Автотесты для мобильных приложений. От генерации кода к рабочим сценариям
Написать несколько строк кода на Swift или Kotlin, простая задача для ИИ. Намного сложнее заставить агента создать тест, который впишется в архитектуру конкретного проекта и не сломается при запуске.
Главная сложность мобильного E2E-тестирования заключается не в синтаксисе. Агенту нужно восстановить контекст проекта и сохранить смысл пользовательского сценария. Часто ИИ выдаёт правдоподобный код, который при этом проверяет не тот сценарий или использует неверные данные. В разных проектах могут использоваться разные инструменты.
От Compose Test до Espresso или специфические правила для iOS. Универсальный шаблон редко совпадает с локальными соглашениями. Если агент сам заполнит пробелы в логике, он может создать тест, который невозможно стабильно повторить из-за привязки к конкретным аккаунтам или состоянию устройства. По данным QA-инженера Димы Борщевского, обычного запроса на написание теста недостаточно.
После такой генерации специалисту часто приходится вручную искать Page Objects, исправлять селекторы и переносить код в нужные модули. Это превращает работу с ИИ в процесс ручной доработки заготовки.
Чтобы решить проблему, предлагается использовать «скилл», набор инструкций, задающий агенту рабочий процесс. Он включает сбор сценария, поиск локальных паттернов и подготовку состояния через существующие в проекте механизмы. Агент должен сначала изучить конфигурацию сборки и активные тесты, чтобы использовать правильные абстракции.
Это снижает риск создания кода, который не вписывается в проектные правила. Скилл также позволяет разделять создание теста и его ревью. Агент может находить ошибки в коде, но не менять файлы без запроса. Важным элементом является сбор брифа перед реализацией.
В него входят платформа, проект, условия для воспроизведения и ожидаемые результаты на каждом шаге. Это помогает избежать ситуации, когда ИИ выдумывает логику вместо того, чтобы следовать правилам репозитория.
Использование ИИ в тестировании не освобождает человека от ответственности. Нейросеть может предложить решение, но она часто упускает контекст или даёт неверные советы. По мнению Ольги Назиной, автора книги «Тестирование с помощью искусственного интеллекта», ИИ берет на себя часть исполнительской работы, но заставляет специалиста думать ещё интенсивнее.
Пока нет полной автоматизации, задача ИИ, экономить время на рутине. Однако проверка результата всё равно остаётся за человеком. Перед приёмкой ответа проверьте объём ручной сверки, от него зависит ответственность специалиста.
· обновлено, версия 3
Источники · 2
Текст подготовила языковая модель по материалам источников.
