Strona główna / Artykuły

Od skryptów do celów: sztuczna inteligencja typu agenty do testowania w sieci, API i bazie danych.

AI agentowe do testowania jakości: automatyzacja testów, która ma cel zamiast kroków, wykorzystująca agenty do obsługi sieci, API i bazy danych, MCP jako łącznik, pamięć oraz jej uczciwe ograniczenia.

Wydawca: REACTAPP.TOP6 min czytania1429 słów

Źródła: The Day My Test Scripts Stopped Listening — And My Agents Started Thinking : —

Co się zmienia, gdy automatyzacja testów przestaje otrzymywać instrukcje, które przyciski nacisnąć, a zamiast tego dostaje informacje o docelowym wyniku? To pytanie napędza małe eksperymenty open-source z wykorzystaniem sztucznej inteligencji typu agencji w inżynierii jakości, a ten tekst opisuje, czego dąży do osiągnięcia eksperyment, gdzie jest pomocny, a gdzie nie.

Znany wtorek

Uruchamiamy zestaw testów regresyjnych i pojawiają się zielone znaki potwierdzenia. Wszyscy się uspokajają, ale mimo to błąd trafia do produktu, ponieważ skrypt potrafił wykonać tylko dokładnie to, co mu polecono, i to w dokładnej kolejności.

Trwałe pytanie brzmi, czy automatyzacja mogłaby myśleć zamiast po prostu powtarzać zadania. Nikt tu nie obiecuje cudów. Chodzi o to, by sprawdzić, czy agenci AI mogą uzupełniać osąd testerów, nie udając, że mogą go zastąpić.

Automatyzacja oparta na skryptach i automatyzacja ukierunkowana na cele

Większość obecnych zestawów testowych opiera się na jednym łańcuchu: przypadek testowy, skrypt, wykonanie, weryfikacja, raport. Jest to podejście deterministyczne, przewidywalne i bezpieczne. Jest jednak również sztywne, kruche i niezdolne do obsługi czegokolwiek, czego skrypt nie wymienia. Zestaw testowy oparty na skrypcie przypomina pociąg na stałej torze: szybki i niezawodny, dopóki tor się nie poruszy.

Wersja oparta na agentach odwraca tę strukturę:

  • Przekazuj agentowi cel testowania zamiast sztywnego skryptu.
  • Pozwól mu samodzielnie ustalić, co musi się wydarzyć.
  • Pozwól mu wybrać narzędzia (przeglądarkę, klient API, bazę danych) w zależności od kontekstu.
  • Pozwól mu obserwować wyniki i dostosować swoje dalsze działania.
  • Pozwól mu zweryfikować wyniki i przygotować raport.

W ten sposób zamiast „wykonaj te z góry określone kroki” mówimy „oto cel, znajdź sposób, by go osiągnąć”. To raczej zmiana sposobu myślenia niż zmiana narzędzi.

Dlaczego QA jest odpowiednie

Współczesne oprogramowanie rzadko funkcjonuje w jednej warstwie. Jeden błąd może występować zarówno w interfejsie użytkownika, API, jak i bazie danych i pojawi się dopiero wtedy, gdy sprawdzi się je wszystkie razem. Od testerów oczekuje się coraz częściej myślenia jak inżynierów systemów, a pytanie przesunęło się z „czy przycisk działa” na „czy cały system rozproszony zachowuje się w rzeczywistych warunkach”.

Załóżmy, że jeden agent mógłby koordynować działania pomiędzy tymi warstwami wokół jednego celu, zamiast trzech niepowiązanych zestawów. Projekt dzieli się na:

  • Agent sieciowy, który steruje przeglądarką.
  • Agent API, który wysyła żądania i analizuje odpowiedzi.
  • Agent bazodanowy, który sprawdza dane w tle.
  • Warstwa rozumowania, która planuje i decyduje, który agent należy wezwać i kiedy.
  • Warstwa walidacji, która łączy wszystko w jeden możliwy do podjęcia działania wynik.

