AI-система автоматической генерации integration-тестов

AI-автогенерация интеграционных тестов

Интеграционные тесты часто становятся узким местом в CI пайплайне: они либо отсутствуют, либо падают из-за хрупких fixtures. Мы решаем это с помощью AI-генерации, которая анализирует архитектуру сервисов, схему базы данных и OpenAPI-спецификации. Результат — готовые pytest-тесты, которые находят реальные баги, а не плодят ложные срабатывания. Время регрессии сокращается до 4 часов вместо трёх дней, а затраты на тестирование — до 40%.

Какие проблемы решает AI-генерация тестов?

Ручное написание интеграционных тестов отнимает 2–3 дня у QA-инженера на каждый релиз. При этом 80% кода тестов шаблонны: однотипные CRUD-проверки, вызовы API с разными параметрами, поднятие тестовых данных. AI-генератор берёт на себя рутину, освобождая команду для анализа сложных кейсов.

Неполное покрытие — частая боль микросервисных архитектур. Вручную легко пропустить цепочку "заказ → оплата → уведомление → склад". AI перебирает все комбинации контрактов и генерирует тесты для каждого интеграционного пути, включая граничные случаи. Покрытие вырастает в 4–6 раз по сравнению с ручным подходом.

Хрупкие тесты — fixtures, завязанные на боевые данные, ломаются при каждом изменении схемы. Мы генерируем изолированные fixtures через factory_boy с транзакциями и rollback, что даёт стабильность и повторяемость.

Как AI генерирует интеграционные тесты?

Используем связку LangChain + ChatOpenAI (GPT-4o с temperature 0.1 для детерминированности). Генерация проходит в несколько проходов: сначала анализ схемы и контрактов, потом создание кода, затем валидация синтаксиса и запуск на mock-окружении. Финальный код тестов соответствует стандартам pytest и готов к включению в репозиторий.

Кейс из нашей практики: e-commerce платформа, 15 микросервисов. Проблема: интеграционное тестирование делалось вручную перед каждым релизом (2 QA × 3 дня). Мы сгенерировали 180 интеграционных тестов для критических путей: заказ → оплата → уведомление → обновление склада. Из 180 тестов при первом запуске упало 23 — нашли реальные баги: ошибки в обработке currency conversion, дублирование событий в очереди, неверный статус при partial payment. После исправления coverage по интеграциям вырос с 15% до 85%, а время регрессии сократилось с 3 дней до 4 часов. Клиент сократил затраты на тестирование на 40%.

from langchain_openai import ChatOpenAI
import json
from pathlib import Path

class IntegrationTestGenerator:
    INTEGRATION_PROMPT = """Создай интеграционный тест для взаимодействия компонентов.

Компоненты и их контракты:
{components}

Схема базы данных:
{db_schema}

Интеграционный сценарий:
{scenario}

Требования:
- pytest + SQLAlchemy для работы с БД (используй транзакции с rollback)
- httpx.AsyncClient для HTTP-вызовов
- pytest-asyncio для async тестов
- Тестовая база данных через pytest fixture (не боевая!)
- Проверяй не только HTTP-статус, но и состояние в БД после операции
- Используй factory_boy или pytest-factoryboy для тестовых данных

Верни полный код теста с fixtures."""

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

    def generate_db_integration_tests(
        self,
        model_code: str,
        repository_code: str,
        db_schema: str
    ) -> str:
        prompt = f"""Создай pytest интеграционные тесты для Repository и Model.

