AI-генерация E2E-тестов на Playwright: описание и внедрение

Почему написание E2E-тестов — головная боль?

End-to-end тесты считаются золотым стандартом проверки UI, но их поддержка выматывает команды. Типичная картина: тест падает, хотя функциональность работает. Причина — хрупкие локаторы вида div.container > ul > li:nth-child(3) > a. Любое изменение вёрстки ломает десятки тестов. Мы в своей практике сталкивались с проектами, где 35% E2E-тестов были flaky — падали в 15–40% прогонов. Каждый такой ложный сбой отнимает время на разбор, подрывает доверие к автоматизации и замедляет релизный цикл.

Наш AI-генератор решает эту проблему: он создаёт Playwright-тесты с семантическими локаторами (aria-label, data-testid, role), которые устойчивы к косметическим изменениям. Кроме того, нейросеть умеет исправлять уже существующие flaky тесты — анализирует ошибки и добавляет правильные ожидания.

Что такое flaky тесты и почему они возникают?

Flaky тест — это тест, который может упасть без изменений в коде. Основные причины: race conditions (отсутствие ожидания загрузки асинхронных данных), анимации, зависимость от времени или порядка выполнения. По данным Google Flaky Tests at Google and How We Address Them, в крупных проектах до 16% тестов flaky. Мы видели проекты, где этот показатель доходил до 40%.

Как AI-генератор решает проблему flaky тестов?

Наш подход базируется на больших языковых моделях (GPT-4o, Claude 3.5) и включает несколько методов генерации и стабилизации.

Генерация Playwright тестов из описания сценария

Пользователь описывает сценарий на русском или английском языке, указывает URL и тестовые данные. AI преобразует это в TypeScript-код с семантическими локаторами. Пример работы:

from langchain_openai import ChatOpenAI
from playwright.sync_api import sync_playwright
import json

class E2ETestGenerator:
    PLAYWRIGHT_PROMPT = """Создай Playwright E2E тест на TypeScript.

Сценарий: {scenario}
URL приложения: {base_url}
Данные для теста: {test_data}

Требования к тесту:
1. Используй semantic locators: getByRole, getByLabel, getByText, getByTestId
2. НЕ используй CSS-селекторы вида .class или #id (кроме data-testid)
3. Добавь явные ожидания: await expect(locator).toBeVisible()
4. Для форм: заполняй через getByLabel(), а не через selectors
5. Проверяй после каждого значимого действия (не только в конце)
6. Используй page.waitForResponse() для ajax-операций
7. Структура: test.describe > test.beforeEach > test

Пример хорошего локатора:
✅ page.getByRole('button', {{ name: 'Создать заказ' }})
✅ page.getByTestId('checkout-submit-btn')
❌ page.locator('button.btn-primary:nth-child(2)')

Верни TypeScript код теста."""

    def __init__(self):
        self.llm = ChatOpenAI(model="gpt-4o", temperature=0.1)

    def generate_from_scenario(
        self,
        scenario: str,
        base_url: str,
        test_data: dict
    ) -> str:
        result = self.llm.invoke(
            self.PLAYWRIGHT_PROMPT.format(
                scenario=scenario,
                base_url=base_url,
                test_data=json.dumps(test_data, ensure_ascii=False)
            )
        )
        return result.content

    def generate_from_recording(self, playwright_trace: str) -> str:
        """Улучшает автоматически записанный тест Playwright Codegen"""
        prompt = f"""Улучши автоматически записанный Playwright тест.

Оригинальный тест (из Codegen):
```typescript
{playwright_trace}

Проблемы Codegen-тестов которые нужно исправить:

1. Замени хрупкие CSS-селекторы на semantic locators
2. Добавь явные ожидания вместо неявных
3. Вынеси тестовые данные в переменные
4. Добавь проверки состояния (expect) после ключевых действий
5. Разбей на логические шаги с комментариями

Верни улучшенный тест.""" return self.llm.invoke(prompt).content

### Screenshot-to-Test: генерация по скриншоту

Если есть UI, но нет документации — AI анализирует скриншот и создаёт тест. Это полезно при реверс-инжиниринге унаследованных систем.

<details>
<summary>Пример генерации из скриншота</summary>
Мы используем GPT-4o для анализа изображения. Модель распознаёт элементы UI и генерирует тест с точностью до 95%.
</details>

```python
import base64
from openai import OpenAI

client = OpenAI()

def generate_test_from_screenshot(image_path: str, scenario: str) -> str:
    with open(image_path, "rb") as f:
        image_b64 = base64.b64encode(f.read()).decode()

    response = client.chat.completions.create(
        model="gpt-4o",
        messages=[{
            "role": "user",
            "content": [
                {"type": "image_url",
                 "image_url": {"url": f"data:image/png;base64,{image_b64}"}},
                {"type": "text",
                 "text": f"""Создай Playwright тест для этого UI.

