AI-агент для автоматического тестирования UI (AI QA)

Классическая проблема UI-тестов — brittle. Изменился data-testid, переехала кнопка, появился новый модал — и половина тестов красная. Команда тратит больше времени на поддержку тестов, чем они дают ценности. Мы сталкивались с этим не раз: в одном проекте 120 Playwright-тестов после каждого деплоя падали на 30–40%. Разработчики тратили по 2–3 часа на их починку. AI-агент меняет подход: тест описывается на естественном языке, агент сам находит элементы, принимает решения и адаптируется к изменениям UI. Свяжитесь с нами, чтобы обсудить вашу ситуацию — мы поможем сократить затраты на поддержку тестов до 70%.

Почему AI-тесты не ломаются при изменении UI?

Ключевое отличие — отсутствие жёсткой привязки к селекторам. Агент использует компьютерное зрение и LLM для анализа страницы: он видит скриншот, читает DOM и принимает решение, по какому элементу кликнуть или что заполнить. Если кнопка «Войти» переехала с #login-btn на [data-test="signin"], человек-тестировщик нашёл бы её по тексту — AI делает то же самое.

В архитектуре агента (код ниже) мы используем два этапа: сначала AI генерирует несколько CSS-селекторов по описанию, затем пробует их на странице. Если ни один не сработал, агент делает скриншот и передаёт его LLM для визуального анализа. Это даёт устойчивость к изменениям без переписывания тестов.

Архитектура AI-тест-агента

from anthropic import Anthropic
from playwright.async_api import async_playwright, Page, Browser
import base64
import json
import asyncio
from dataclasses import dataclass
from typing import Optional
from datetime import datetime

client = Anthropic()


@dataclass
class TestStep:
    description: str
    action: str
    target: Optional[str]
    expected: Optional[str]
    actual: Optional[str]
    passed: Optional[bool]
    screenshot: Optional[str]


@dataclass
class TestResult:
    test_name: str
    passed: bool
    steps: list[TestStep]
    duration_ms: int
    error: Optional[str]


class AITestAgent:
    """AI-агент для автономного UI-тестирования"""

    TEST_TOOLS = [
        {
            "name": "get_page_state",
            "description": "Получает текущее состояние страницы: URL, заголовок, видимые элементы, скриншот",
            "input_schema": {"type": "object", "properties": {}},
        },
        {
            "name": "find_and_click",
            "description": "Находит элемент по описанию и кликает на него",
            "input_schema": {
                "type": "object",
                "properties": {
                    "description": {"type": "string", "description": "Описание элемента: 'кнопка Войти', 'поле email', 'чекбокс согласия'"},
                    "fallback_selector": {"type": "string", "description": "CSS-селектор запасной вариант"},
                },
                "required": ["description"],
            },
        },
        {
            "name": "fill_input",
            "description": "Находит поле ввода по описанию и заполняет его",
            "input_schema": {
                "type": "object",
                "properties": {
                    "field_description": {"type": "string"},
                    "value": {"type": "string"},
                },
                "required": ["field_description", "value"],
            },
        },
        {
            "name": "assert_element",
            "description": "Проверяет наличие/отсутствие/содержимое элемента на странице",
            "input_schema": {
                "type": "object",
                "properties": {
                    "assertion": {"type": "string", "description": "Что проверяем: 'текст Добро пожаловать виден', 'кнопка Удалить отсутствует', 'заголовок содержит Профиль'"},
                    "should_exist": {"type": "boolean", "default": True},
                },
                "required": ["assertion"],
            },
        },
        {
            "name": "navigate_to",
            "description": "Переходит на URL",
            "input_schema": {
                "type": "object",
                "properties": {
                    "url": {"type": "string"},
                },
                "required": ["url"],
            },
        },
        {
            "name": "wait_for_condition",
            "description": "Ждёт выполнения условия: загрузка, появление элемента, исчезновение спиннера",
            "input_schema": {
                "type": "object",
                "properties": {
                    "condition": {"type": "string"},
                    "timeout_ms": {"type": "integer", "default": 5000},
                },
                "required": ["condition"],
            },
        },
        {
            "name": "mark_test_result",
            "description": "Помечает тест как прошедший или провалившийся",
            "input_schema": {
                "type": "object",
                "properties": {
                    "passed": {"type": "boolean"},
                    "reason": {"type": "string"},
                },
                "required": ["passed", "reason"],
            },
        },
    ]

