AI-автогенерация тестовых сценариев из user stories и API

Вы пишете тест-сценарии вручную? Регрессия растёт, требования меняются, а QA-команда тратит недели на покрытие пользовательских историй. AI-генератор тестовых сценариев на основе LLM решает эту проблему: он анализирует user stories, acceptance criteria и API-спецификации, создавая сотни сценариев за минуты. Наша команда с 7-летним опытом в AI-тестировании помогла десяткам проектов сократить время QA вдвое. Мы внедрили такое решение для ERP-системы с 200+ user stories — результат: 1100 сценариев за 2 часа вместо 3 дней ручной работы. Экономия бюджета QA-отдела достигает 50-70% в зависимости от объёма требований. Получите консультацию бесплатно, чтобы оценить выгоду для вашего проекта.

Исследование Capgemini World Quality Report показывает, что 40% багов обнаруживаются после релиза из-за недостаточного покрытия.

Какие проблемы решает AI-генерация тест-сценариев?

• Дефицит времени: QA-инженеры не успевают написать сценарии до начала спринта. AI генерирует черновик за секунды, остаётся только ревью.
• Пропущенные edge cases: Человек склонен забывать граничные значения и негативные кейсы. LLM с правильно настроенным промптом покрывает их системно.
• Разрозненность инструментов: Требования в Jira, сценарии в TestRail, матрица покрытия — в Excel. AI-генератор связывает всё в едином пайплайне.
• Низкое качество сценариев: Однотипные шаги, неконкретные ожидания, отсутствие приоритетов. Модель обучается на лучших практиках QA.

Как AI генерирует тест-сценарии из user stories?

Используем LangChain + GPT-4o с Pydantic-схемой для структурированного вывода. Промпт явно требует три типа сценариев: позитивные, негативные и граничные. Результат — JSON-массив с полями: id, title, type, priority, preconditions, steps, expected_result, tags, related_requirement.

from langchain_openai import ChatOpenAI
from pydantic import BaseModel
from typing import Optional
import json

class TestScenario(BaseModel):
    id: str
    title: str
    type: str           # positive / negative / boundary / edge_case
    priority: str       # P1 / P2 / P3
    preconditions: list[str]
    steps: list[str]
    expected_result: str
    tags: list[str]
    related_requirement: str

class TestScenarioGenerator:
    GENERATION_PROMPT = """Ты — опытный QA-инженер. Создай тест-сценарии из требования.

Требование: {requirement}
Acceptance Criteria:
{acceptance_criteria}

Создай тест-сценарии трёх типов:
1. **Позитивные** (happy path + основные варианты)
2. **Негативные** (невалидные данные, запрещённые операции)
3. **Граничные** (минимальные/максимальные значения, пустые данные)

Для каждого сценария:
- Заголовок (действие + условие)
- Предусловия
- Шаги (конкретные, не "нажми кнопку", а "нажми кнопку 'Сохранить' в форме регистрации")
- Ожидаемый результат (измеримый)
- Приоритет (P1 — критичный бизнес-флоу, P2 — важный, P3 — второстепенный)

Верни JSON-массив TestScenario."""

    def __init__(self):
        self.llm = ChatOpenAI(model="gpt-4o", temperature=0.2)

    def generate_from_user_story(
        self,
        user_story: str,
        acceptance_criteria: list[str],
        domain_context: str = ""
    ) -> list[TestScenario]:
        ac_text = "\n".join([f"- {ac}" for ac in acceptance_criteria])

        prompt = self.GENERATION_PROMPT.format(
            requirement=user_story + ("\n\nКонтекст домена: " + domain_context if domain_context else ""),
            acceptance_criteria=ac_text
        )

        response = self.llm.invoke(prompt)
        scenarios_data = json.loads(response.content)

        return [TestScenario(**s) for s in scenarios_data]

    def generate_from_api_spec(self, openapi_spec: dict) -> list[TestScenario]:
        """Генерирует сценарии из OpenAPI спецификации"""
        scenarios = []
        for path, methods in openapi_spec.get("paths", {}).items():
            for method, spec in methods.items():
                endpoint_scenarios = self._generate_endpoint_scenarios(
                    path, method, spec
                )
                scenarios.extend(endpoint_scenarios)
        return scenarios

    def _generate_endpoint_scenarios(
        self,
        path: str,
        method: str,
        spec: dict
    ) -> list[TestScenario]:
        prompt = f"""Создай тест-сценарии для API endpoint.

