Радар 2 мин чтения

Сбер показал, как подключает AI к автотестам

Сбер описал централизованное тестирование на Perfeccionista-framework с RAG и MCP-сервером для работы с LLM.

Зачем тебе Если автотесты разъехались по командам, смотри на кейс Сбера: AI стоит подключать к единому фреймворку, а не к каждому тесту отдельно.
Первоисточник Sber Tech Blog

Сбер рассказал, как развивает централизованное автоматизированное тестирование на базе Perfeccionista-framework. К нему подключили RAG и MCP-сервер для работы с LLM. RAG - это подход, где модель отвечает с опорой на внешние данные, а MCP помогает подключать инструменты.

Зачем тебе

Если автотесты в компании живут в разных фреймворках и командах, AI лучше подключать не точечно, а через общий слой. Иначе модель будет ускорять каждый отдельный хаос, но не даст управляемости.

Что произошло

В статье Сбер описывает внутренний подход к автоматизированному тестированию нового поколения. Проблема начинается с зоопарка фреймворков: разные команды пишут тесты по-разному, поддержка усложняется, а общий эффект падает.

Решение строят вокруг централизованного фреймворка, к которому добавляют RAG и MCP-сервер. Идея в том, чтобы языковые модели могли понимать контекст тестов и работать с инструментами, а не просто генерировать текст.

Почему важно

AI в тестировании часто продают как “модель напишет тесты”. В реальности польза появляется там, где уже есть единый процесс: понятные фреймворки, данные, правила запуска и ответственность за результат.

Кейс Сбера полезен как напоминание: перед AI-надстройкой нужно привести в порядок основу. Иначе автоматизация станет еще одним слоем разрозненных инструментов.

Кому полезно

  • QA-командам в компаниях с несколькими продуктами;
  • разработчикам, которые поддерживают автотесты рядом с кодом;
  • руководителям разработки, у которых много фреймворков и мало общей картины;
  • платформенным командам, отвечающим за внутренние инструменты.

Что проверить

  • сколько фреймворков тестирования реально используется в компании;
  • есть ли общий слой запуска, отчетов и правил;
  • какие данные нужны модели, чтобы понимать контекст теста;
  • где AI может помогать безопасно: анализ ошибок, генерация черновиков, поиск похожих кейсов.

Ограничения

AI не исправит тестовую стратегию сам. Если нет владельца фреймворка, правил качества и понятной ответственности, подключение LLM даст красивые демо, но не уменьшит боль поддержки.

Первоисточник

Сбер на Habr: Автоматизированное тестирование нового поколения: как ИИ меняет жизнь тестировщика.