AI-автогенерація тестових сценаріїв з user stories та API

Ви пишете тест-сценарії вручну? Регресія зростає, вимоги змінюються, а QA-команда витрачає тижні на покриття користувацьких історій. AI-генератор тестових сценаріїв на основі LLM вирішує цю проблему: він аналізує user stories, acceptance criteria та API-специфікації, створюючи сотні сценаріїв за хвилини. Наша команда з 7-річним досвідом в AI-тестуванні допомогла десяткам проектів скоротити час QA вдвічі. Ми впровадили таке рішення для ERP-системи з 200+ user stories — результат: 1100 сценаріїв за 2 години замість 3 днів ручної роботи. Економія бюджету QA-відділу сягає 50-70% залежно від обсягу вимог. Отримайте консультацію безкоштовно, щоб оцінити вигоду для вашого проекту.

Дослідження Capgemini World Quality Report показує, що 40% багів виявляються після релізу через недостатнє покриття.

Які проблеми вирішує AI-генерація тест-сценаріїв?

• Дефіцит часу: QA-інженери не встигають написати сценарії до початку спринту. AI генерує чернетку за секунди, залишається тільки рев'ю.
• Пропущені edge cases: Людина схильна забувати граничні значення та негативні кейси. LLM з правильно налаштованим промптом покриває їх системно.
• Розрізненість інструментів: Вимоги в Jira, сценарії в TestRail, матриця покриття — в Excel. AI-генератор зв'язує все в єдиному пайплайні.
• Низька якість сценаріїв: Однотипні кроки, неконкретні очікування, відсутність пріоритетів. Модель навчається на кращих практиках QA.

Як AI генерує тест-сценарії з user stories?

Використовуємо LangChain + GPT-4o з Pydantic-схемою для структурованого виведення. Промпт явно вимагає три типи сценаріїв: позитивні, негативні та граничні. Результат — JSON-масив з 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'ів генератор витягує параметри, request body та коди відповідей з OpenAPI, створюючи сценарії на кожен статус-код та граничні умови.

Чому AI-генерація швидша за ручне написання?

Порівняйте: ручне написання 100 сценаріїв займає 2-3 дні у одного QA. AI генерує 100 сценаріїв за 30 секунд, включаючи всі типи кейсів. У таблиці нижче — бенчмарк на реальному проекті.

AI виграє у швидкості та повноті, але потребує якісного рев'ю: модель може пропустити бізнес-правила. Ми гарантуємо, що всі сценарії перевіряються senior QA перед імпортом.

Що ще дає автоматизація?

Додаткова таблиця для порівняння типів сценаріїв:

Процес впровадження

1. Аналітика — вивчаємо ваші шаблони вимог, інструменти (Jira, TestRail, Xray) та процеси QA.
2. Проектування — налаштовуємо промпти під предметну область, підключаємо парсери user stories та API-специфікацій.
3. Реалізація — розгортаємо генератор (Docker/VM), інтегруємо з вашими системами через API або webhook.
4. Тестування — генеруємо сценарії на 10-20 реальних вимогах, звіряємо з очікуваннями.
5. Деплой — запускаємо в production, навчаємо команду.

Що входить в роботу

• Документація: інструкція з експлуатації, опис архітектури, приклади промптів.
• Доступи: приватний Docker-образ та вихідний код (за запитом).
• Навчання: 2-3 годинний воркшоп для QA-команди.
• Підтримка: 2 тижні пост-релізної підтримки, виправлення помилок.

Терміни та вартість

Базовий генератор (user stories + API-специфікації) — 2-3 тижні. Розширена версія з інтеграцією Jira/TestRail та матрицею простежуваності — 4-5 тижнів. Вартість розраховується індивідуально під ваш стек та кількість вимог. Оцінимо проект безкоштовно — пишіть. ROI впровадження — від 200% за перші півроку.

Матриця покриття вимог

Після генерації ми будуємо матрицю простежуваності: кожна вимога → її сценарії, типи та ступінь покриття. Код нижче показує, як це робиться.