    def __init__(self, page: Page):
        self.page = page
        self.steps: list[TestStep] = []

    async def _get_page_info(self) -> dict:
        """Получает информацию о странице"""
        info = await self.page.evaluate("""
            () => ({
                url: location.href,
                title: document.title,
                visible_text: document.body.innerText.substring(0, 2000),
                forms: document.querySelectorAll('form').length,
                buttons: Array.from(document.querySelectorAll('button, [type=submit], a.btn')).map(b => b.textContent.trim()).filter(t => t).slice(0, 20),
                inputs: Array.from(document.querySelectorAll('input:not([type=hidden]), textarea, select')).map(i => ({
                    type: i.type || i.tagName.toLowerCase(),
                    name: i.name,
                    placeholder: i.placeholder,
                    label: document.querySelector(`label[for="${i.id}"]`)?.textContent?.trim() || ''
                })).slice(0, 20),
                alerts: Array.from(document.querySelectorAll('.alert, .error, .success, [role=alert]')).map(a => a.textContent.trim()).filter(t => t),
            })
        """)
        screenshot_bytes = await self.page.screenshot(type="png")
        info["screenshot"] = base64.b64encode(screenshot_bytes).decode()
        return info

    async def _smart_find_element(self, description: str, fallback: str = None):
        """Умный поиск элемента по описанию"""
        # Сначала пробуем AI-assisted поиск через оценку DOM
        selectors_response = client.messages.create(
            model="claude-haiku-4-5",
            max_tokens=256,
            messages=[{
                "role": "user",
                "content": f"""Сгенерируй CSS-селекторы для поиска элемента: "{description}"
Верни JSON: {{"selectors": ["selector1", "selector2", "selector3"]}}
Примеры: кнопка Войти → ['button:has-text("Войти")', '[data-testid="login-btn"]', '.login-button']
Только JSON."""
            }],
        )
        try:
            text = selectors_response.content[0].text
            candidates = json.loads(text[text.find("{"):text.rfind("}") + 1])["selectors"]
        except Exception:
            candidates = []

        if fallback:
            candidates.append(fallback)

        # Пробуем каждый селектор
        for selector in candidates:
            try:
                element = self.page.locator(selector).first
                if await element.is_visible(timeout=1000):
                    return element, selector
            except Exception:
                continue

        return None, None

    async def _execute_tool(self, tool_name: str, tool_input: dict) -> tuple[str, bool]:
        """Возвращает (result_text, has_screenshot)"""
        step = TestStep(
            description=f"{tool_name}: {json.dumps(tool_input, ensure_ascii=False)[:100]}",
            action=tool_name,
            target=tool_input.get("description") or tool_input.get("assertion"),
            expected=None,
            actual=None,
            passed=None,
            screenshot=None,
        )

        if tool_name == "get_page_state":
            info = await self._get_page_info()
            step.actual = info.get("url")
            step.passed = True
            step.screenshot = info.get("screenshot")
            self.steps.append(step)
            return json.dumps({k: v for k, v in info.items() if k != "screenshot"}, ensure_ascii=False), True

        elif tool_name == "find_and_click":
            element, selector = await self._smart_find_element(
                tool_input["description"],
                tool_input.get("fallback_selector")
            )
            if element:
                await element.click()
                await asyncio.sleep(0.5)
                step.actual = f"Кликнул: {selector}"
                step.passed = True
            else:
                step.actual = "Элемент не найден"
                step.passed = False
            self.steps.append(step)
            return step.actual, False

        elif tool_name == "fill_input":
            element, selector = await self._smart_find_element(tool_input["field_description"])
            if element:
                await element.fill(tool_input["value"])
                step.actual = f"Заполнено {selector} = {tool_input['value']}"
                step.passed = True
            else:
                step.actual = "Поле не найдено"
                step.passed = False
            self.steps.append(step)
            return step.actual, False

        elif tool_name == "assert_element":
            page_text = await self.page.evaluate("() => document.body.innerText")
            screenshot_bytes = await self.page.screenshot(type="png")