Сценарий: {scenario}

Опиши что видишь на скриншоте: форму, кнопки, поля.
Затем создай TypeScript Playwright тест с semantic locators.
Используй getByRole, getByLabel, getByText — не CSS-классы."""}
            ]
        }]
    )
    return response.choices[0].message.content

Автоматическая генерация Page Object Model

Тесты, сгенерированные «на лету», удобны, но для масштабных проектов нужна структура. AI сам предлагает Page Object — разбивает страницу на логические блоки и создаёт класс с методами.

    PAGE_OBJECT_PROMPT = """Создай Page Object Model (POM) класс для страницы.

Описание страницы / скриншот:
{page_description}

URL: {url}

Требования к POM:
- Все интерактивные элементы как свойства класса
- Методы для основных действий (не геттеры для каждой кнопки)
- Методы возвращают Promise<void> или Promise<ResultType>
- Используй semantic locators
- Добавь waitForLoad() метод

Структура:
```typescript
export class CheckoutPage {{
  readonly page: Page;
  readonly submitButton: Locator;
  // ...

  async fillOrderForm(data: OrderData): Promise<void> {{
    // ...
  }}

  async submit(): Promise<OrderConfirmationPage> {{
    // ...
  }}
}}

Верни TypeScript код POM."""

def generate_page_object(self, page_description: str, url: str) -> str:
    result = self.llm.invoke(
        self.PAGE_OBJECT_PROMPT.format(
            page_description=page_description,
            url=url
        )
    )
    return result.content

### Исправление flaky тестов

Отдельный модуль анализирует логи падений и автоматически добавляет ожидания, заменяет нестабильные локаторы, фиксит race conditions.

```python
class FlakyTestFixer:
    FLAKY_FIX_PROMPT = """Исправь нестабильный (flaky) Playwright тест.

Тест:
{test_code}

Ошибка при последних 5 запусках:
{error_log}

Типичные причины flakiness:
1. Race condition: нет ожидания после async-действия
2. Анимации: элемент видим но кликабелен не сразу
3. Сетевые запросы: нет waitForResponse
4. Дата/время: тест зависит от текущего времени
5. Порядок тестов: глобальное состояние

Добавь:
- await page.waitForLoadState('networkidle') после навигации
- await expect(element).toBeEnabled() перед кликом
- page.waitForResponse() для ajax
- Фиксированное тестовое время через page.clock.setFixedTime()

Верни исправленный тест."""

    def fix_flaky_test(self, test_code: str, error_log: str) -> str:
        return self.llm.invoke(
            self.FLAKY_FIX_PROMPT.format(test_code=test_code, error_log=error_log)
        ).content

Как мы внедряем AI-генерацию тестов?

Процесс разбит на этапы, каждый завершается измеримым результатом.

Средний срок по проекту с 10 критическими сценариями: 4–6 недель под ключ.

Что входит в результат?

Мы даём гарантию: flaky rate не превысит 5% после внедрения. При превышении — бесплатно дорабатываем.

Результаты: сравнение до и после AI

Экономия бюджета QA — до 50% в месяц.

Почему стоит доверить эту задачу нам?

Наша команда имеет 10+ лет опыта в автоматизации тестирования и 4+ года в AI/ML. Мы внедряли E2E-генерацию в финтех, e-commerce и SaaS — всего более 30 проектов. Все инженеры сертифицированы по Playwright и имеют опыт работы с LLM. Мы гарантируем стабильность результатов и прозрачность: вы видите каждый сгенерированный тест и можете его корректировать.

Как начать?

Закажите пилот: мы проанализируем 3–5 ваших сценариев, сгенерируем тесты и покажем результаты. Оценка сроков и стоимости — в течение 24 часов после знакомства с проектом. Получите консультацию — напишите на почту или через форму на сайте.

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.