Zamiast trzech raportów, które człowiek musi mentalnie połączyć, otrzymuje się jedną spójną decyzję.

Szkic architektury

Przedstawiony poniżej schemat jest celowo w fazie rozwoju. Jest to żywy eksperyment, a nie gotowa struktura, a prawdziwy postęp inżynieryjny rzadko przychodzi w pełni ukształtowany.

User / Goal
     ↓
Agentic AI Layer (Reasoning + Planning)
     ↓
   ┌──────────┬──────────┬──────────┐
   │ Web Agent│ API Agent│ DB Agent │
   └──────────┴──────────┴──────────┘
     ↓            ↓            ↓
  Browser       APIs       Database
     ↓            ↓            ↓
        Validation / Result

MCP jako tkanka łączna

Model Context Protocol, MCP, to element tego obszaru, który warto dokładniej przyjrzeć. Można go traktować jako standardowy złącze między agentami a rzeczywistymi funkcjami, dzięki czemu agent nie tylko opisuje, co zamierza zrobić, ale faktycznie to wykonuje.

Dla testowania otwiera to możliwości takie jak:

  • łączenie agentów z prawdziwymi narzędziami testowymi;
  • strukturyzowana interakcja z przeglądarką;
  • bezpośrednie operacje API;
  • dostęp do bazy danych bez konieczności tworzenia nowych, specjalnych rozwiązań za każdym razem;
  • persistentna pamięć i kontekst;
  • powtarzalnie używane biblioteki narzędzi automatyzacji.

Proces polega na: zrozumieniu celu, wyborze odpowiedniej funkcji, użyciu narzędzia, obserwacji rezultatu i podjęciu decyzji o kolejnym kroku. Różni się to znacznie od podejścia „krok pierwszy, krok drugi, krok trzeci”.

Testowanie API jako funkcja

Testowanie API nie zniknie, ale jego forma się zmienia. Zamiast statycznej kolekcji w Postman, która wiecznie wykonywałaby identyczne sprawdzenia, agent mógłby:

  • wyśłać żądania opracowane na podstawie określonego celu;
  • ocenić odpowiedź w kontekście, a nie tylko na podstawie kodów stanu;
  • stworzyć nowe scenariusze w trakcie działania;
  • współpracować z innymi agentami, gdy awaria wymaga dogłębnego zbadania różnych warstw.
Testing Objective → API Agent → Send Request → Analyze Response
        → Validate Result → Pass Result to Workflow

To jest testowanie API, które bierze pod uwagę to, co sprawdza, a nie tylko to, czy liczby się zgadzają.

Agenty bazy danych zasługują na większe uznanie

Każdy SDET zna tę historię. Interfejs pokazuje potwierdzenie sukcesu, API zwraca 200 OK, ale wiersz w bazie danych nigdy nie zostaje zapisany. Nic tego nie zasygnalizuje, chyba że ktoś spojrzy bezpośrednio na dane.

Agent z wiedzą o bazie danych może automatycznie wyszukiwać i weryfikować dane testowe, sprawdzać backend bez konieczności co raz pisania surowego SQL przez człowieka, wspierać testy oparte na danych i międzysystemowe, a także wykrywać błędy występujące pomiędzy poszczególnymi warstwami.

UI → API → Business Logic → Database

Błąd może się pojawić dopiero wtedy, gdy wszystkie cztery warstwy zostaną zweryfikowane razem, i to właśnie wtedy koordynowani agenci odgrywają kluczową rolę.

Przeglądarka jako jeden z narzędzi wśród wielu

Przykładowy projekt zawiera skrypt web_surfer.py, który pokazuje, jak agent funkcjonuje w rzeczywistym środowisku internetowym, nie jako samodzielny skrypt, lecz jako jedna z funkcji w całości.