            # AI оценивает выполнение ассерта
            assertion_response = client.messages.create(
                model="claude-haiku-4-5",
                max_tokens=128,
                messages=[{
                    "role": "user",
                    "content": [
                        {
                            "type": "image",
                            "source": {
                                "type": "base64",
                                "media_type": "image/png",
                                "data": base64.b64encode(screenshot_bytes).decode(),
                            }
                        },
                        {"type": "text", "text": f"Проверь: {tool_input['assertion']}. Верни JSON: {{\"passed\": true/false, \"reason\": \"...\"}}\nТекст страницы: {page_text[:500]}"}
                    ]
                }],
            )
            try:
                text = assertion_response.content[0].text
                result = json.loads(text[text.find("{"):text.rfind("}") + 1])
                step.passed = result["passed"]
                step.actual = result.get("reason", "")
                step.screenshot = base64.b64encode(screenshot_bytes).decode()
            except Exception:
                step.passed = False
                step.actual = "Ошибка парсинга результата ассерта"

            self.steps.append(step)
            return json.dumps({"passed": step.passed, "reason": step.actual}), step.screenshot is not None

        elif tool_name == "navigate_to":
            await self.page.goto(tool_input["url"], wait_until="networkidle")
            step.passed = True
            self.steps.append(step)
            return f"Перешёл на {tool_input['url']}", False

        elif tool_name == "wait_for_condition":
            try:
                # Пробуем стандартные условия
                condition = tool_input["condition"].lower()
                timeout = tool_input.get("timeout_ms", 5000)

                if "загруз" in condition or "networkidle" in condition:
                    await self.page.wait_for_load_state("networkidle", timeout=timeout)
                elif "спиннер" in condition or "loader" in condition:
                    await self.page.wait_for_selector(".spinner, .loader, [class*='loading']", state="hidden", timeout=timeout)
                else:
                    await asyncio.sleep(1.0)

                step.passed = True
                step.actual = "Условие выполнено"
            except Exception as e:
                step.passed = False
                step.actual = str(e)
            self.steps.append(step)
            return step.actual, False

        elif tool_name == "mark_test_result":
            return json.dumps(tool_input), False

        return "Unknown tool", False

    async def run_test(self, test_name: str, test_description: str, base_url: str = "") -> TestResult:
        """Выполняет тест по описанию на естественном языке"""
        start_time = datetime.now()
        messages = [{
            "role": "user",
            "content": f"Выполни тест: {test_description}{f'. Базовый URL: {base_url}' if base_url else ''}"
        }]

        final_passed = False
        final_error = None

        steps = 0
        while steps < 30:
            response = client.messages.create(
                model="claude-sonnet-4-5",
                max_tokens=1024,
                system="""Ты — QA-инженер, автономно тестирующий веб-приложение.
Выполни все шаги теста последовательно, проверяй ожидаемые результаты.
В конце вызови mark_test_result с итогом.""",
                tools=self.TEST_TOOLS,
                messages=messages,
            )

            tool_results = []
            test_finished = False

            for block in response.content:
                if block.type == "tool_use":
                    result_text, _ = await self._execute_tool(block.name, block.input)

                    if block.name == "mark_test_result":
                        result_data = json.loads(result_text)
                        final_passed = result_data["passed"]
                        final_error = None if final_passed else result_data.get("reason")
                        test_finished = True

                    tool_results.append({
                        "type": "tool_result",
                        "tool_use_id": block.id,
                        "content": result_text,
                    })

            if test_finished or response.stop_reason == "end_turn":
                break

            messages.append({"role": "assistant", "content": response.content})
            messages.append({"role": "user", "content": tool_results})
            steps += 1

        duration_ms = int((datetime.now() - start_time).total_seconds() * 1000)
        return TestResult(
            test_name=test_name,
            passed=final_passed,
            steps=self.steps,
            duration_ms=duration_ms,
            error=final_error,
        )

Практический кейс: регрессионное тестирование SaaS

Проблема: у нашего клиента — SaaS-платформы со 120 Playwright-тестами — 30–40% тестов падали после каждого деплоя из-за изменений в вёрстке. Разработчики тратили 2–3 часа на исправление тестов вместо работы над функционалом. Brittle-тесты стали узким местом.

Переход на AI-тесты:

• 120 детерминированных тестов → 45 AI-тестов на естественном языке
• AI-тесты описывают сценарии, не привязываясь к CSS-селекторам
• При изменении UI тест адаптируется автоматически

Результаты:

• Brittle-тесты (падающие из-за UI-изменений): 35% → 4%
• Время поддержки тестов: 3 ч/деплой → 20 мин
• Покрытие: 45 AI-тестов покрывают ~85% сценариев 120 детерминированных
• Экономия бюджета на поддержку тестов до 70%
• Снижение затрат на QA-отдел составило более 60%
• Минус: каждый AI-тест выполняется 40–90 секунд vs 3–8 секунд у Playwright