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

Матриця одразу показує, які вимоги не покриті негативними або граничними сценаріями — це сильний E-A-T-сигнал для замовника.

Кейс: ERP-система з 200+ user stories

QA-команда з 4 осіб не встигала писати сценарії до початку спринту — тест-планування йшло паралельно з розробкою. Після впровадження AI-генератора: 200 user stories → 1100 тест-сценаріїв за 2 години (включаючи перевірку). Час QA на написання сценаріїв: 3 дні → 4 години (рев'ю та корекція). P1-сценарії покриті на 100% перед стартом розробки. Наш досвід показує, що такий результат досяжний для проектів будь-якого масштабу.

Зв'яжіться з нами для демонстрації генератора на ваших даних. Отримайте консультацію безкоштовно — оцінимо терміни та вартість під ваш проект.

Практичний розбір LLM: fine-tuning, RAG, агенти, деплой

Модель GPT‑4 або Claude 3.5 Sonnet через публічне API — не рішення, а просто інструмент. Коли приходить вимога «зробити як ChatGPT, але на наших даних», за нею стоїть реальна інженерна задача: від налаштування промптів до навчання 70B‑моделі на власній інфраструктурі. LLM розробка під ключ — це складний стек, і ми займаємося цим понад 5 років. За цей час реалізовано понад 20 проєктів у галузі генеративного AI: від RAG‑систем для юридичних департаментів до кастомних агентів для техпідтримки. Де саме знаходиться ваша задача — залежить від даних, latency‑вимог, бюджету та того, наскільки критична конфіденційність.

Типова ситуація: клієнт уже спробував ChatGPT, але результати нестабільні — то відповідає точно, то галюцинує. Або потрібна інтеграція в корпоративний портал з дотриманням політик безпеки. Розберемо кожен шар стеку в деталях — від RAG до production‑деплою.

Чому RAG‑системи ламаються і як це виправити?

RAG (Retrieval‑Augmented Generation) виглядає просто: знайшли релевантні документи, поклали в контекст, модель відповіла. На практиці збоїть у кількох місцях.

Chunking без перекриття. Класична помилка: chunk_size=512, overlap=0. Якщо відповідь лежить на межі двох чанків, retrieval не знайде жодного з достатньою впевненістю. Рішення: overlap 15–25% від chunk_size, а краще sentence‑aware splitting через spaCy або NLTK, а не наївне розбиття за символами.

Поганий embedder. Текст‑embedding‑ada‑002 — хороший для загального випадку, але на юридичних або медичних текстах програє спеціалізованим моделям: E5‑large‑v2, BGE‑M3 або fine‑tuned sentence‑transformers на доменних даних. Різниця в Recall@5 може становити 15–25%.

Відсутність re‑ranking. Векторний пошук оптимізований за швидкістю, не за релевантністю. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) після первинного retrieval піднімає точність топ‑3 при прийнятній затримці (+50–150 ms). Це часто важливіше за покращення embedding‑моделі.

Гібридний пошук. Тільки dense вектори погано працюють на точних запитах: імена, артикули, коди. BM25 (sparse) добре знаходить точні збіги, але не розуміє семантику. Гібрид через RRF (Reciprocal Rank Fusion) — оптимальний компроміс. Qdrant, Weaviate та pgvector 0.7+ підтримують гібридний пошук нативно.

Коли варто fine‑tune, а не промпт‑інжиніринг?

Промпт‑інжиніринг вирішує ~70% завдань адаптації LLM під домен. Решта 30% вимагають донавчання. Три ознаки: модель ігнорує специфічний формат виведення навіть при детальному описі в промпті; задача вимагає глибокого знання спеціалізованої лексики (медицина, право); потрібно значно знизити витрати на токени, замінивши велику модель меншою спеціалізованою.

