#ProQuality_interview
Всем привет! С вами снова рубрика Scenario-based вопрос на собеседовании ✨
❓Вопрос: Вам необходимо автоматизировать тесты для часто меняющегося пользовательского интерфейса. Какова ваша стратегия?
🚦Пример ответа:
В сценариях, где пользовательский интерфейс часто меняется, автоматизация представляет собой сложную задачу. Однако мы можем добиться автоматизации, если сосредоточимся на следующих критериях:
✔️Старайтесь использовать стабильные локаторы (ID > XPath), которые не будут легко меняться.
✔️Реализуйте модель объектной страницы или шаблон воспроизведения экрана.
✔️Приоритизируйте автоматизацию на уровне API, чтобы минимизировать прямое влияние изменений пользовательского интерфейса.
✔️Поддерживайте абстракцию для локаторов пользовательского интерфейса.
✔️Избегайте автоматизации изменчивых областей пользовательского интерфейса; вместо этого тестируйте эти области вручную.
Всем привет! С вами снова рубрика Scenario-based вопрос на собеседовании ✨
❓Вопрос: Вам необходимо автоматизировать тесты для часто меняющегося пользовательского интерфейса. Какова ваша стратегия?
🚦Пример ответа:
В сценариях, где пользовательский интерфейс часто меняется, автоматизация представляет собой сложную задачу. Однако мы можем добиться автоматизации, если сосредоточимся на следующих критериях:
✔️Старайтесь использовать стабильные локаторы (ID > XPath), которые не будут легко меняться.
✔️Реализуйте модель объектной страницы или шаблон воспроизведения экрана.
✔️Приоритизируйте автоматизацию на уровне API, чтобы минимизировать прямое влияние изменений пользовательского интерфейса.
✔️Поддерживайте абстракцию для локаторов пользовательского интерфейса.
✔️Избегайте автоматизации изменчивых областей пользовательского интерфейса; вместо этого тестируйте эти области вручную.
🥰3
#proQuality_events #proQuality_Conference2026
🔎 День 4 — Rethinking How We Find Bugs
Сегодня поговорим о двух привычных подходах в тестировании:
▪️ достаточно ли структурированных тест-кейсов, чтобы находить действительно важные баги?
▪️ можно ли эффективно поддерживать большие automation suites по мере их роста?
Расписание на сегодня:
🧭 11:00 — Dzmitry Tarasenka & Vladyslav Babenko
Start Exploring Your App Today
Сотни документированных и хорошо поддерживаемых тест-кейсов — но важные баги всё равно находили способ остаться незамеченными.
Вместо того чтобы следовать готовым сценариям, команда решила использовать AI как со-исследователь и дать ему возможность исследовать приложение.
На сессии разберём, что изменилось, когда тестирование вышло за рамки заранее написанных инструкций.
🤖 12:00 — Rysard Poplavskij
Scaling E2E Test Automation with AI: How CodeMie and Claude Accelerate Test Development, Maintenance, and Analysis
Сложные зависимости между доменами, большие BDD-сюиты и растущие затраты на поддержку — знакомая ситуация для enterprise automation.
Поговорим о том, как CodeMie и Claude интегрировали в WebdriverIO-фреймворк, чтобы масштабировать создание сценариев, анализ дефектов и подготовку отчётности.
📆 Сегодня, онлайн
🕐 Время в программе — UTC+3
👉 Присоединяйтесь к ProQuality Conference ’26
Не пропустите четвёртый день конференции!
🔎 День 4 — Rethinking How We Find Bugs
Сегодня поговорим о двух привычных подходах в тестировании:
▪️ достаточно ли структурированных тест-кейсов, чтобы находить действительно важные баги?
▪️ можно ли эффективно поддерживать большие automation suites по мере их роста?
Расписание на сегодня:
🧭 11:00 — Dzmitry Tarasenka & Vladyslav Babenko
Start Exploring Your App Today
Сотни документированных и хорошо поддерживаемых тест-кейсов — но важные баги всё равно находили способ остаться незамеченными.
Вместо того чтобы следовать готовым сценариям, команда решила использовать AI как со-исследователь и дать ему возможность исследовать приложение.
На сессии разберём, что изменилось, когда тестирование вышло за рамки заранее написанных инструкций.
