Интеграция Playwright/Selenium с LLM для автономного тестирования

Автономное тестирование: Playwright/Selenium + LLM

Автономное тестирование на Playwright и Selenium с LLM — SmartLocator с AI-fallback решает проблему нестабильных локаторов. E2E-тесты отлично работают, пока дизайн стабилен. Но на активно развивающихся проектах верстка меняется каждую неделю. Команда из 5 разработчиков тратит больше 6 часов в неделю на починку тестов после рефакторингов. LLM не заменяет Playwright. Он решает эту боль: вместо жестких локаторов — семантический поиск. Автоматическое восстановление упавших тестов. Наши инженеры внедряют AI-локаторы, сокращая время поддержки тестов в 3 раза — это проверено на проектах с тестовой базой от 200 сценариев. Экономия времени составляет 6 часов в неделю на команду, что окупается в течение 2-3 месяцев.

Ценность LLM в тестировании

Типичная проблема: дизайнер меняет CSS-классы, и 40% Selenium-тестов падает не из-за багов, а из-за изменений верстки. Команда перестает доверять CI — красный статус игнорируется. LLM кардинально меняет ситуацию: он анализирует скриншот падения, DOM и лог. Определяет причину и предлагает новый локатор или указывает на реальный баг. Результат — разработчики снова доверяют CI. Время на анализ упавшего теста сокращается с 1 часа до 5 минут. LLM-генерация тестов в 10 раз быстрее ручного написания.

Как AI-fallback восстанавливает тесты?

Интеграция LLM в Playwright или Selenium реализуется через класс-обёртку SmartLocator. Он пробует стандартные локаторы, затем встроенные семантические методы, а если ни один не сработал — отправляет скриншот и DOM в Claude 3.5 Haiku. Модель возвращает CSS-селектор. Если и он не подходит, тест помечается как требующий ручного анализа. Такой AI-fallback срабатывает в 95% случаев, когда стандартные локаторы не работают.

from playwright.sync_api import Page, Locator
from anthropic import Anthropic
import base64
import json
from functools import wraps
import re

client = Anthropic()


class SmartLocator:
    """Умный локатор с AI-fallback"""

    def __init__(self, page: Page):
        self.page = page
        self._locator_cache: dict[str, str] = {}

    def find(self, description: str, prefer_selector: str = None) -> Locator:
        """Находит элемент по описанию, кэшируя успешные локаторы"""

        # 1. Пробуем кэшированный локатор
        if description in self._locator_cache:
            selector = self._locator_cache[description]
            try:
                loc = self.page.locator(selector)
                if loc.count() > 0 and loc.first.is_visible(timeout=500):
                    return loc.first
            except Exception:
                del self._locator_cache[description]

        # 2. Пробуем предпочтительный локатор
        if prefer_selector:
            try:
                loc = self.page.locator(prefer_selector)
                if loc.count() > 0:
                    self._locator_cache[description] = prefer_selector
                    return loc.first
            except Exception:
                pass

        # 3. Playwright built-in семантика
        semantic_attempts = [
            lambda: self.page.get_by_role("button", name=re.sub(r"кнопк[аиу] ", "", description, flags=re.I)),
            lambda: self.page.get_by_label(description),
            lambda: self.page.get_by_placeholder(description),
            lambda: self.page.get_by_text(description, exact=False),
        ]

        for attempt in semantic_attempts:
            try:
                loc = attempt()
                if loc.count() > 0 and loc.first.is_visible(timeout=500):
                    return loc.first
            except Exception:
                continue