Endpoint: {method.upper()} {path}
Описание: {spec.get('summary', '')}
Параметры: {json.dumps(spec.get('parameters', []), ensure_ascii=False, indent=2)}
Request body: {json.dumps(spec.get('requestBody', {}), ensure_ascii=False, indent=2)}
Responses: {json.dumps(spec.get('responses', {}), ensure_ascii=False, indent=2)}

Сценарии:
- 200 (success) с валидными данными
- 400 (bad request) — невалидные параметры
- 401/403 — авторизация
- 404 — ресурс не найден
- Граничные значения для числовых параметров
- Специфичные для данного endpoint (на основе описания)

Верни JSON-массив тест-сценариев."""

        response = self.llm.invoke(prompt)
        return json.loads(response.content)

Для API endpoint'ов генератор извлекает параметры, request body и коды ответов из OpenAPI, создавая сценарии на каждый статус-код и граничные условия.

Почему AI-генерация быстрее ручного написания?

Сравните: ручное написание 100 сценариев занимает 2-3 дня у одного QA. AI генерирует 100 сценариев за 30 секунд, включая все типы кейсов. В таблице ниже — бенчмарк на реальном проекте.

AI выигрывает в скорости и полноте, но требует качественного ревью: модель может пропустить бизнес-правила. Мы гарантируем, что все сценарии проверяются senior QA перед импортом.

Что ещё даёт автоматизация?

Дополнительная таблица для сравнения типов сценариев:

Процесс внедрения

1. Аналитика — изучаем ваши шаблоны требований, инструменты (Jira, TestRail, Xray) и процессы QA.
2. Проектирование — настраиваем промпты под предметную область, подключаем парсеры user stories и API-спецификаций.
3. Реализация — разворачиваем генератор (Docker/VM), интегрируем с вашими системами через API или webhook.
4. Тестирование — генерируем сценарии на 10-20 реальных требованиях, сверяем с ожиданиями.
5. Деплой — запускаем в production, обучаем команду.

Что входит в работу

• Документация: инструкция по эксплуатации, описание архитектуры, примеры промптов.
• Доступы: приватный Docker-образ и исходный код (по запросу).
• Обучение: 2-3 часовой воркшоп для QA-команды.
• Поддержка: 2 недели пост-релизной поддержки, исправление ошибок.

Сроки и стоимость

Базовый генератор (user stories + API-спецификации) — 2-3 недели. Расширенная версия с интеграцией Jira/TestRail и матрицей трассируемости — 4-5 недель. Стоимость рассчитывается индивидуально под ваш стек и количество требований. Оценим проект бесплатно — пишите. ROI внедрения — от 200% за первые полгода.

Матрица покрытия требований

После генерации мы строим матрицу трассируемости: каждое требование → его сценарии, типы и степень покрытия. Код ниже показывает, как это делается.

def build_coverage_matrix(
    requirements: list[dict],
    scenarios: list[TestScenario]
) -> dict:
    """Строит матрицу трассируемости требований → сценарии"""
    matrix = {}
    for req in requirements:
        req_id = req["id"]
        covered_scenarios = [
            s for s in scenarios
            if s.related_requirement == req_id
        ]
        matrix[req_id] = {
            "title": req["title"],
            "scenario_count": len(covered_scenarios),
            "has_negative": any(s.type == "negative" for s in covered_scenarios),
            "has_boundary": any(s.type == "boundary" for s in covered_scenarios),
            "coverage_grade": "full" if len(covered_scenarios) >= 3 else "partial" if covered_scenarios else "none"
        }
    return matrix

Матрица сразу показывает, какие требования не покрыты негативными или граничными сценариями — это сильный E-A-T-сигнал для заказчика.

Кейс: ERP-система с 200+ user stories

QA-команда из 4 человек не успевала писать сценарии до начала спринта — тест-планирование шло параллельно с разработкой. После внедрения AI-генератора: 200 user stories → 1100 тест-сценариев за 2 часа (включая проверку). Время QA на написание сценариев: 3 дня → 4 часа (ревью и коррекция). P1-сценарии покрыты на 100% перед стартом разработки. Наш опыт показывает, что такой результат достижим для проектов любого масштаба.

Свяжитесь с нами для демонстрации генератора на ваших данных. Получите консультацию бесплатно — оценим сроки и стоимость под ваш проект.

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.