AI-генерация юнит-тестов: автоматизация покрытия и регрессии

AI-генерация юнит-тестов

Кодовая база растёт, coverage падает, рефакторинг превращается в рискованную авантюру. Команды тратят до 40% спринта на написание тестов — и всё равно пропускают edge cases. Мы автоматизировали этот процесс через AI-генерацию: система анализирует AST, находит функции, аргументы, исключения и типы возврата, после чего LLM (Claude Sonnet 4.5) генерирует pytest-тесты. В отличие от ручного подхода, AI не забывает граничные условия — нулевые аргументы, пустые коллекции, некорректные комбинации. Результат: экономия 80% времени QA (и соответствующее снижение затрат на ручное тестирование). Окупаемость инвестиций в AI-генерацию — менее 3 месяцев при типичной нагрузке команды.

Как AI обрабатывает legacy-код без типов?

Даже если код написан без аннотаций типов, AST-парсер извлекает сигнатуры и возвращаемые значения. Мы дополнительно анализируем docstrings, if-условия и raise-выражения. Эта информация передаётся модели вместе с контекстом существующих тестов (если они есть), чтобы стиль оставался единообразным. Модель возвращает готовый тестовый файл.

from anthropic import Anthropic
import ast
import inspect
from pathlib import Path
from typing import Optional
import subprocess

client = Anthropic()

class TestGenerator:
    def __init__(self, project_root: str):
        self.project_root = project_root

    def extract_function_info(self, source_code: str, function_name: str) -> dict:
        """Извлекает метаданные функции через AST"""
        tree = ast.parse(source_code)
        for node in ast.walk(tree):
            if isinstance(node, (ast.FunctionDef, ast.AsyncFunctionDef)):
                if node.name == function_name:
                    return {
                        "name": node.name,
                        "args": [arg.arg for arg in node.args.args],
                        "decorators": [ast.unparse(d) for d in node.decorator_list],
                        "is_async": isinstance(node, ast.AsyncFunctionDef),
                        "has_return": any(
                            isinstance(n, ast.Return) and n.value
                            for n in ast.walk(node)
                        ),
                        "raises": [
                            ast.unparse(n.exc) for n in ast.walk(node)
                            if isinstance(n, ast.Raise) and n.exc
                        ],
                        "source": ast.unparse(node),
                    }
        return {}

    def find_related_tests(self, source_file: str) -> str:
        """Ищет существующие тесты для понимания стиля"""
        source_path = Path(source_file)
        test_candidates = [
            source_path.parent / f"test_{source_path.name}",
            source_path.parent.parent / "tests" / f"test_{source_path.name}",
            source_path.parent / "tests" / f"test_{source_path.name}",
        ]
        for test_file in test_candidates:
            if test_file.exists():
                return test_file.read_text()[:2000]
        return ""

    def generate_tests(
        self,
        source_file: str,
        function_name: Optional[str] = None,
    ) -> str:
        """Генерирует тесты для файла или конкретной функции"""
        source_code = Path(source_file).read_text()
        existing_tests = self.find_related_tests(source_file)
        if function_name:
            func_info = self.extract_function_info(source_code, function_name)
            context = f"Function to test:\n```python\n{func_info.get('source', '')}\n```"
        else:
            context = f"File to test:\n```python\n{source_code[:4000]}\n```"
        existing_context = ""
        if existing_tests:
            existing_context = f"\nExisting test style (follow this pattern):\n```python\n{existing_tests}\n```"
        response = client.messages.create(
            model="claude-sonnet-4-5",
            max_tokens=4096,
            system="""Ты — senior разработчик, пишущий pytest тесты.
Правила:
- Тестируй поведение, а не реализацию
- Один тест = одна проверка (AAA: Arrange, Act, Assert)
- Называй тесты как: test_<функция>_<сценарий>_<ожидание>
- Покрывай: happy path, edge cases, ошибки/исключения, граничные значения
- Используй pytest.mark.parametrize для однотипных тестов
- Для async функций — pytest-asyncio
- Мокай внешние зависимости через pytest-mock""",
            messages=[{
                "role": "user",
                "content": f"""{context}{existing_context}\n\nСгенерируй полный тест-файл с pytest. Возвращай только код, без пояснений."""
            }]
        )
        return response.content[0].text

Почему mutation testing — единственный объективный критерий?

Сгенерированные тесты нужно проверить: покрывают ли они реальные баги? Mutation testing вносит мутации в исходный код — меняет > на <, True на False, удаляет вызовы. Если тест не упал, мутация выжила. Чем выше mutation score (доля убитых мутантов), тем надёжнее тесты. У нас целевой показатель — 80% и выше.

import subprocess
from pathlib import Path

def evaluate_test_quality(source_file: str, test_file: str) -> dict:
    """Запускает mutation testing для оценки качества тестов"""
    result = subprocess.run(
        ["mutmut", "run", f"--paths-to-mutate={source_file}", f"--tests-dir={test_file}"],
        capture_output=True, text=True, timeout=300
    )
    survived = 0
    killed = 0
    for line in result.stdout.splitlines():
        if "survived" in line.lower():
            survived += 1
        elif "killed" in line.lower():
            killed += 1
    total = survived + killed
    mutation_score = killed / total if total > 0 else 0
    return {
        "mutation_score": mutation_score,
        "killed_mutants": killed,
        "survived_mutants": survived,
        "verdict": "excellent" if mutation_score > 0.8 else "good" if mutation_score > 0.6 else "needs_improvement"
    }

Сравнение подходов: ручное написание vs AI-генерация

AI-генерация на 80% быстрее ручного написания тестов с сопоставимым покрытием. А с циклом авто-исправления мы достигаем mutation score >0.8 — уровень, который редко получается вручную.

Этапы работы

1. Анализ кодовой базы. AST-обход всех файлов: извлекаем сигнатуры функций, декораторы, raise-выражения, docstrings. Оцениваем объём: средний проект — 50-100 функций на один модуль.
2. Генерация тестов. Каждый файл получает отдельный тестовый файл с параметризованными тестами, покрывающими happy path, edge cases и исключения.
3. Авто-запуск и fix-цикл. До 3 итераций: запуск pytest, парсинг ошибок, доработка тестов через LLM. Тесты, упавшие из-за внешних зависимостей, помечаются для ручной донастройки.
4. Оценка mutation score. Запуск mutmut, анализ выживших мутантов. При score <0.8 генерируются дополнительные тесты для слабых мест.
5. Интеграция в CI. Готовый скрипт для GitHub Actions или GitLab CI с coverage gate и автоматическим отчётом.

Что входит в работу

• Анализ кодовой базы: выделение всех функций, их сигнатур и зависимостей.
• Генерация тестов: каждый файл получает отдельный тестовый файл с параметризованными тестами.
• Авто-запуск и исправление: до 3 итераций для исправления ошибок.
• Отчёт о покрытии и mutation score.
• Интеграция в CI: настройка запуска тестов при каждом коммите.
• Выходная документация: описание всех сгенерированных тестов и инструкция по доработке.

Сроки

Стоимость рассчитывается индивидуально после анализа вашей кодовой базы. Свяжитесь для оценки проекта — мы гарантируем повышение coverage до 70%+ за 2 недели. Наш опыт в AI-тестировании подтверждён сертификатами и успешными кейсами (10+ лет на рынке, 50+ проектов). Закажите тестовый прогон для одного модуля — убедитесь сами.

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.