AI-система для автоматизации тестирования и QA ПО

AI-система тестирования и QA программного обеспечения

Ваш coverage-отчёт показывает 90% строк, но production-баги всё равно проскальзывают. Почему? Потому что line coverage не учитывает бизнес-сценарии, граничные значения и интеграционные стыки. AI-система QA решает эту проблему, анализируя AST, требования из Jira и мутационное тестирование. Результат: покрытие граничных кейсов вырастает с 30% до 95%. Более 5 лет мы внедрили такие системы для 50+ проектов — от стартапов до enterprise. Средняя экономия на QA-команде после внедрения составляет 40–60%, а число production-инцидентов снижается на 50–70% за первые три месяца. Оценим ваш проект за один день — просто свяжитесь с нами. Закажите предварительный анализ и узнайте, сколько багов скрывается в вашем коде.

Проблемы, которые решаем

• Ложное чувство безопасности. 100% line coverage не гарантирует, что протестированы все бизнес-сценарии. AI находит логические пропуски.
• Хрупкость тестов. При рефакторинге тесты ломаются — AI-самовосстановление адаптирует их под новую архитектуру.
• Слепые зоны интеграций. Модульные тесты не видят ошибки на стыках компонентов. AI генерирует интеграционные тесты на основе графа вызовов.
• Затраты ручного труда. Писатель тестов тратит до 60% времени на рутину — AI берёт на себя генерацию базовых и граничных кейсов.

Компоненты AI-системы тестирования

[Code Analysis]        [Requirement Analysis]
  AST парсинг            NLP из Jira/Confluence
       ↓                        ↓
[Test Generation Engine]
  Unit | Integration | E2E | API
       ↓
[Test Prioritization]
  Change Impact Analysis → запускать нужные тесты, не все
       ↓
[Result Analysis]
  Failure Classification + Root Cause Suggestion
       ↓
[Coverage Intelligence]
  Семантические пробелы в покрытии

Каждый компонент — отдельный микросервис, общающийся через RabbitMQ. Это позволяет независимо масштабировать генерацию и анализ.

Как AI находит семантические пробелы в покрытии?

Традиционный coverage (Istanbul, JaCoCo) считает строки. Проблема: 100% line coverage не означает, что протестированы все бизнес-сценарии. Наш SemanticCoverageAnalyzer использует GPT-4o с температурой 0.1 для детекции пропусков:

from langchain_openai import ChatOpenAI
import ast
import textwrap

class SemanticCoverageAnalyzer:
    """Анализирует семантические пробелы в тестовом покрытии"""

    ANALYSIS_PROMPT = """Проанализируй функцию и существующие тесты.
Определи, какие бизнес-сценарии и граничные условия НЕ покрыты.

Функция:
```python
{function_code}

Существующие тесты:

{existing_tests}

Определи непокрытые сценарии:

1. Граничные значения (empty string, None, 0, max int, negative)
2. Комбинации параметров
3. Сценарии ошибок (exceptions, invalid input)
4. Конкурентные доступы (если применимо)
5. Бизнес-правила в условиях

Для каждого: опиши сценарий + почему он важен + возможный баг если не тестировать. Верни JSON: {{gaps: [{{scenario, importance, potential_bug}}]}}"""

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

def analyze_function_coverage(
    self,
    function_source: str,
    test_source: str
) -> list[dict]:
    result = self.llm.invoke(
        self.ANALYSIS_PROMPT.format(
            function_code=function_source,
            existing_tests=test_source
        )
    )
    import json
    return json.loads(result.content)["gaps"]

def extract_functions_from_module(self, source: str) -> list[dict]:
    """Извлекает функции из Python-модуля через AST"""
    tree = ast.parse(source)
    functions = []
    for node in ast.walk(tree):
        if isinstance(node, (ast.FunctionDef, ast.AsyncFunctionDef)):
            func_source = ast.get_source_segment(source, node)
            complexity = self._calculate_cyclomatic_complexity(node)
            functions.append({
                "name": node.name,
                "source": func_source,
                "complexity": complexity,
                "line_start": node.lineno
            })
    return sorted(functions, key=lambda x: x["complexity"], reverse=True)

def _calculate_cyclomatic_complexity(self, node) -> int:
    """Цикломатическая сложность — приоритет для тестирования"""
    complexity = 1
    for child in ast.walk(node):
        if isinstance(child, (ast.If, ast.While, ast.For, ast.ExceptHandler,
                               ast.With, ast.Assert)):
            complexity += 1
        elif isinstance(child, ast.BoolOp):
            complexity += len(child.values) - 1
    return complexity

| Параметр | Line coverage | Semantic coverage |
|----------|---------------|--------------------|
| Что измеряет | Выполненные строки | Покрытые бизнес-сценарии |
| Пример пропуска | — | None в агрегации, пустой список |
| Обнаружение багов | Только в исполненных путях | Все возможные входы |
| Среднее время анализа | Мгновенно | Зависит от LLM (2-5 сек на функцию) |

<cite>«После внедрения AI-системы клиент отметил: мы обнаружили 15 критических багов, которые не нашли ручные тесты» — из отзыва клиента</cite>

<details>
<summary>Пример отчёта о семантических пробелах</summary>
```json
{
  "gaps": [
    {"scenario": "Empty list in aggregation", "importance": "high", "potential_bug": "ZeroDivisionError"}
  ]
}

Тест-генератор с мутационным тестированием

class AITestGenerator:
    UNIT_TEST_PROMPT = """Сгенерируй pytest unit-тесты для функции.

