Ад скрыптоў да мэтаў: агентны AI для QA у вэбе, API і базах даных
Агентны AI для QA: аўтаматызацыя тэстаў, якая атрымлівае мэту замест крокаў, агенты для вэба, API і баз даных, MCP як злучальнае звяно, памяць і сумленныя межы.
Крыніцы: The Day My Test Scripts Stopped Listening — And My Agents Started Thinking : —
Калі автаматызацыя тэстаў больш не абавешчаецца, якія кнопкі нажыць, а абавешчаецца, якога рэзультата дасягнуць, што тады змініцца? Гэты вопыт стаў падставай для невялікага эксперымента на адкрытым кодзе з вікорыстаннем агентных AI-сістэм для кантролю якосці, і ў этай статыце расказваецца пра тое, што намагаецца зробіць эксперымент, дзе ён дапамагае, а дзе — ні.
Звычны вёснік
Вы запускаеце пакет для перагляду змян, і праўыя галочкі праскакваюць па экране. Усі расслабляюцца, але баг усё равно потрапляе ў выпуск, таму што скрыпт ведаў толькі, як выпалняць тое, што яму было сказана, і толькі у той парадак, які яму быў наведзены.
Постаўляецца вопыт, чы можа автаматызацыя мысляць замест таго, каб проста павтараць дзеяння. Ніхто не обяцвае чагосьць чырвонага. Мета — пазнакоміцца з тым, чы можа AI-агент дапамагаць тэстэру у яго рашэннях, не прэтвараючыся ў ўсёзаменнік.
Скрыптаваная автаматызацыя і автаматызацыя, керованая цілямі
Большасць сэтакоў сёння выконваюцца па аднай лініі: тэставанне, скрыпт, выконанне, перакананне, атрыбут. Гэта дэтэрміністычны, прыгледжальны і безпечны прыем. Аднак гэта таксама жорсткая, кранявая сістэма, якая не бачыць нічога, чаго не згадвае скрыпт. Сэтак на базе скрыпта — гэта паўоз на фіксаванай колее: быстры і надзеяны, пакуль колея не змініцца.
У версіі з агентамі парадакт змініваецца:
- Даеце агенту цель тэставання замест фіксаванага скрыпта.
- Дазволяеце яму самаму выявіць, што трэба зрабіць.
- Дазволяеце яму выбраць інструменты (браузер, кліент API, база дадзеных) па кантэксту.
- Дазволяеце яму сочыць за рэзультатамі і скорэктаваць свае наступныя дзеянні.
- Дазволяеце яму прабавіць і атрыбутаваць рэзультаты.
Такім чынам запіт перастае быць „выконайце гэтыя загадзя вяліканутыя крокі“ і стае „гэта цель, знайдзіце спосаб прыбыць туды“. Гэта скорэй змяна манталітэту, чым змяна інструментаў.
Чаму QA ўзможлівае гэта
Сучасныя програмы рэдкая часць існуюць толькі ў аднам слое. Адна-едынственная бяга можа выражацца ў проблемах у інтэрфейсе, API і базе дадзеных, і будзе помічацца толькі тады, калі будуць пераглянуты ўсе тры элементы разам. Ад тэставальнікаў все чышчаюць адчуваецца трэба, каб яны думалі як інжынеры сістэм, і пытанне перайшла з „чы гэты кантакт працуе“ на „чы весь распадзелены сістэма працуе за рэальных умоў“.
Падазроўваючы, што адны агенты моглі бы коордынаваць сваю дзеяльнасць усерэдзіні гэтых слоёў навакол адной меты, а не трохоў нез’ўязаных комплектаў. Праект распадаецца на:
- Веб-агента, які керуе браузерам.
- Агента API, які адправляе запіты і аналізуе адпаведзі.
- Агента базы дадзеных, які пераглядае даны на заднім канце.
- Слоя для вырашэння, які плануе і вяршыць, каго з агентаў вызваць і калі.
- Слоя для верыфікацыі, які з’едынае все ў адны рэальны рэзультат.
У змену трым аналізам, якія чалавек павінен уявная склеіць разам, вы отрымаеце адна скоўаная выніка.