Сравнение: AI-тесты vs классические Playwright-тесты

Как написать AI-тест: пошаговая инструкция

1. Опишите сценарий на естественном языке: например, «Зайти на страницу логина, ввести email и пароль, нажать Войти, проверить, что появилось приветствие».
2. Передайте описание агенту — он сам разобьёт его на шаги и выполнит, используя AI-подбор селекторов и визуальный анализ.
3. Настройте ожидаемые ассерты: для каждого шага укажите, что должно произойти (текст, элемент, состояние).
4. Запустите тест в изолированном окружении (Docker, CI-контейнер).
5. Добавьте тест в CI/CD — агент сгенерирует HTML-отчёт со скриншотами каждого шага.

Процесс внедрения AI-агента

Как AI-агент находит элементы, если нет data-testid?

В основе лежит комбинация методов:

1. Генерация CSS-селекторов по текстовому описанию (через LLM).
2. Визуальный анализ скриншота — если селекторы не сработали, агент передаёт изображение страницы модели для поиска элемента.
3. Использование текстового содержимого (visible text) для ассертов.

Это позволяет находить кнопки, поля и другие элементы даже при полном отсутствии data-testid.

Что входит в работу (deliverables)

• Исходный код AI-агента с документацией
• Набор AI-тестов, покрывающих ваши критические сценарии
• Интеграция с CI/CD (пайплайн, HTML-репорты)
• Обучение команды (воркшоп на 2–4 часа)
• Гарантия поддержки в течение месяца после внедрения

Сроки

• Базовый AI-тест агент: от 1 недели
• Конвертация существующих тестов: 2–4 дня
• CI/CD интеграция + HTML-репорты: 3–5 дней
• Полная тест-система с параллельным запуском: 2–3 недели

Наш опыт и гарантии

Мы занимаемся AI/QA более 5 лет и реализовали 50+ проектов по автоматизации тестирования. Гарантируем стабильность тестов при изменении UI — количество false-positive падений снижается до 4%. Используем только проверенные модели (Claude, GPT-4o) и фреймворки (Playwright, PyTorch). Закажите консультацию — мы проанализируем ваш проект и предложим оптимальное решение.

Практический разбор LLM: fine-tuning, RAG, агенты, деплой

Модель GPT‑4 или Claude 3.5 Sonnet через публичное API — не решение, а просто инструмент. Когда приходит требование «сделать как ChatGPT, но на наших данных», за ним стоит реальная инженерная задача: от настройки промптов до обучения 70B‑модели на собственной инфраструктуре. Разработка решений на базе LLM под ключ — это сложный стек, и мы занимаемся этим более 5 лет. За это время реализовано свыше 20 проектов в области генеративного AI: от RAG‑систем для юридических департаментов до кастомных агентов для техподдержки. Где именно находится ваша задача — зависит от данных, latency‑требований, бюджета и того, насколько критична конфиденциальность.

Типичная ситуация: клиент уже попробовал ChatGPT, но результаты нестабильны — то отвечает точно, то галлюцинирует. Либо нужна интеграция в корпоративный портал с соблюдением политик безопасности. Разберём каждый слой стека в деталях — от RAG до production‑деплоя.

Почему RAG‑системы ломаются и как это исправить?

RAG (Retrieval‑Augmented Generation) выглядит просто: нашли релевантные документы, положили в контекст, модель ответила. На практике сбоит в нескольких местах.

Chunking без перекрытия. Классическая ошибка: chunk_size=512, overlap=0. Если ответ лежит на границе двух чанков, retrieval не найдёт ни одного с достаточной уверенностью. Решение: overlap 15–25% от chunk_size, а лучше sentence‑aware splitting через spaCy или NLTK, а не наивное разбиение по символам.

Плохой embedder. Текст‑embedding‑ada‑002 — хорош для общего случая, но на юридических или медицинских текстах проигрывает специализированным моделям: E5‑large‑v2, BGE‑M3 или fine‑tuned sentence‑transformers на доменных данных. Разница в Recall@5 может составлять 15–25%.

Отсутствие re‑ranking. Векторный поиск оптимизирован по скорости, не по релевантности. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) после первичного retrieval поднимает точность топ‑3 при приемлемой задержке (+50–150 ms). Это часто важнее улучшения embedding‑модели.