🤖 12:00 — Rysard Poplavskij
Scaling E2E Test Automation with AI: How CodeMie and Claude Accelerate Test Development, Maintenance, and Analysis
Сложные зависимости между доменами, большие BDD-сюиты и растущие затраты на поддержку — знакомая ситуация для enterprise automation.
Поговорим о том, как CodeMie и Claude интегрировали в WebdriverIO-фреймворк, чтобы масштабировать создание сценариев, анализ дефектов и подготовку отчётности.
📆 Сегодня, онлайн
🕐 Время в программе — UTC+3
👉 Присоединяйтесь к ProQuality Conference ’26
Не пропустите четвёртый день конференции!
❤1
#automationTesting
Когда пишешь код, который пойдет в продакшн, нужно быть уверенным, что он будет вести себя так, как задумано. Один из основных способов добиться этого — модульные тесты: небольшие автоматизированные проверки, подтверждающие, что определенные части кода работают правильно.
В новой статье автор расскажет о том, что покрытие тестами (statement, branch, path coverage) может вводить в заблуждение: даже 100% покрытие операторов не гарантирует качественной проверки логики, и даст практические рекомендации, как прагматично использовать эту метрику, не полагаясь на произвольные пороги.
Покрытие тестами и о чем оно может рассказать
Когда пишешь код, который пойдет в продакшн, нужно быть уверенным, что он будет вести себя так, как задумано. Один из основных способов добиться этого — модульные тесты: небольшие автоматизированные проверки, подтверждающие, что определенные части кода работают правильно.
В новой статье автор расскажет о том, что покрытие тестами (statement, branch, path coverage) может вводить в заблуждение: даже 100% покрытие операторов не гарантирует качественной проверки логики, и даст практические рекомендации, как прагматично использовать эту метрику, не полагаясь на произвольные пороги.
Покрытие тестами и о чем оно может рассказать
👍2
#proQuality_events #proQuality_Conference2026
🤖 День 5 — Testing AI Systems & Closing
Финальный день ProQuality Conference ’26 — о том, как тестировать AI-продукты и поддерживать их качество по мере изменения моделей и данных.
Расписание на сегодня:
🧪 11:00 — Oleksiy Slavutskyy & Anton Yehorov
Regression Testing for AI Solutions: A Data Drift-Aware Evaluation Approach
Модели меняются. Данные сдвигаются. Качество может постепенно снижаться.
На сессии разберём практический подход к регрессионному тестированию AI-решений: как выявлять data drift, оценивать изменения моделей и формировать критерии, которые помогают поддерживать AI-системы точными и готовыми к production.
💡 12:00 — Daniil Pavlov & Daria Cherepanova
Beyond Traditional QA: Testing AI-based Apps with Prompt Engineering
Как тестировать AI-приложения, когда обычного подхода к тест-кейсам уже недостаточно?
На примере двух production-проектов — приложения для анализа страховых документов и AI agent builder для клиницистов — разберём тестирование промптов, сравнение результатов с Golden Truth dataset и использование meta-prompting.
А ещё покажем, как сократить создание тестовых данных с нескольких дней примерно до часа.
📋 В конце сессии — чек-лист для вашего первого AI-проекта.
🎬 13:00 — Закрытие конференции
📆 Сегодня, онлайн
🕐 Время в программе — UTC+3
👉 Присоединяйтесь к ProQuality Conference ’26
Не пропустите финальный день конференции!
🤖 День 5 — Testing AI Systems & Closing
Финальный день ProQuality Conference ’26 — о том, как тестировать AI-продукты и поддерживать их качество по мере изменения моделей и данных.
Расписание на сегодня:
🧪 11:00 — Oleksiy Slavutskyy & Anton Yehorov
Regression Testing for AI Solutions: A Data Drift-Aware Evaluation Approach
Модели меняются. Данные сдвигаются. Качество может постепенно снижаться.
На сессии разберём практический подход к регрессионному тестированию AI-решений: как выявлять data drift, оценивать изменения моделей и формировать критерии, которые помогают поддерживать AI-системы точными и готовыми к production.
💡 12:00 — Daniil Pavlov & Daria Cherepanova
Beyond Traditional QA: Testing AI-based Apps with Prompt Engineering
Как тестировать AI-приложения, когда обычного подхода к тест-кейсам уже недостаточно?