Эскіз архітэктуры
Прыказаны тут алгорытм ўсё яшчэ розвіваецца. Гэта жывы эксперымент, а не готавая структура, і рэальны інжынерны прыгрызок рэдка калі прыходзіць у ўжо готовай форме.
User / Goal
↓
Agentic AI Layer (Reasoning + Planning)
↓
┌──────────┬──────────┬──────────┐
│ Web Agent│ API Agent│ DB Agent │
└──────────┴──────────┴──────────┘
↓ ↓ ↓
Browser APIs Database
↓ ↓ ↓
Validation / Result
MCP як з’еднуюча ткань
Model Context Protocol, MCP, — гэта частка гэтага прастору, якая варыта дэтальнага розгляду. Уявіце яго як стандартны штык-шчылек межа агентамі і рэальнымі можлівасцямі, так што агент не проста опісвае, што ён зробіць, а насправды гэта робіць.
Для аптэкты яго вікорыстоўвання відкрывае:
- з’еднанне агентаў з справжнімі інструментамі тэставання;
- структураванае взаімадзеянне з браузерам;
- бяспосерэдніе операцыі з API;
- доступ да базы дадзеных без неабяжнага стварэння новых спецыяльных інструментаў кожны раз;
- перзістаючая памяць і кантэкст;
- перавыкорыстныя бібліятэкі інструментаў для автаматызацыі.
Цыкл стае такім: з’ясаваць мету, выбраць можлівасць, выкорыстаць інструмент, абсалютваць рэзультат, вырашыць, што робіць далей. Гэта рошна адрозніцца ад падходу „крок першы, крок другі, крок трэці“.
Тэставанне API як можлівасць
Тэставанне API не знікне, але яго форма змінюецца. У працоўку замест статычнай калекцыі Postman, якая вечна выкананае ідэнтычныя пераконтроўкі, агент можа:
- падаць запыткі, якія вытэклі з заданага цялевага пункту;
- оцэніць адпаведзь у кантэксце, а не толькі па кодах статусу;
- ствараць новыя сцэнарыі на лету;
- саюзіцца з іншымі агентамі, калі для выявлення прычыны браку патрэбна праца на розных роўнях.
Testing Objective → API Agent → Send Request → Analyze Response
→ Validate Result → Pass Result to Workflow
Гэта тэставанне API, якое врачоўвае тое, што яно пераглядае, а не проста чы гэты номер падходзіць.
Агенты базы дадзеных заслугуюць на большую узнакомленасць
Кожны SDET знае такія прыклады. Інтэрфейс паказвае падтверджэнне успеху, API вяртае 200 OK, а рэкорд у базе дадзеных так і не фіксуецца. Нічога не сігналізуе пра гэта, як толькі хтось не пераглядае даныя безпосерэдна.
Агент, які розумее базу дадзеных, можа автаматычна запытваць і перавершваць даныя для тэстаў, пераглядаць бэкэнд без неабходнасці ў кожны раз пісаць сыры SQL-код, падтрымляць тэсты, аднойчы заснованыя на даных, і міжсістэмныя тэсты, а таксама выяўляць багі, якія з’яўляюцца між разнымі слоямі.
UI → API → Business Logic → Database
Дзеянне дыфекта можа стаць відным толькі тады, калі всі чатыры шары перакананы адночасна, і самэлькі тут і выконваюць свою ролю скоордынаваныя агенты.
Браузер як адна з адносоўных засобаў
У прыкладным праекце ёсць скрыпт web_surfer.py, які паказвае, як агент працуе ў рэальной веб-сераўе, не як самастоятны скрыпт, а як адна з можлівасцей у цэлым наборэ.
Testing Goal → Agent → Web Interaction → Observation
→ Decision → Validation
Браузер большэйш часу не ўсё, што неабходна для тэставання. Ён стае інструментам, які агент выкарыстоўвае, калі таго трэбуе мета.
Стварэнне «памяці» для аўтаматызаціі
Большасць аўтаматызаваных рашэнняў мае «памяць» рыбака-золатка — кожны запуск пачынаецца з нуля. Чыраг трэбуе маленькага файла memory.json, каб рашыць гэтыя проблемы. У ям зберагаюцца пакульні дзеянні, стан рабочага прайсупутку, кантэкст тэста, значыцькія спазырванні і пакульныя рэзультаты.