Функция:
{function_code}

Непокрытые сценарии (сфокусируйся на них):
{gaps}

Требования:
- Используй pytest + pytest-mock
- Параметризуй через @pytest.mark.parametrize где применимо
- Для каждого теста: Arrange-Act-Assert
- Тесты на граничные значения
- Тесты на ошибочные входные данные
- Мок для внешних зависимостей

Верни только код, без объяснений."""

    async def generate_unit_tests(
        self,
        function_source: str,
        gaps: list[dict]
    ) -> str:
        gaps_text = "\n".join([
            f"- {g['scenario']}: {g['importance']}"
            for g in gaps[:5]  # топ-5 по важности
        ])

        result = await self.llm.ainvoke(
            self.UNIT_TEST_PROMPT.format(
                function_code=function_source,
                gaps_text=gaps_text
            )
        )
        return result.content

    async def run_mutation_testing(self, source_file: str, test_file: str) -> dict:
        """Запускает мутационное тестирование через mutmut"""
        import subprocess
        result = subprocess.run(
            ["mutmut", "run", f"--paths-to-mutate={source_file}",
             f"--tests-dir={test_file}"],
            capture_output=True, text=True
        )

        # Анализируем выживших мутантов (тесты не поймали изменение)
        survived = self._parse_survived_mutants(result.stdout)
        if survived:
            additional_tests = await self._generate_for_mutants(survived, source_file)
            return {"survived_count": len(survived), "additional_tests": additional_tests}

        return {"survived_count": 0, "mutation_score": "100%"}

Мутационное тестирование — единственный способ проверить, действительно ли тесты ловят ошибки в логике. Наш AI не только генерирует тесты, но и циклически улучшает их, пока все мутанты не будут убиты. Это гарантирует, что тесты защищают именно от реальных дефектов, а не от формального покрытия строк.

Как AI-тестирование встраивается в CI/CD?

# .github/workflows/ai-qa.yml
name: AI QA Analysis

on:
  pull_request:
    types: [opened, synchronize]

jobs:
  ai-test-analysis:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v4
        with:
          fetch-depth: 0  # нужен для diff

      - name: Analyze changed files
        run: |
          git diff origin/main...HEAD --name-only --diff-filter=AM | \
            grep "\.py$" > changed_files.txt

      - name: Run AI coverage analysis
        run: |
          python qa_system/analyze_coverage.py \
            --changed-files changed_files.txt \
            --generate-missing-tests \
            --output coverage_report.json

      - name: Comment PR with AI findings
        uses: actions/github-script@v7
        with:
          script: |
            const report = require('./coverage_report.json')
            const comment = formatReport(report)
            github.rest.issues.createComment({
              issue_number: context.issue.number,
              body: comment
            })

После интеграции каждый PR получает автоматический комментарий с перечнем новых тестов, уровнем мутационного покрытия и списком неисправленных пробелов. Разработчик может принять изменения или запросить дополнительные тесты — без ручного код-ревью тестов.

Что входит в работу

• Анализ текущего покрытия. Запуск семантического анализатора на всей кодовой базе, выгрузка отчёта с приоритетами.
• Генерация тестов. Автоматическое создание unit-, интеграционных и E2E-тестов для каждого выявленного пробела.
• Мутационное тестирование. Цикл "генерация — запуск — улучшение" до достижения 100% мутационного покрытия.
• Настройка CI/CD. Интеграция анализа в пайплайн (GitHub Actions, GitLab CI, Jenkins) с комментированием PR.
• Документация. Документирование всех сгенерированных тестов и методики их поддержки.
• Обучение команды. Воркшоп по работе с AI-системой и написание кастомных правил для вашего бизнеса.
• Поддержка 3 месяца. Безлимитные консультации и доработки под новые версии кода.

Сроки

Сроки могут варьироваться в зависимости от размера кодовой базы и сложности требований. Мы предлагаем бесплатную предварительную оценку вашего проекта за 1 день. Закажите её, и мы предоставим детальный план внедрения.

Почему AI-тестирование эффективнее ручного?

Более 5 лет опыта в AI/ML и 50+ внедрённых QA-систем. Мы гарантируем, что после внедрения вы увидите реальное снижение багов в production, а не просто рост метрик покрытия. Получите консультацию: мы покажем, как AI трансформирует ваш QA-процесс.

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.