На примере двух production-проектов — приложения для анализа страховых документов и AI agent builder для клиницистов — разберём тестирование промптов, сравнение результатов с Golden Truth dataset и использование meta-prompting.
А ещё покажем, как сократить создание тестовых данных с нескольких дней примерно до часа.
📋 В конце сессии — чек-лист для вашего первого AI-проекта.
🎬 13:00 — Закрытие конференции
📆 Сегодня, онлайн
🕐 Время в программе — UTC+3
👉 Присоединяйтесь к ProQuality Conference ’26
Не пропустите финальный день конференции!
👍1🔥1
#softwareTesting
«Нам нужно сделать регрессионное, функциональное и интеграционное тестирование» — а ты автоматизатор и уже задумываешься о том, что попал куда‑то не туда. Или же ты новичок, решивший пойти в тестировщики, смотришь вакансии и видишь, что этих видов тестирования чуть ли не сотня. Как же понять, что от тебя требуют и куда идти?
В статье автор расскажет о видах тестирования и их классификации по категориям: кто выполняет тесты (ручное и автоматизированное), что именно тестируется и какие характеристики проверяются.
Виды тестирования и с чем их есть
«Нам нужно сделать регрессионное, функциональное и интеграционное тестирование» — а ты автоматизатор и уже задумываешься о том, что попал куда‑то не туда. Или же ты новичок, решивший пойти в тестировщики, смотришь вакансии и видишь, что этих видов тестирования чуть ли не сотня. Как же понять, что от тебя требуют и куда идти?
В статье автор расскажет о видах тестирования и их классификации по категориям: кто выполняет тесты (ручное и автоматизированное), что именно тестируется и какие характеристики проверяются.
Виды тестирования и с чем их есть
👍1
#ProQuality_news
🤖 Тестирование в мире ИИ-агентов: почему наши привычные подходы больше не работают?
Всем привет! 👋 ИИ-агенты обесценили процесс написания автотестов: теперь сгенерировать сотню UI-сценариев за ночь ничего не стоит. Но когда создание тестов становится таким дешевым, главной проблемой становится доверие к ним.
В статье автор разбирает, почему практики, работавшие с 2012 по 2020 год, сейчас становятся опасными. Вот три главных инсайта:
1️⃣ Классический Code Coverage мертв
В эпоху ИИ метрики покрытия кода становятся мишенью для закона Гудхарта («когда мера становится целью, она перестает быть хорошей мерой»). Если замерять только пройденные строки кода, агент сгенерирует длинные тесты, которые кликают по всему приложению, но ничего не проверяют (слабые ассерты). Чтобы сделать дашборд зеленым, ИИ пойдет по пути наименьшего сопротивления: ослабит селекторы, увеличит таймауты или просто будет бесконечно перезапускать flaky-тесты (retry laundering).
✅ Выход: измерять прогресс в количестве автоматизированных критериев приемки (acceptance criteria), а не в пройденных строках.
2️⃣ Агенты «видят» только то, что говорит ваш DOM
Копировать логи упавшего теста в ChatGPT, чтобы получить фикс — это прошлый век (модели будут галлюцинировать). Современные инструменты вроде Playwright MCP дают агентам доступ к «живой» странице через дерево доступности (Accessibility Tree). Поэтому если ваши селекторы завязаны на CSS-классы или testid, агент их не поймет.
✅ Выход: селекторы должны опираться на семантику (роли и ARIA-лейблы). ARIA-размеченный интерфейс — залог того, что ИИ сможет сам прочитать страницу и «исцелить» тест.
3️⃣ Спецификации (BDD) — это новый контракт человека и ИИ
Если агент пишет и чинит код, что остается QA? Ответ — намерение (intent). Исполняемые спецификации (Gherkin/BDD), написанные понятным бизнесу языком, становятся идеальным интерфейсом общения с ИИ. Вы описываете ЧТО нужно проверить (Given/When/Then), а агент сам решает КАК.
✅ Выход: ревьюить нужно именно ассерты и спецификации на человеческом языке, потому что код скоро будут читать только другие агенты.