SQLAlchemy Model:
```python
{model_code}

Repository:

{repository_code}

DDL схема:

{db_schema}

Создай тесты:

1. CRUD операции (create, read, update, delete)
2. Фильтрация и сортировка
3. Транзакции (успешный commit, rollback при ошибке)
4. Уникальные ограничения (попытка вставить дубликат)
5. Foreign key constraints
6. Пагинация (если есть в Repository)

Fixtures:

• db_session: SQLAlchemy session с rollback после каждого теста
• test_data factories через factory_boy

Верни код тестов.""" return self.llm.invoke(prompt).content

def generate_service_integration_tests(
    self,
    service_a_spec: dict,
    service_b_spec: dict,
    interaction_patterns: list[str]
) -> str:
    """Генерирует тесты для взаимодействия между сервисами"""
    prompt = f"""Создай pytest интеграционные тесты для взаимодействия сервисов.

Сервис A (клиент):

• Base URL: {service_a_spec['base_url']}
• Вызывает: {json.dumps(service_a_spec['calls'], ensure_ascii=False)}

Сервис B (сервер):

• Endpoints: {json.dumps(service_b_spec.get('endpoints', []), ensure_ascii=False)}

Паттерны взаимодействия: {chr(10).join(f"- {p}" for p in interaction_patterns)}

Используй:

• pytest + respx для мокирования HTTP-ответов сервиса B
• Тесты на retry-логику (что происходит при таймауте сервиса B)
• Тесты на circuit breaker (если есть)
• Тесты на корректную обработку 4xx/5xx от сервиса B

Верни код тестов с fixtures.""" return self.llm.invoke(prompt).content

### Генерация fixtures и тестовых данных

```python
class TestDataGenerator:
    FACTORY_PROMPT = """Создай factory_boy factories для моделей.

SQLAlchemy модели:
{models_code}

Создай:
1. Factory для каждой модели
2. SubFactory для связанных объектов
3. Trait для специфических состояний (напр. expired_user, admin_user)
4. Batch-создание через factory.build_batch

Верни код factories."""

    async def generate_factories(self, models_code: str) -> str:
        result = await self.llm.ainvoke(
            self.FACTORY_PROMPT.format(models_code=models_code)
        )
        return result.content

    async def generate_fixtures_from_schema(self, schema: dict) -> str:
        """Создаёт pytest fixtures из схемы БД"""
        prompt = f"""Создай pytest fixtures для тестовой базы данных.

Схема: {json.dumps(schema, ensure_ascii=False, indent=2)}

Fixtures нужны:
- engine: SQLAlchemy engine к test DB (PostgreSQL через pytest-postgresql)
- db_session: сессия с rollback после каждого теста
- Fixtures для каждой таблицы: минимальный валидный объект
- seeded_db: база с начальными данными для e2e тестов

Используй scope='function' для db_session, scope='session' для engine.
Верни Python код."""
        return (await self.llm.ainvoke(prompt)).content

Для очередей сообщений (RabbitMQ/Kafka) мы используем testcontainers-python, генерируя тесты с проверкой отправки, обработки и dead letter queue. Подробные примеры — в индивидуальной консультации.

Почему AI-генерация надёжнее ручного написания?

AI-тесты в 5 раз быстрее создаются и обеспечивают покрытие на уровне 80–90% против 10–20% при ручной работе. Они проверяют все интеграционные пути, включая граничные случаи и обработку ошибок, которые QA часто пропускают. Кроме того, сгенерированные тесты не зависят от боевых данных и стабильны при изменениях схемы.

Что входит в работу?

Сравнение ручного и AI-подхода

Гарантия качества сгенерированных тестов

Каждый сгенерированный тест проходит двухэтапную проверку: синтаксический анализ с помощью pytest --co и запуск в изолированном staging-окружении с реальными зависимостями. Мы фиксируем coverage на уровне модуля и правим все ложные срабатывания. Опыт показывает, что 90% тестов проходят с первого раза. Оставшиеся 10% — это граничные случаи, которые мы дорабатываем вручную. В результате клиенты получают стабильный набор тестов, готовый к интеграции в pytest пайплайн.

Сроки ориентировочно

• Базовый пакет (БД + сервисы): от 3 до 5 недель.
• Полный пакет (БД + сервисы + очереди + testcontainers): от 5 до 7 недель.

Стоимость рассчитывается индивидуально после аудита проекта. Свяжитесь с нами для оценки вашего проекта. Заполните форму на сайте, и мы оценим объём работ за 1 рабочий день.

AI-генерация не пропускает ни один endpoint, не забывает про dead letter queue и не ошибается в типизированных asserts. Покрытие интеграционными тестами вырастает с 10–20% до 80–90% за один цикл генерации. Наши инженеры гарантируют, что сгенерированные тесты проходят код-ревью и готовы к запуску в CI.

Закажите внедрение AI-генерации тестов сейчас и получите консультацию инженера. Свяжитесь с нами — мы поможем ускорить регрессионное тестирование и снизить затраты.

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.