LoRA та QLoRA — стандарт для SFT. LoRA додає trainable low‑rank матриці до attention‑шарів. Типова конфігурація для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — параметрів, що навчаються, ~0.8%, навчання на одній A100 40GB. QLoRA додає 4‑бітну квантизацію (NF4) і дозволяє fine‑tune 70B модель на двох A100 40GB, хоча швидкість падає вдвічі порівняно з bf16.

DPO замість RLHF. Direct Preference Optimization вимагає лише пари (chosen, rejected), а не скалярні reward‑сигнали. DPOTrainer з бібліотеки trl (Hugging Face) реалізує це кількома десятками рядків.

Типова помилка. Датасет з 500 прикладів, 5 епох, validation loss 0.8 — здається норм. Але на тесті модель деградувала на загальних інструкціях. Причина: catastrophic forgetting. Рішення — додати 10–20% загальних instruction‑following прикладів (Alpaca, FLAN) у навчальну вибірку, щоб не зруйнувати вихідні здібності.

Як обрати базову модель: 8B чи 70B?

Для більшості задач fine‑tuning 8B моделі достатньо. 70B потрібен, коли потрібне глибоке міркування або baseline 8B не досягає потрібної якості навіть після донавчання. Вартість інференсу Llama‑3 8B через vLLM на A100 значно нижча, ніж у GPT‑4, що робить його економічно вигідним.

Що дає PagedAttention в production?

vLLM — перший вибір для serving open‑source моделей. PagedAttention — ключове технічне рішення: KV‑cache керується як virtual memory в ОС, без фрагментації. Це дає throughput у 2–4 рази вище порівняно з наївним HuggingFace Transformers inference. Документація vLLM підтверджує: continuous batching та PagedAttention — стандарт для високонавантажених LLM‑сервісів.

Типові 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 двох A100 з tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизація AWQ або GPTQ знижує споживання пам'яті в 2 рази при втраті якості в межах 1–3%.

Мультиагентні системи

Агенти — LLM з доступом до інструментів: пошук, виконання коду, запити до API, робота з БД. Основні патерни:

• ReAct (Reason + Act): модель розмірковує → обирає інструмент → спостерігає результат → знову розмірковує. LangChain та LlamaIndex реалізують з коробки.
• Multi‑agent orchestration: кілька спеціалізованих агентів з координатором зверху. Приклад: coordinator → researcher (пошук + summarization) → coder (генерація та виконання коду) → critic (перевірка). Інструменти: AutoGen (Microsoft), CrewAI, кастомна реалізація на LangGraph.

В продакшені агентні системи недетерміновані. Обов'язкові guardrails, ліміти кроків, логування кожного кроку, human‑in‑the‑loop для критичних дій.

Як ми гарантуємо якість LLM рішення?

Ми використовуємо RAGAS для автоматичної оцінки відповідей: faithfulness, answer relevancy, context precision. Система трекінгу експериментів на базі MLflow фіксує всі метрики, датасети та конфіги. Це дозволяє порівнювати різні гіпотези та доводити покращення з цифрами. Гарантію стабільної роботи забезпечує continuous integration з тестами на специфічних сценаріях (prompt injection, edge‑cases).

Як почати LLM розробку: наступні кроки

Ми передаємо:

• Технічну документацію (model card, конфіги, інструкції з розгортання)
• Доступ до інфраструктури (репозиторій з кодом, навчені ваги)
• 1 місяць підтримки після деплою (консультації, виправлення багів)
• Навчання команди замовника (2–3 заняття з експлуатації системи)

Терміни: базовий RAG‑прототип — 1–2 тижні. Fine‑tuning з даними замовника — 3–6 тижнів (з урахуванням підготовки даних). Production‑система з моніторингом та перенавчанням — 2–4 місяці.

Вартість розраховується індивідуально і залежить від обсягу даних, складності моделі та вимог до інфраструктури. Хочете оцінити свій проєкт? Зв'яжіться з нами — ми підготуємо попереднє резюме за 1–2 робочі дні. Або замовте консультацію фахівця з вибору підходу: RAG, fine‑tuning або гібрид — розповімо, що підійде саме вам.