🔗 Testing in an Agentic World
💬 Как вам идея, что BDD (от которого многие так старательно уходили) снова становится суперактуальным, но теперь ради того, чтобы ставить задачи ИИ? Сталкивались ли вы уже с тем, что нейросети пишут красивые, но абсолютно бесполезные автотесты? Делитесь опытом в комментариях! 👇
🤖 Тестирование в мире ИИ-агентов: почему наши привычные подходы больше не работают?
Всем привет! 👋 ИИ-агенты обесценили процесс написания автотестов: теперь сгенерировать сотню UI-сценариев за ночь ничего не стоит. Но когда создание тестов становится таким дешевым, главной проблемой становится доверие к ним.
В статье автор разбирает, почему практики, работавшие с 2012 по 2020 год, сейчас становятся опасными. Вот три главных инсайта:
1️⃣ Классический Code Coverage мертв
В эпоху ИИ метрики покрытия кода становятся мишенью для закона Гудхарта («когда мера становится целью, она перестает быть хорошей мерой»). Если замерять только пройденные строки кода, агент сгенерирует длинные тесты, которые кликают по всему приложению, но ничего не проверяют (слабые ассерты). Чтобы сделать дашборд зеленым, ИИ пойдет по пути наименьшего сопротивления: ослабит селекторы, увеличит таймауты или просто будет бесконечно перезапускать flaky-тесты (retry laundering).
✅ Выход: измерять прогресс в количестве автоматизированных критериев приемки (acceptance criteria), а не в пройденных строках.
2️⃣ Агенты «видят» только то, что говорит ваш DOM
Копировать логи упавшего теста в ChatGPT, чтобы получить фикс — это прошлый век (модели будут галлюцинировать). Современные инструменты вроде Playwright MCP дают агентам доступ к «живой» странице через дерево доступности (Accessibility Tree). Поэтому если ваши селекторы завязаны на CSS-классы или testid, агент их не поймет.
✅ Выход: селекторы должны опираться на семантику (роли и ARIA-лейблы). ARIA-размеченный интерфейс — залог того, что ИИ сможет сам прочитать страницу и «исцелить» тест.
3️⃣ Спецификации (BDD) — это новый контракт человека и ИИ
Если агент пишет и чинит код, что остается QA? Ответ — намерение (intent). Исполняемые спецификации (Gherkin/BDD), написанные понятным бизнесу языком, становятся идеальным интерфейсом общения с ИИ. Вы описываете ЧТО нужно проверить (Given/When/Then), а агент сам решает КАК.
✅ Выход: ревьюить нужно именно ассерты и спецификации на человеческом языке, потому что код скоро будут читать только другие агенты.
🔗 Testing in an Agentic World
💬 Как вам идея, что BDD (от которого многие так старательно уходили) снова становится суперактуальным, но теперь ради того, чтобы ставить задачи ИИ? Сталкивались ли вы уже с тем, что нейросети пишут красивые, но абсолютно бесполезные автотесты? Делитесь опытом в комментариях! 👇
Medium
Testing in an Agentic World
Your agents will write, run, and repair your tests. Whether that helps or hurts depends on three choices most teams are making backwards…
❤2👍1
#proQuality_books #ai
📖 AI Prompt Engineering & AI Agents Bible (12 Books in 1) (2026)
Автор: Tomasz Dylik
Количество страниц: 333
Язык издания: Английский
Руководство из 12 частей для перехода от базового промтинга к построению AI-агентов и автоматизации без кода. Охватывает 7 областей промтинга (текст, визуал, аудио, видео, RAG, монетизация) и работу с Custom GPTs, n8n и Make.com.
Плюсы:
➕ Доступное изложение без избыточной технической сложности — подходит для новичков и не-программистов.
➕ Практические фреймворки CROFTC и A-CROFTC для создания точных структурированных запросов.
➕ Бонусный стек: сотни готовых промптов, шаблоны воркфлоу для n8n и чек-листы для внедрения.
➕ Фокус на реальной бизнес-ценности и практической окупаемости (ROI).
Минусы:
➖ Объём материала требует времени на последовательное освоение — не для беглого чтения.
➖ Глубина проработки отдельных тем ограничена форматом «12 в 1».
Для кого книга:
✔️ Для новичков и IT специалистов, осваивающих генеративный ИИ и промтинг.
✔️ Для предпринимателей и операционных специалистов, автоматизирующих бизнес-процессы.
✔️ Для маркетологов и преподавателей, ускоряющих рутинные задачи с помощью AI-агентов.