        # 4. AI-генерация локатора
        return self._ai_find_element(description)

    def _ai_find_element(self, description: str) -> Locator:
        """Использует LLM для поиска элемента по скриншоту и DOM"""
        screenshot_bytes = self.page.screenshot()
        dom_snippet = self.page.evaluate("""
            () => {
                const elements = document.querySelectorAll(
                    'button, a, input, select, textarea, [role="button"], [role="link"], [role="menuitem"]'
                );
                return Array.from(elements).slice(0, 60).map(el => ({
                    tag: el.tagName.toLowerCase(),
                    text: el.textContent?.trim().slice(0, 60) || '',
                    id: el.id || '',
                    class: el.className?.toString().slice(0, 60) || '',
                    type: (el as any).type || '',
                    name: (el as any).name || '',
                    placeholder: (el as any).placeholder || '',
                    aria_label: el.getAttribute('aria-label') || '',
                    data_testid: el.getAttribute('data-testid') || '',
                })).filter(e => e.text || e.placeholder || e.aria_label);
            }
        """)

        response = client.messages.create(
            model="claude-haiku-4-5",
            max_tokens=256,
            messages=[{
                "role": "user",
                "content": [
                    {
                        "type": "image",
                        "source": {
                            "type": "base64",
                            "media_type": "image/png",
                            "data": base64.b64encode(screenshot_bytes).decode(),
                        }
                    },
                    {
                        "type": "text",
                        "text": f'''Найди CSS-селектор для элемента: "{description}"
DOM-элементы: {json.dumps(dom_snippet[:30], ensure_ascii=False)}

Верни JSON: {{"selector": "css_selector", "confidence": 0.0-1.0}}
Предпочитай: [data-testid="..."], #id, [aria-label="..."]
Только JSON.'''
                    }
                ]
            }],
        )

        try:
            text = response.content[0].text
            result = json.loads(text[text.find("{"):text.rfind("}") + 1])
            selector = result["selector"]

            loc = self.page.locator(selector)
            if loc.count() > 0:
                self._locator_cache[description] = selector
                return loc.first
        except Exception:
            pass

        raise RuntimeError(f"Элемент не найден: {description}")


class SelfHealingTest:
    """Тест с самовосстановлением локаторов"""

    def __init__(self, page: Page):
        self.page = page
        self.smart = SmartLocator(page)
        self.failed_steps: list = []

    def step(self, description: str):
        """Декоратор для шагов теста с AI-восстановлением"""
        def decorator(func):
            @wraps(func)
            def wrapper(*args, **kwargs):
                try:
                    return func(*args, **kwargs)
                except Exception as e:
                    # Пробуем восстановить через AI
                    recovery = self._attempt_recovery(description, str(e))
                    if recovery:
                        return recovery
                    self.failed_steps.append({"step": description, "error": str(e)})
                    raise
            return wrapper
        return decorator

    def _attempt_recovery(self, step_description: str, error: str):
        """Пытается восстановить провалившийся шаг"""
        screenshot_bytes = self.page.screenshot()

        response = client.messages.create(
            model="claude-haiku-4-5",
            max_tokens=256,
            messages=[{
                "role": "user",
                "content": [
                    {
                        "type": "image",
                        "source": {
                            "type": "base64",
                            "media_type": "image/png",
                            "data": base64.b64encode(screenshot_bytes).decode(),
                        }
                    },
                    {
                        "type": "text",
                        "text": f'''Тест упал на шаге: "{step_description}"
Ошибка: {error}

Видишь ли ты на скриншоте что-то, что мешает выполнению?
Верни JSON: {{"blocker": "описание проблемы или null", "recovery_selector": "css или null"}}'''
                    }
                ]
            }],
        )

        try:
            text = response.content[0].text
            result = json.loads(text[text.find("{"):text.rfind("}") + 1])

            if result.get("recovery_selector"):
                self.page.click(result["recovery_selector"])
                return True
        except Exception:
            pass

        return None

LLM-генерация тестов из user stories

def generate_playwright_test(user_story: str, base_url: str, page_html: str = "") -> str:
    """Генерирует Playwright test из user story"""
    response = client.messages.create(
        model="claude-sonnet-4-5",
        max_tokens=2048,
        messages=[{
            "role": "user",
            "content": f'''Сгенерируй Playwright Python тест для user story:

{user_story}

Base URL: {base_url}
{"HTML контекст страницы: " + page_html[:2000] if page_html else ""}

Требования к тесту:
- Используй Playwright best practices: get_by_role, get_by_label, get_by_text
- Явные expect() с timeout
- Без захардкоженных sleep()
- Комментарии к каждому шагу
- Используй data-testid если видишь в HTML

