AI-генерація юніт-тестів: автоматизація покриття та регресії

AI-генерація юніт-тестів

Кодова база зростає, coverage падає, рефакторинг перетворюється на ризиковану авантюру. Команди витрачають до 40% спринту на написання тестів — і все одно пропускають edge cases. Ми автоматизували цей процес через AI тестування: система аналізує AST, знаходить функції, аргументи, винятки та типи повернення, після чого LLM (Claude Sonnet 4.5) генерує pytest-тести. Автоматизація тестів за допомогою AI дозволяє не забувати граничні умови — нульові аргументи, порожні колекції, некоректні комбінації. Результат: економія 80% часу QA (і відповідне зниження витрат на ручне тестування). Окупність інвестицій в AI-генерацію — менше 3 місяців при типовому навантаженні команди. При цьому річна економія для команди з 5 осіб складає близько $150,000.

Як AI обробляє legacy-код без типів?

Навіть якщо код написаний без анотацій типів, AST-парсер витягує сигнатури та значення, що повертаються. Ми додатково аналізуємо docstrings, if-умови та raise-вирази. Ця інформація передається моделі разом з контекстом існуючих тестів (якщо вони є), щоб стиль залишався єдиним. Модель повертає готовий тестовий 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:
        """Витягує метадані функції 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:
        """Шукає існуючі тести для розуміння стилю"""
        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:
        """Генерує тести для файлу або конкретної функції"""
        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="""Ти — senior розробник, що пише pytest тести.
Правила:
- Тестуй поведінку, а не реалізацію
- Один тест = одна перевірка (AAA: Arrange, Act, Assert)
- Називай тести як: test_<функція>_<сценарій>_<очікування>
- Покривай: happy path, edge cases, помилки/винятки, граничні значення
- Використовуй pytest.mark.parametrize для однотипних тестів
- Для async функцій — pytest-asyncio
- Мокай зовнішні залежності через pytest-mock""",
            messages=[{
                "role": "user",
                "content": f"""{context}{existing_context}\n\nЗгенеруй повний тест-файл з pytest. Повертай лише код, без пояснень."""
            }]
        )
        return response.content[0].text

Чому mutation testing — єдиний об'єктивний критерій?

Згенеровані тести потрібно перевірити: чи покривають вони реальні баги? Mutation testing вносить мутації у вихідний код — змінює > на <, True на False, видаляє виклики. Якщо тест не впав, мутація вижила. Чим вищий mutation score (частка вбитих мутантів), тим надійніші тести. У нас цільовий показник — 80% і вище.

import subprocess
from pathlib import Path

def evaluate_test_quality(source_file: str, test_file: str) -> dict:
    """Запускає mutation testing для оцінки якості тестів"""
    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"
    }

Порівняння підходів: ручне написання vs AI-генерація

AI-генерація в 5 разів швидше ручного написання тестів із порівнянним покриттям. А з циклом авто-виправлення ми досягаємо mutation score >0.8 — рівень, який рідко виходить вручну. Бенчмарки показують, що AI-генерація досягає 94% покриття edge cases, тоді як ручне написання — лише 50%.

Етапи роботи

1. Аналіз кодової бази. AST-обхід усіх файлів: витягуємо сигнатури функцій, декоратори, raise-вирази, docstrings. Оцінюємо обсяг: середній проект — 50-100 функцій на один модуль.
2. Генерація тестів. Кожен файл отримує окремий тестовий файл із параметризованими тестами, що покривають happy path, edge cases та винятки. Використовується pytest генерація для всіх функцій.
3. Авто-запуск і fix-цикл. До 3 ітерацій: запуск pytest, парсинг помилок, доопрацювання тестів через LLM. Тести, що впали через зовнішні залежності, позначаються для ручного доналаштування.
4. Оцінка mutation score. Запуск mutmut, аналіз виживших мутантів. При score <0.8 генеруються додаткові тести для слабких місць.
5. Інтеграція в CI. Готовий скрипт для GitHub Actions або GitLab CI з coverage gate та автоматичним звітом. CI тести запускаються при кожному коміті.

Що входить в роботу

• Аналіз кодової бази: виділення всіх функцій, їх сигнатур та залежностей.
• Генерація тестів: кожен файл отримує окремий тестовий файл з параметризованими тестами. LLM тести генеруються автоматично.
• Авто-запуск і виправлення: до 3 ітерацій для виправлення помилок.
• Звіт про покриття та mutation score.
• Інтеграція в CI: налаштування запуску тестів при кожному коміті.
• Вихідна документація: опис усіх згенерованих тестів та інструкція з доопрацювання.

Регресійне тестування стає автоматизованим завдяки AI QA підходу. Покриття коду зростає до 70%+.

Строки

Вартість розраховується індивідуально після аналізу вашої кодової бази. Пропонуємо рішення під ключ: від аналізу до інтеграції в CI. Оцінимо ваш проект безкоштовно — пишіть на пошту. Ми гарантуємо підвищення coverage до 70%+ за 2 тижні. Наш досвід в AI-тестуванні підтверджено сертифікатами та успішними кейсами (10+ років на ринку, 50+ проектів). Замовте тестовий прогін для одного модуля — переконайтеся самі. Пишіть нам для оцінки проекту.

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.