Об авторе:
Tomasz Dylik — эксперт по генеративному ИИ, специализирующийся на создании AI-агентов и автоматизации рабочих процессов без кода.
📖 AI Prompt Engineering & AI Agents Bible (12 Books in 1) (2026)
Автор: Tomasz Dylik
Количество страниц: 333
Язык издания: Английский
Руководство из 12 частей для перехода от базового промтинга к построению AI-агентов и автоматизации без кода. Охватывает 7 областей промтинга (текст, визуал, аудио, видео, RAG, монетизация) и работу с Custom GPTs, n8n и Make.com.
Плюсы:
➕ Доступное изложение без избыточной технической сложности — подходит для новичков и не-программистов.
➕ Практические фреймворки CROFTC и A-CROFTC для создания точных структурированных запросов.
➕ Бонусный стек: сотни готовых промптов, шаблоны воркфлоу для n8n и чек-листы для внедрения.
➕ Фокус на реальной бизнес-ценности и практической окупаемости (ROI).
Минусы:
➖ Объём материала требует времени на последовательное освоение — не для беглого чтения.
➖ Глубина проработки отдельных тем ограничена форматом «12 в 1».
Для кого книга:
✔️ Для новичков и IT специалистов, осваивающих генеративный ИИ и промтинг.
✔️ Для предпринимателей и операционных специалистов, автоматизирующих бизнес-процессы.
✔️ Для маркетологов и преподавателей, ускоряющих рутинные задачи с помощью AI-агентов.
Об авторе:
Tomasz Dylik — эксперт по генеративному ИИ, специализирующийся на создании AI-агентов и автоматизации рабочих процессов без кода.
❤4
#ProQuality_interview
🤖 Ищете способы прокачать навыки работы с ИИ в тестировании? Делимся с вами двумя отличными подборками!
Обе полны полезных инструментов, бесплатных курсов, статей в блогах и других ресурсов, которые помогут вам оставаться в тренде. Забирайте в сохранёнки:
1️⃣ Awesome AI Testing (GitHub)
Глобальный курируемый репозиторий, в котором собраны самые актуальные ИИ-инструменты, фреймворки и платформы для QA.
🔹 Что внутри?
🔹 Генерация тестов и Test Data: инструменты от EvoMaster до Qodo и CodiumAI.
🔹 Self-healing: библиотеки для «самоисцеляющихся» тестов, которые автоматически чинят сломанные локаторы (Healenium, CodeceptJS).
🔹 Тестирование через MCP (Model Context Protocol): решения вроде Playwright MCP и Chrome DevTools MCP, позволяющие ИИ-агентам напрямую управлять браузером.
🔹 Оценка ИИ (LLM-as-Judge): фреймворки для тестирования самих нейросетей, проверки галлюцинаций и безопасности.
👉 Все тулзы удобно промаркированы: легко отличить Open Source от платных коммерческих продуктов.
🔗 Ссылка на репозиторий awesome-ai-testing
2️⃣ AI Learning Plan for Testers
Пошаговый и практичный план обучения. Отличная точка входа для тех, кто хочет структурировать свои знания.
🔹 Что внутри?
🔹 Бесплатные курсы: расставлены в правильном порядке — от базового курса «Gen AI for Testers» до погружения в ИИ-агенты и автоматизацию.
🔹 Полезные сообщества: где искать единомышленников (например, AI Chapter от Ministry of Testing).
🔹 Навыки для агентов (Agent Skills): готовые наборы инструкций (например, Caveman или Ponytail), которые учат правильно ставить задачи ИИ, чтобы он не писал лишний код.
🔹 Чит-листы (Cheat Sheets): огромная база шаблонов по промпт-инжинирингу и фреймворкам выбора LLM.
🔗 AI Learning Plan for Testers
💬 А как вы развиваетесь в AI? Используете нейросети (Copilot, Claude, ChatGPT) в своих ежедневных QA-задачах? Какие курсы или инструменты можете посоветовать коллегам? Делитесь находками в комментариях! 👇
🤖 Ищете способы прокачать навыки работы с ИИ в тестировании? Делимся с вами двумя отличными подборками!
