Home

Автор: Екатерина Гаврилова

Меня зовут Катя и я ведущий инженер по тестированию в MD Audit.

Хочу поделиться как я внедрила ИИ в процессы тестирования, чтобы не тратить время на рутинные задачи и больше заниматься любимым делом (кидать мемы в рабочие чаты).

AI не заменит тестировщика. Но тестировщик, умеющий работать с AI, заменит десятерых.

Эта статья кратко и без воды расскажет о том, как я встроила ИИ в процесс ручного тестирования, какому подходу научила свою команду и какие промты реально экономят часы рутинной работы.

Что такое промт и почему это важно

Промт — это инструкция для ИИ, где вы объясняете, кто вы, что нужно сделать и в каком виде вернуть результат.

Многие используют промты не говоря конкретно, что хотят видеть в тесте. Но задают в промте кем должна быть нейросеть, какие практики тестирования она должна использовать, чтобы написать хороший тест или чек-лист.

На мой взгляд этот подход не имеет никакого смысла, потому что так нейросети генерируют большое количество нерелевантных данных. И по итогу вам все равно приходится их переписывать под свой проект или ситуацию.

Хороший промт ≠ “напиши тесты”.
Хороший промт = маленькое ТЗ для нейросети.

Формула хорошего промта

Роль, Задача, Контекст, Формат вывода.

Расширенный пример промта

Ты инженер по качеству (QA), специализирующийся на тестировании web и mobile приложений.
 
Задача:
На основе описания окна авторизации сгенерируй тест-кейсы для проверки корректной работы формы входа.
 
Контекст:
- На форме есть поля "Логин" и "Пароль", кнопка "Войти".
- Проверяется обязательность полей, валидация длины пароля (от 6 до 20 символов) и формат email.
- Есть возможность авторизации через API /api/login (POST).
- При успешном входе происходит редирект на главную страницу, при ошибке — отображается сообщение “Неверный логин или пароль”.
- Поддерживаются две платформы: Web и Mobile.
- Языки интерфейса: RU, EN.
 
Формат вывода:
Верни результат в виде таблицы для импорта в Test IT с колонками:
{Наименование}, {Шаги}, {Ожидаемый результат}, {Платформа}, {Тип теста (Positive/Negative)}.
 
Добавь отдельные секции для:
1. Позитивных тестов
2. Негативных тестов (валидация, пустые поля, неверные данные)
3. Граничных значений
4. Проверки локализации (RU/EN)
5. Проверки API

Вы можете сказать «Но ведь и этот промт недостаточно подробный» и будете правы.

Чтобы ИИ давал действительно качественные тесты, нужно не просто «писать промты», а учить нейросеть понимать твою систему.

ИИ не знает, что именно делает система, какие у неё зависимости и что считается корректным поведением.

Он создаёт тесты «в вакууме» поэтому часто пропускает ключевые вещи: связи между шагами, предусловия, форматы данных, роли пользователей.

Чтобы получить результат, который не отличить от работы опытного QA, нужно добавить контекст.

Для этого нужно выделить время и написать для неё описание системы или приложения, которые вы проверяете и логику того или иного действия.

Обычно с 0 описать это достаточно сложно, если у вас нет полного технического задания на разные части системы. Для решения это проблемы подойдет ещё один подход, который мы используем.

Подход «Смотри как надо!»

Вы как тестировщик своего проекта наверняка, ну я надеюсь, умеете писать тесты и знаете как же должен выглядеть тот самый идеальный чек‑лист.

Напишите один хороший пример нужной тестовой документации. Отправьте его любимой нейросети и расскажите почему ваш тест выглядит именно так. Опишите, как работает логика системы в этом сценарии.

Так вы превращаете свой пример в обучающий контекст, на котором нейросеть «понимает» логику вашего проекта.

Пример нейтрального обучающего промта

У тебя есть файл test_user_registration, в котором описан чек-лист с проверками регистрации пользователя на сайте Hello.ru.
 
На их основе нужно сгенерировать тесты для backend API.
Мы рассматриваем только позитивные сценарии.
 
В тестах проверяется, что при создании нового пользователя по указанным предусловиям
происходит корректное сохранение данных и возвращается подтверждение регистрации.
 
Предусловие:
- Используется уникальный email: 
 Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript
 
- пароль: ValidPass123
- согласие с правилами: true
 
Шаг 1
POST /api/user/registration
Тело запроса — данные из предусловия.
 
Ожидаемый результат шага 1:
1. Ответ 201 Created
2. В теле ответа возвращается объект пользователя с уникальным ID и флагом “isActive”: true
 
---
 
Шаг 2
После успешной регистрации фронтенд вызывает API для авторизации,
передавая полученный email и пароль.
 
POST /api/user/login
Тело запроса:
{ "email": "
 Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript
 ", "password": "ValidPass123" }
 
Ожидаемый результат шага 2:
1. Ответ 200 OK
2. В теле возвращается токен авторизации (JWT) и срок его действия.
 
---
 
Шаг 3
GET /api/user/profile
Передаём токен из шага 2 в заголовке Authorization.
 
Ожидаемый результат шага 3:
1. Ответ 200 OK
2. В теле возвращается корректный профиль пользователя (email, дата регистрации, активность).

Что делает этот подход

1. Нейросеть видит реальные зависимости:
   регистрация → авторизация → получение профиля.

2. Понимает бизнес-логику: почему шаги связаны, какие данные передаются между ними.

3. Запоминает формат API и тестов, чтобы потом писать их в том же виде.

После такого “обучающего примера” можно спокойно попросить:

«Теперь сгенерируй негативные сценарии для этой же логики».

И любая нейросеть создаст тесты с неверными паролями, занятыми email и т.д. — потому что он уже понял, как устроена система.

Помните, любая нейросеть — не QA-инженер. Даже если вы написали в промте обратное.
Чтобы результат был стабильным, ИИ нужны понятные и структурированные данные.
Это очень похоже на то, как разработчики описывают зависимости в коде:
“если... то...”, “при таких условиях -> такой результат”.

Но если дать нейросети правильный промт и достаточно контекста, она сэкономит кучу вашего времени.

В следующих статьях разберем:

1) Разницу в результате с обычным промтом и обучением по формуле "Роль, Задача, Контекст, Формат".

2) Какие рутинные задачи можно решить с помощью обученного АИ помощника в тестировании.

3) Какая модель АИ лучше справится с рутинными задачами именно в тестировании? Сравнение ChatGPT и Claude.

Если статья была вам полезна,  буду рада видеть в моем Телеграм-канале.

Обсудить в форуме