Testing Goal → Agent → Web Interaction → Observation
     → Decision → Validation

Przeglądarka przestaje być całym testem. Staje się narzędziem, do którego odwołuje się agent, gdy tego wymaga cel.

Dodanie pamięci automatyzacji

Większość systemów automatyzacji ma krótką pamięć, więc każdy przebieg rozpoczyna się od zera. Aby temu zaradzić, projekt przechowuje mały plik memory.json. Zawiera on wcześniejsze działania, stan procesu, kontekst testu, istotne obserwacje oraz poprzednie wyniki.

Test Objective → Current Context → Previous Actions
     → Agent Decision → New Action → Updated Context

Automatyzacja uwzględniająca kontekst nie podchodzi do systemu jak obca osoba przy każdym uruchomieniu. Tworzy pamięć roboczą, co jest bliższe sposobowi działania doświadczonego testera.

Czym to nie jest

Zmęczenie hitem związanym z sztuczną inteligencją jest rzeczywiste, więc trochę jasności pomoże:

  • To nie jest „sztuczna inteligencja zastępuje testerów”.
  • To nie jest bot do testowania typu „wpij i działaj”.
  • To jeszcze nie jest framework klasy produkcyjnej.

To uczciwy, rozwijający się eksperyment nad tym, w jaki sposób rozumowanie, narzędzia i pamięć mogą przekształcić proces QA, a także przypomnienie, że to osąd inżynierów nadal kieruje procesem. Celem nie jest automatyzacja wszystkiego, lecz inteligentna automatyzacja.

Dobre QA nadal polega na analizie ryzyka, strategii testowania, wiedzy z danej dziedziny, testowaniu eksploracyjnym, solidnym projektowaniu automatyzacji, możliwościach obserwacji oraz ludzkiej weryfikacji wyników. Agenci powinni pełnić rolę lepszego partnera, a nie zamiennika myślenia testera.

Jak wygląda struktura repozytorium

Dla wszystkich, którzy chcą się zagłębić, oto struktura przykładowego projektu. Pliki basics stanowią podstawy, plik scenariusza je stosuje, plik selektorów grupuje i wybiera możliwości, a plik pamięci przechowuje kontekst.

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

Stack składa się z Pythona wraz z OpenAI Agents, integracją MCP, testowaniem API, walidacją bazy danych oraz automatyzacją przeglądarki.

Kto odniesie korzyść

Eksperyment jest skierowany do inżynierów automatyzacji QA i SDETów, kierowników ds. jakości, architektów automatyzacji testów, inżynierów automatyzacji AI oraz menedżerów inżynieryjnych rozważających wykorzystanie AI w procesach QA.

Gdzie może to doprowadzić

Plan rozwoju jest ambitny, ponieważ ten obszar rozwija się szybko:

  • przepływy pracy QA z udziałem wielu agentów;
  • mądrzejsza generacja testów, w tym danych testowych;
  • testowanie API z wykorzystaniem AI;
  • autonomiczne testowanie przeglądarki;
  • agenty do walidacji bazy danych;
  • automatyczna analiza błędów i wad;
  • integracja z CI/CD;
  • streszczenia wyników testów;
  • pełna orkiestracja agentów.

Żadna z tych funkcji nie zastępuje podstaw. Działa na ich bazie.

Główny wniosek

Przyszłość automatyzacji testowania prawdopodobnie nie polega na szybszym pisaniu większej liczby skryptów. Chodzi o tworzenie systemów, które potrafią:

  1. Zrozumieć cel testowania.
  2. Wyznaczyć odpowiedni sposób postępowania.
  3. Działać przy użyciu odpowiednich narzędzi w środowisku internetowym, API oraz bazie danych.
  4. Oceńć wynik.
  5. Przystosować się i przekazać inżynierom przydatne informacje.

To przekształca automatyzację z czegoś, co jedynie wykonywa polecenia, w coś, co myśli razem z użytkownikiem, dając testerowi inteligentniejszego partnera inżynieryjnego zamiast zamiennika.

Podobne materiały