Обе полны полезных инструментов, бесплатных курсов, статей в блогах и других ресурсов, которые помогут вам оставаться в тренде. Забирайте в сохранёнки:
1️⃣ Awesome AI Testing (GitHub)
Глобальный курируемый репозиторий, в котором собраны самые актуальные ИИ-инструменты, фреймворки и платформы для QA.
🔹 Что внутри?
🔹 Генерация тестов и Test Data: инструменты от EvoMaster до Qodo и CodiumAI.
🔹 Self-healing: библиотеки для «самоисцеляющихся» тестов, которые автоматически чинят сломанные локаторы (Healenium, CodeceptJS).
🔹 Тестирование через MCP (Model Context Protocol): решения вроде Playwright MCP и Chrome DevTools MCP, позволяющие ИИ-агентам напрямую управлять браузером.
🔹 Оценка ИИ (LLM-as-Judge): фреймворки для тестирования самих нейросетей, проверки галлюцинаций и безопасности.
👉 Все тулзы удобно промаркированы: легко отличить Open Source от платных коммерческих продуктов.
🔗 Ссылка на репозиторий awesome-ai-testing
2️⃣ AI Learning Plan for Testers
Пошаговый и практичный план обучения. Отличная точка входа для тех, кто хочет структурировать свои знания.
🔹 Что внутри?
🔹 Бесплатные курсы: расставлены в правильном порядке — от базового курса «Gen AI for Testers» до погружения в ИИ-агенты и автоматизацию.
🔹 Полезные сообщества: где искать единомышленников (например, AI Chapter от Ministry of Testing).
🔹 Навыки для агентов (Agent Skills): готовые наборы инструкций (например, Caveman или Ponytail), которые учат правильно ставить задачи ИИ, чтобы он не писал лишний код.
🔹 Чит-листы (Cheat Sheets): огромная база шаблонов по промпт-инжинирингу и фреймворкам выбора LLM.
🔗 AI Learning Plan for Testers
💬 А как вы развиваетесь в AI? Используете нейросети (Copilot, Claude, ChatGPT) в своих ежедневных QA-задачах? Какие курсы или инструменты можете посоветовать коллегам? Делитесь находками в комментариях! 👇
GitHub
GitHub - tugkanboz/awesome-ai-testing: A curated list of AI-powered testing tools, frameworks, and resources for QA engineers.…
A curated list of AI-powered testing tools, frameworks, and resources for QA engineers. From test generation to self-healing automation, MCP-based testing, LLM evaluation, and more. - tugkanboz/awe...
❤1
#automationTesting #ai
100 упавших автотестов совсем не обязательно означают 100 разных проблем. Но если отправлять каждый результат в нейросеть независимо, легко получить именно 100 отдельных объяснений и оставить инженеру ручную работу по их разбору.
В материале автор на практическом примере покажет, зачем группировать падения до AI-анализа, как с этой задачей справляются современные RCA-подходы и чем здесь могут помочь возможности Allure Report. Полезный взгляд на AI в тестировании не со стороны промптов и моделей, а со стороны инфраструктуры и подготовки данных.
Группировка ошибок и анализ причин падений (RCA) с помощью ИИ
100 упавших автотестов совсем не обязательно означают 100 разных проблем. Но если отправлять каждый результат в нейросеть независимо, легко получить именно 100 отдельных объяснений и оставить инженеру ручную работу по их разбору.
В материале автор на практическом примере покажет, зачем группировать падения до AI-анализа, как с этой задачей справляются современные RCA-подходы и чем здесь могут помочь возможности Allure Report. Полезный взгляд на AI в тестировании не со стороны промптов и моделей, а со стороны инфраструктуры и подготовки данных.
Группировка ошибок и анализ причин падений (RCA) с помощью ИИ
👍3
#softwareTesting
Проблемы с тестированием часто начинаются ещё до того, как тестировщик получает задачу. Неполные требования, неявные допущения и размытые критерии приёмки быстро превращаются в вопросы, переделки и дефекты.
В статье автор разберёт 5 типичных ошибок при работе с требованиями и покажет, как мышление тестировщика помогает находить их ещё на этапе анализа. Отдельное внимание уделит раннему статическому тестированию, техникам тест-дизайна и проверке критериев приёмки на практическом примере.