Test Objective → Current Context → Previous Actions
→ Agent Decision → New Action → Updated Context
Автаматызацыя, якая урахоўвае кантэкст, не падходзіць да сістэмы як странец у кожны раз. Яна стварае рабочую памяць, якая больш прыкладна да спосабу дзеяння апытнага тэстэра.
Чым гэта не ёсць
Вялікі ажытакліванне навакол ШЫ рэальны, таму дапамагае яснасць:
- Гэта не «ШЫ заменяе тэстэроў».
- Гэта не бот для тэставання, які можна проста запусціць.
- Гэта ўсё шчэ не фрэймворк высокага ступеня готовнасці.
Гэта чысты, развіваючыся эксперымент па тое, як разумаванне, інструменты і памяць могу пераформатаваць працэс апрацоўкі якосці, а таксама нагадванне пра тое, што інжынерскія рашэнні яшчэ керуюць усім. Мета — не автаматызаваць усё, а автаматызаваць розумна.
Хорашая апрацоўка якосці яшчэ залежыць ад аналізу рызыка, стратэгіі тэставання, знанняў у паводзе, експлоратарскага тэставання, правільнага дызайну автаматызацыі, можлівасці назірання і людскага перагляду рэзультатаў. Агенты должны выступаць як болей акуратны партнер, а не замена для мышлення тэстэра.
Як выглядае структура рэпазітуара
Для тых, хто хочаць распізнаць структуру, гэта ўстройства прыкладнага праекта. Файлы basics являюцься базовымі элементамі, файл сцэнарыю прыменяе іх, файл селектара групавае і выбірае можлівасці, а файл памяці зберагае кантэкст.
AgenticAIAutoGen/
│
├── Framework/
├── basics1.py → basics6.py → progressive foundational examples
├── scenario1.py → applied automation scenario
├── selectorGroup.py → capability grouping/selection logic
├── web_surfer.py → web interaction experimentation
├── memory.json → agent memory/context storage
└── .gitignore
Усталяванне складаецца з Python, OpenAI Agents, інтэграцыі MCP, тэставання API, пераканання базы дадзеных і аўтаматызацыі прыгледчыка.
Каму гэта паводлівае
Эксперымент спрамованы да інжынераў з аўтаматызацыі контролю якосці і SDET-аў, керуючых якосцю, архітэктараў аўтаматызацыі тэстаў, інжынераў з аўтаматызацыі AI і менеджэраў інжынерных каманд, якія расследуюць можлівасці вікорыстання AI для контролю якосці.
Куды гэта можа развіцца
План развіцця ёсць амбіцыйным, таму што галера быстра развіваецца:
- рабочыя працэсы контролю якосці з удзелам калькі лічабых агентаў;
- болей розумнае стварэнне тэстаў, укладаючы ў сябе даныя для тэстаў;
- тэставання API за дапамогою AI;
- автонамная аўтаматызацыя тэстаў у прыгледчыку;
- агенты для пераканання базы дадзеных;
- автаматычны аналіз неудач і дыфектаў;
- інтэграцыя з CI/CD;
- падсумкі рэзультатаў тэстаў;
- полная оркестрацыя агентаў.
Нічыя з гэтых тэхналогій не заменяе фундаментальных прыемаў. Яны працуюць на адной паўазе з імі.
Вывад
Будучыня аўтаматызацыі перакантролю, верагатна, не ў тым, каб шырэй і быстрэй пісаць скрыпты. Яна ў тым, каб ствараць сістэмы, якія можаць:
- Разумець мету тэставання.
- Выбраць правы падход.
- Дзеяць з адпаведнымі інструментамі ў інтэрнэце, API і базе дадзенаў.
- Ацэніць рэзультат.
- Адаптавацца і падаць інжынерам корыстную інфармацыю.
Гэта ператварае аўтаматызацыю з чагосьць, што проста выкананае, у ўсё, што думае разам з вамі, і дае тэстэру розумнейшага інжынерскага партнера, а не замену яму.