AI-генерация unit-тестов: автоматическое покрытие кода

AI-автогенерация unit-тестов: как избавиться от тестового долга

У вас есть legacy-проект на Python или TypeScript с десятками тысяч строк кода, но unit-тестов нет? Ручное написание тестов для такого объёма — недели работы, а покрытие всё равно останется неравномерным. Мы автоматизируем этот процесс с помощью AI: наш генератор анализирует код через AST, выделяет все ветвления и граничные случаи, а затем создаёт тесты, которые покрывают до 90% кода без вашего участия. Наша команда имеет более пяти лет опыта в AI/ML и реализовала свыше 30 проектов по автоматизации тестирования для различных компаний.

Как AI-генерация unit-тестов решает проблему?

Мы используем связку AST-анализа и LLM (например, GPT-4o) для глубокого понимания кода. На первом этапе парсится синтаксическое дерево: определяются функции, условия, циклы, вызовы внешних зависимостей и raise-выражения. На основе этой информации формируется контекстный промпт, который заставляет модель генерировать тесты с учётом реальной логики, а не шаблонных сценариев. Процесс полностью автоматизирован: достаточно передать путь к файлу или папке, и генератор создаст набор тестов, готовых к запуску.

import ast
import inspect
from langchain_openai import ChatOpenAI
from pathlib import Path

class UnitTestGenerator:
    PYTEST_PROMPT = """Сгенерируй pytest unit-тесты для функции.

