От макетов к автотестам: как команда ТестОпс приручает ИИ для генерации тест-кейсов
Habr AI · оригинал
Материал подготовлен автоматизированной редакционной системой. Факты можно сверить по указанному первоисточнику.

Команда QA ТестОпс описала реальный опыт интеграции нейросетей в процесс создания тестовой документации, где ИИ выступает не финальным исполнителем, а инструментом черновой работы. Ключевым фактором успеха стало создание специализированного контекста через скиллы, которые наводят порядок в терминологии, стиле и логике сгенерированных кейсов.
Материал демонстрирует практический подход к решению проблемы «нейрослопа» в корпоративном QA: вместо ожидания идеальных ответов от LLM инженеры выстраивают систему проверок и контекстных ограничений, что позволяет сократить время на доработку черновиков на 30% и закладывать основу для автоматической генерации автотестов.
В сфере обеспечения качества программного обеспечения использование больших языковых моделей часто сталкивается с проблемой неопределенности: нейросети склонны выдавать общие, размытые ответы, если их не направлять. Команда ТестОпс поделилась опытом того, как они превращают «сырой» вывод ИИ в структурированные и логичные тест-кейсы. Аналогия со скульптором, который постепенно уточняет форму камня, хорошо описывает этот процесс: контекст выступает в роли инструмента, который делает результат все более точным.
Сегодняшний рабочий процесс начинается с макетов в Figma. Встроенный ИИ-ассистент превращает их в юз-кейсы по простому запросу. Далее эти данные объединяются с требованиями из Яндекс Вики и обрабатываются в Cursor, где генерируются черновики тест-кейсов. Эти черновики загружаются в TMS ТестОпс, где их доработка вручную оказывается удобнее, чем многократные уточнения в чате с агентом. По оценкам команды, доработка ИИ-черновиков занимает на 30% меньше времени, чем написание кейсов с нуля.
Для повышения качества генерации разработчики создали специальный скилл (SKILL.md), который действует как набор правил для агента. Одним из ключевых компонентов является устранение дублирования: модель самостоятельно не всегда отслеживает пересечения между кейсами, поэтому добавлена отдельная проверка на уникальность и переиспользование общих шагов. Также в скилл включен файл с проектной терминологией, что помогает избежать неоднозначной интерпретации специфичных понятий.
Отдельное внимание уделяется стилю оформления. Без четкого руководства модель часто пытается уместить независимые проверки в один кейс или использует расплывчатые формулировки вроде «проверь, что работает». Созданный файл стилистики регламентирует структуру каждого раздела: от названия до ожидаемого результата, который должен быть конкретным наблюдаемым фактом. Это превращает процесс генерации в итерируемую систему, где правила можно дополнять по мере поступления замечаний.
Самой сложной проблемой остается полнота требований. Для UI-фич они разбросаны по Figma, вики, трекерам и даже личным чатам. Команда работает над скиллом, который будет собирать данные из всех этих источников, включая чаты и перспективный доступ к Figma через MCP-сервер, а также проверять их на противоречия. Однако часть информации все еще существует только в головах людей, что пока невозможно автоматизировать.
В перспективе команда планирует использовать этот конвейер для генерации автотестов. Идея состоит в том, чтобы сначала создать тест-кейсы в свободной форме, сфокусировавшись на смысле проверки, а затем на их основе сгенерировать e2e-тесты с помощью специального скилла. Хотя этот этап еще в разработке, текущий опыт показывает, что гибкость ИИ-инструментов позволяет эффективно решать задачи, зависящие от человеческих процессов.