За 2 недели разработали ИИ-агента для генерации автотестов и написали 200+ e2e-сценариев без QA
Контекст
Liga GPT — продукт с активным развитием функциональности и большим количеством пользовательских сценариев, включая ИИ-интеграции, что дополнительно усложняло задачу стабильного тестирования.
На проекте Liga GPT возникла типичная проблема быстрого релизного цикла: при высокой скорости разработки ручное тестирование стало узким местом. Проверка функциональности занимала значительное время, увеличивала когнитивную нагрузку на разработчиков и не гарантировала своевременного выявления ошибок — часть из них обнаруживалась уже на поздних этапах перед продакшеном.
Задача
Автоматизировать проверку ключевых пользовательских сценариев с помощью ИИ-подхода, максимально приблизив ее к реальному поведению пользователя и сократить объем ручного тестирования без выделенного QA.
Столкнулись с похожей задачей? Поможем решить.
Трудности
- Отсутствие в команде выделенного тестировщика при необходимости быстрого наращивания тестового покрытия;
- Необходимость тестировать систему целиком (UI, backend и LLM-интеграции), а не изолированные компоненты;
- Ограничения подхода с моками, не позволяющие воспроизводить реальные пользовательские сценарии;
- Нестабильность e2e-тестов при отсутствии подготовленных селекторов и контролируемого окружения;
- Ограниченная эффективность автоматического дебага (healer) в сложных сценариях.
Результаты
- Разработали ИИ-агента для генерации e2e-тестов на базе связки planner → generator → healer с оркестрацией через Windsurf;
- Реализовали более 200 e2e-тестов, покрывших большую часть ключевых пользовательских флоу;
- Отказались от тестирования на моках в пользу полноценных e2e-сценариев с реальными интеграциями (UI, backend, LLM);
- Выстроили конвейер генерации тестов: от формирования тест-плана до автогенерации кода и последующего дебага;
- Обеспечили стабильность тестов за счет внедрения data-testid и оптимизации селекторов;
- Разделили режимы выполнения: headless — для регулярных прогонов, UI mode — для диагностики;
- Ускорили написание тестов примерно на 30% за счет агентного подхода и автоматизации повторяющихся сценариев;
- Снизили объем ручного регрессионного тестирования (существеннее по сравнению с предыдущим процессом);
- Выявили часть дефектов на этапе написания тестов, до выхода в продакшен;
- Сократили потребность в отдельных интеграционных тестах за счет покрытия сценариев на уровне end-to-end.
Планируется интеграция e2e-тестов в CI как обязательного quality gate, расширение покрытия за счет негативных сценариев и формирование устойчивой регрессионной модели, позволяющей поддерживать релизы без выделенного QA.
Отзыв клиента
Елена Гонзина
Директор Департамента по управлению клиентскими рисками Лиги Ставок
Заинтересовало?
Оставьте контакты, чтобы обсудить решение вашей задачи
Проект
15+ лет
на рынке
№3
в Национальном рейтинге букмекеров
