировать чужие.
В итоге такая многоуровневая интеграция позволила автору сократить время на поиск информации и механические операции. Нейросеть перестала быть «человеком из вакуума» и начала опираться на реальные данные компании. Хотя процесс настройки потребовал решения множества инфраструктурных проблем, результатом стало более глубокое понимание системы и повышение эффективности работы с тестами.