Формат: только Python код, без пояснений.'''
        }],
    )

    return response.content[0].text


# Пример использования
story = """
Как пользователь, я хочу войти в систему:
1. Перейти на страницу /login
2. Ввести email [email protected]
3. Ввести пароль TestPass123
4. Нажать кнопку "Войти"
5. Увидеть страницу дашборда с текстом "Добро пожаловать"
"""

test_code = generate_playwright_test(story, "https://app.example.com")
print(test_code)

AI-анализ упавших тестов

def analyze_test_failure(test_name: str, error_log: str, screenshot_path: str) -> dict:
    """Анализирует причину падения теста и предлагает фикс"""
    with open(screenshot_path, "rb") as f:
        screenshot_b64 = base64.b64encode(f.read()).decode()

    response = client.messages.create(
        model="claude-sonnet-4-5",
        max_tokens=1024,
        messages=[{
            "role": "user",
            "content": [
                {
                    "type": "image",
                    "source": {"type": "base64", "media_type": "image/png", "data": screenshot_b64}
                },
                {
                    "type": "text",
                    "text": f'''Тест упал: {test_name}

Лог ошибки:
{error_log[:2000]}

Проанализируй скриншот и лог. Верни JSON:
{{
  "root_cause": "краткое описание причины",
  "is_app_bug": true/false,
  "is_test_bug": true/false,
  "suggested_fix": "как исправить тест или баг",
  "new_selector": "если проблема в локаторе — новый CSS-селектор"
}}'''
                }
            ]
        }],
    )

    text = response.content[0].text
    return json.loads(text[text.find("{"):text.rfind("}") + 1])

Как быстро внедрить AI-локаторы в существующий проект?

Сравним два подхода — без LLM и с LLM.

Практический кейс: интернет-магазин, 350 тестов

Ситуация: активная разработка фронтенда (React + Tailwind). Дизайнер менял CSS-классы каждые 2 недели. 40% Selenium-тестов падало не из-за багов, а из-за изменений верстки. CI/CD pipeline показывал красный цвет, команда игнорировала.

Отметим: что изменили (из нашей практики):

• Перевели 80 самых нестабильных тестов на SmartLocator с AI-fallback.
• Настроили AI-анализ упавших тестов в CI: автоматически отделяет «баг в коде» от «изменился локатор».
• LLM-генерация заготовок тестов для новых user stories.

Результаты:

• Ложно-красные тесты (UI изменился, не баг): 40% → 6%.
• Время на анализ упавших тестов в CI: 2 ч/деплой → 20 мин.
• Новые тест-заготовки от LLM: разработчик принимает 70% без правок, 30% требуют корректировки.

Важно: AI-анализ упавших тестов особенно ценен — разработчики перестали игнорировать красный CI, потому что теперь сразу видят «это реальный баг» или «это локатор поехал». Снижает затраты на QA до 40%.

Что входит в работу

• Аудит текущей тестовой базы: выявление узких мест, оценка нестабильных тестов.
• Разработка SmartLocator под ваш фреймворк (Playwright/Selenium) и язык (Python/Java/JS).
• Интеграция с CI/CD (GitLab CI, GitHub Actions, Jenkins) и настройка AI-анализа падений.
• Документация по использованию и поддержке AI-локаторов.
• Обучение команды: как писать тесты с учётом LLM, как интерпретировать результаты анализа.
• Гарантия работы решения: мы поддерживаем стабильность в течение 3 месяцев после внедрения.

Сроки

• SmartLocator + AI-fallback для существующей тест-базы: от 1 недели.
• AI-генерация тестов + ревью пайплайн: от 1 недели.
• CI/CD интеграция с анализом падений: 3–5 дней.
• Полная система для большой тест-базы: 3–4 недели.

Получите консультацию: мы оценим ваш проект и предложим оптимальное решение для автономного тестирования. Закажите внедрение — свяжитесь с нами, чтобы обсудить детали.

Технология AI-локаторов основана на подходах, описанных в Playwright Best Practices for Locators.

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.