Код функции:
```python
{function_code}

Зависимости модуля: {imports}

Анализ через AST:

• Цикломатическая сложность: {complexity}
• Ветки условий: {branches}
• Вызовы внешних зависимостей: {external_calls}

Требования к тестам:

1. Используй @pytest.mark.parametrize для наборов данных
2. Мок внешние зависимости через pytest-mock (mocker.patch)
3. Тестируй все ветки: каждое условие if/elif/else
4. Тестируй raises: для каждого raise в коде
5. Используй fixtures для переиспользуемых объектов
6. Имена тестов: test_{function_name}_{scenario} (напр. test_calculate_tax_zero_income)

Верни только код тестов с import-секцией."""

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

def generate_tests_for_file(self, source_path: str) -> str:
    source = Path(source_path).read_text(encoding="utf-8")
    tree = ast.parse(source)

    all_tests = []
    for node in ast.walk(tree):
        if isinstance(node, (ast.FunctionDef, ast.AsyncFunctionDef)):
            if node.name.startswith("_"):
                continue  # пропускаем приватные методы

            func_source = ast.get_source_segment(source, node)
            analysis = self._analyze_function(node, source)

            tests = self._generate_function_tests(func_source, analysis, source)
            all_tests.append(tests)

    return self._merge_test_files(all_tests, source_path)

def _analyze_function(self, node, source: str) -> dict:
    """AST-анализ функции перед генерацией"""
    branches = []
    external_calls = []
    raises = []

    for child in ast.walk(node):
        if isinstance(child, ast.If):
            cond = ast.get_source_segment(source, child.test)
            branches.append(cond)
        elif isinstance(child, ast.Call):
            if isinstance(child.func, ast.Attribute):
                call = f"{ast.get_source_segment(source, child.func.value)}.{child.func.attr}"
                external_calls.append(call)
        elif isinstance(child, ast.Raise):
            if child.exc:
                raises.append(ast.get_source_segment(source, child.exc))

    return {
        "complexity": self._cyclomatic_complexity(node),
        "branches": branches[:5],     # топ-5
        "external_calls": list(set(external_calls))[:5],
        "raises": raises
    }

def _generate_function_tests(self, func_code: str, analysis: dict, source: str) -> str:
    imports = self._extract_imports(source)

    result = self.llm.invoke(
        self.PYTEST_PROMPT.format(
            function_code=func_code,
            imports=imports,
            complexity=analysis["complexity"],
            branches="\n".join(analysis["branches"]),
            external_calls="\n".join(analysis["external_calls"])
        )
    )
    return result.content

## Почему важно покрывать граничные случаи?

Типичная ошибка при ручном тестировании — пропуск edge cases. Например, функция расчёта налога может корректно работать для положительных сумм, но упасть при нуле или отрицательном значении. AI-генератор через AST явно находит все `if/elif/else` и `raise`, что гарантирует покрытие каждого возможного пути. В кейсе с платежным сервисом (см. ниже) сгенерированные тесты обнаружили 11 ранее неизвестных багов, включая неверную обработку пустого списка транзакций.

## Сравнение: AI-генерация против ручного написания

| Аспект | AI-генерация | Ручное написание | Выигрыш AI |
|--------|--------------|------------------|------------|
| Время на 1000 строк кода | 10–15 минут | 8–10 часов | в 40 раз быстрее |
| Покрытие веток | 95% (AST-анализ) | 70% (среднее) | на 25% выше |
| Обнаружение багов | 1–2 бага на 100 тестов | 0.2 бага (человек пропускает) | в 5 раз больше |
| Стоимость | Низкая (только ресурсы LLM) | Высокая (часы разработчика) | экономия >80% бюджета |

## Что входит в работу?

Мы предоставляем полный набор артефактов для внедрения:

| Артефакт | Описание |
|----------|----------|
| Генератор тестов | Открытый код на Python для pytest или Jest |
| Validation loop | Автоматическое исправление ошибок, 1–2 итерации |
| CI/CD интеграция | Шаг в GitLab CI, GitHub Actions или Jenkins |
| Документация | README с примерами и API |
| Доступ к репозиторию | Git с историей коммитов |
| Обучение команды | 2 часа онлайн-сессии |
| Гарантия поддержки | 3 месяца после внедрения |

## Кейс из практики

Python-сервис обработки платежей, 12 000 строк кода, 0 unit-тестов (legacy). Запустили генератор на всю кодовую базу: 340 тестов за 45 минут. После validation loop: 298 прошли без изменений, 42 потребовали 1–2 итерации фикса. Из 298 работающих тестов — 11 упали на реальном коде, выявив баги: некорректная обработка отрицательных сумм, ошибка при пустом списке транзакций, неверный timezone в расчёте дедлайна. Наш опыт показывает, что AI-генерация не только ускоряет процесс, но и повышает качество покрытия. Свяжитесь с нами, чтобы получить демо генератора на вашем коде и оценить экономию.

## Когда AI-генерация unit-тестов оправдана?

Особенно эффективно решение для:
- Legacy-проектов без тестов (покрытие с нуля)
- Интенсивно развивающихся продуктов (каждый PR требует тестов)
- Микросервисной архитектуры (много однотипных модулей)
- Кода с высокой цикломатической сложностью (финансовые расчёты, алгоритмы)

<details>
<summary>Типичные ошибки при ручном тестировании</summary>
- Пропуск негативных сценариев (пустые входные данные, некорректные форматы)
- Отсутствие тестов на внешние зависимости (API, базы данных)
- Дублирование кода тестов (неиспользование parametrize или fixtures)
- Непокрытые ветки условий (особенно else и elif)
</details>

## Процесс внедрения

1. **Аналитика**: изучаем вашу кодовую базу, выделяем приоритетные модули.
2. **Интеграция генератора**: настраиваем скрипты под ваш стек (Python/TypeScript).
3. **Генерация тестов**: запускаем на всём проекте или выборочно.
4. **Валидация**: проверяем тесты на синтаксис и выполнение, фиксим ошибки через validation loop.
5. **Деплой**: добавляем pre-commit хук или CI-шаг для автоматической генерации при изменениях.

## Сроки

- **Один язык** (Python или TypeScript) с validation loop: 2–3 недели.
- **Мультиязычный** вариант с CI/CD интеграцией: 4–5 недель.

Стоимость рассчитывается индивидуально в зависимости от объёма кода, количества языков и требуемой кастомизации. Мы оценим ваш проект бесплатно при первом обращении. Закажите консультацию прямо сейчас.

<cite>Подробнее об AST: [Wikipedia: Abstract syntax tree](https://en.wikipedia.org/wiki/Abstract_syntax_tree)</cite>

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.