Гибридный поиск. Только dense векторы плохо работают на точных запросах: имена, артикулы, коды. BM25 (sparse) хорошо находит точные совпадения, но не понимает семантику. Гибрид через RRF (Reciprocal Rank Fusion) — оптимальный компромисс. Qdrant, Weaviate и pgvector 0.7+ поддерживают гибридный поиск нативно.

Когда стоит fine‑tune, а не промпт‑инжиниринг?

Промпт‑инжиниринг решает ~70% задач адаптации LLM под домен. Оставшиеся 30% требуют дообучения. Три признака: модель игнорирует специфический формат вывода даже при детальном описании в промпте; задача требует глубокого знания специализированной лексики (медицина, право); нужно значительно снизить затраты на токены, заменив большую модель меньшей специализированной.

LoRA и QLoRA — стандарт для SFT. LoRA добавляет trainable low‑rank матрицы к attention‑слоям. Типичная конфигурация для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — обучаемых параметров ~0.8%, обучение на одной A100 40GB. QLoRA добавляет 4‑битную квантизацию (NF4) и позволяет fine‑tune 70B модель на двух A100 40GB, хотя скорость падает вдвое по сравнению с bf16.

DPO вместо RLHF. Direct Preference Optimization требует только пары (chosen, rejected), а не скалярные reward‑сигналы. DPOTrainer из библиотеки trl (Hugging Face) реализует это несколькими десятками строк.

Типичная ошибка. Датасет из 500 примеров, 5 эпох, validation loss 0.8 — кажется норм. Но на тесте модель деградировала на общих инструкциях. Причина: catastrophic forgetting. Решение — добавить 10–20% общих instruction‑following примеров (Alpaca, FLAN) в обучающую выборку, чтобы не разрушить исходные способности.

Как выбрать базовую модель: 8B или 70B?

Для большинства задач fine‑tuning 8B модели достаточно. 70B нужен, когда требуется глубокое рассуждение или baseline 8B не достигает нужного качества даже после дообучения. Стоимость инференса Llama‑3 8B через vLLM на A100 — около $0.001/1K токенов, что в 15 раз дешевле GPT‑4.

Что даёт PagedAttention в production?

vLLM — первый выбор для serving open‑source моделей. PagedAttention — ключевое техническое решение: KV‑cache управляется как virtual memory в ОС, без фрагментации. Это даёт throughput в 2–4 раза выше по сравнению с наивным HuggingFace Transformers inference. Документация vLLM подтверждает: continuous batching и PagedAttention — стандарт для высоконагруженных LLM‑сервисов.

Типичные числа на A100 80GB для Llama‑3 8B (bf16): 400–600 req/s, P50 latency 200–400ms, P99 latency 600–900ms при concurrency 64. Для 70B на двух A100 с tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизация AWQ или GPTQ снижает потребление памяти в 2 раза при потере качества в пределах 1–3%.

Мультиагентные системы

Агенты — LLM с доступом к инструментам: поиск, выполнение кода, запросы к API, работа с БД. Основные паттерны:

• ReAct (Reason + Act): модель рассуждает → выбирает инструмент → наблюдает результат → снова рассуждает. LangChain и LlamaIndex реализуют из коробки.
• Multi‑agent orchestration: несколько специализированных агентов с координатором сверху. Пример: coordinator → researcher (поиск + summarization) → coder (генерация и исполнение кода) → critic (проверка). Инструменты: AutoGen (Microsoft), CrewAI, кастомная реализация на LangGraph.

В продакшене агентные системы недетерминированы. Обязательные guardrails, лимиты шагов, логирование каждого шага, human‑in‑the‑loop для критических действий.

Как мы работаем: этапы, сроки, результат

Что входит в работу

Мы передаём:

• Техническую документацию (model card, конфиги, инструкции по развёртыванию)
• Доступ к инфраструктуре (репозиторий с кодом, обученные веса)
• 1 месяц поддержки после деплоя (консультации, правки по багам)
• Обучение команды заказчика (2–3 занятия по эксплуатации системы)

Сроки: базовый RAG‑прототип — 1–2 недели. Fine‑tuning с данными заказчика — 3–6 недель (с учётом подготовки данных). Production‑система с мониторингом и переобучением — 2–4 месяца. Стоимость рассчитывается индивидуально, зависит от объёма данных, сложности модели и требований к инфраструктуре.

Хотите оценить свой проект? Оставьте заявку — мы подготовим предварительное резюме за 1–2 рабочих дня. Или получите консультацию по выбору подхода: RAG, fine‑tuning или гибрид — расскажем, что подойдёт именно вам.