5 ошибок аналитика, из-за которых требования не выдерживают тестирования
Проблемы с тестированием часто начинаются ещё до того, как тестировщик получает задачу. Неполные требования, неявные допущения и размытые критерии приёмки быстро превращаются в вопросы, переделки и дефекты.
В статье автор разберёт 5 типичных ошибок при работе с требованиями и покажет, как мышление тестировщика помогает находить их ещё на этапе анализа. Отдельное внимание уделит раннему статическому тестированию, техникам тест-дизайна и проверке критериев приёмки на практическом примере.
5 ошибок аналитика, из-за которых требования не выдерживают тестирования
👍4
#ProQuality_news
🚀 Spec-Driven Development (SDD): Возвращение к Waterfall или будущее тестирования в эпоху ИИ?
Всем привет! 👋 Сегодня обсудим горячий тренд, который может полностью перевернуть привычный нам STLC (Software Testing Life Cycle). В инженерном сообществе всё активнее обсуждают подход Spec-Driven Development (SDD) как ответ на засилье нейросетей.
На Medium недавно вышли две отличные статьи, которые заставляют задуматься о том, как изменится роль QA. Вот их главные мысли:
1️⃣ Хватит писать промпты, начните писать спецификации
В первой статье автор жестко критикует подход «vibe-coding» — когда инженеры хаотично закидывают ИИ промптами в надежде получить рабочие автотесты или код. Он утверждает, что SDD должен стать новым ядром тестирования.
Вместо Code-First подхода мы переходим к Spec-Anchored архитектуре:
🔹 Спецификации становятся исполняемыми (Executable Specifications).
🔹 На основе строгих спецификаций ИИ сам генерирует и код, и тесты.
🔹 Появляется автономное «самоисцеление» тестов (Autonomous Test Healing). Если продукт меняется, тесты чинятся сами, потому что они привязаны к спецификации, а не к хрупким локаторам в коде.
2️⃣ Новый Waterfall?
Автор второй статьи задается логичным вопросом: если мы снова пишем подробные требования до написания кода, не возвращаемся ли мы в эпоху неповоротливого Waterfall?
Его ответ — нет. Это скорее «Новый Agile-манифест для ИИ-агентов». Разница в том, что цикл итераций сохраняется, но человек теперь итерирует спецификации, а не код. Вы вносите правки в требования, а ИИ-агенты мгновенно переписывают реализацию.
🔥 Что это значит для QA?
Наш фокус смещается. Написание сложного кода для фреймворков постепенно берет на себя ИИ. Новой суперсилой тестировщика становится умение формулировать однозначные, логически безупречные и проверяемые спецификации, которые не допустят галлюцинаций у ИИ-агентов.
🔗 Stop Prompting and Start Specifying: SDD as the New Core of the STLC
🔗 Spec-Driven Development: The New Waterfall
💬 Готовы ли вы отложить IDE, перестать писать код руками и стать «инженерами спецификаций»? Или текущие ИИ-инструменты пока слишком глупы, чтобы доверить им весь STLC на основе одной лишь документации? Ждем ваших мыслей в комментариях! 👇
🚀 Spec-Driven Development (SDD): Возвращение к Waterfall или будущее тестирования в эпоху ИИ?
Всем привет! 👋 Сегодня обсудим горячий тренд, который может полностью перевернуть привычный нам STLC (Software Testing Life Cycle). В инженерном сообществе всё активнее обсуждают подход Spec-Driven Development (SDD) как ответ на засилье нейросетей.
На Medium недавно вышли две отличные статьи, которые заставляют задуматься о том, как изменится роль QA. Вот их главные мысли:
1️⃣ Хватит писать промпты, начните писать спецификации
В первой статье автор жестко критикует подход «vibe-coding» — когда инженеры хаотично закидывают ИИ промптами в надежде получить рабочие автотесты или код. Он утверждает, что SDD должен стать новым ядром тестирования.
Вместо Code-First подхода мы переходим к Spec-Anchored архитектуре:
🔹 Спецификации становятся исполняемыми (Executable Specifications).
🔹 На основе строгих спецификаций ИИ сам генерирует и код, и тесты.
🔹 Появляется автономное «самоисцеление» тестов (Autonomous Test Healing). Если продукт меняется, тесты чинятся сами, потому что они привязаны к спецификации, а не к хрупким локаторам в коде.
2️⃣ Новый Waterfall?
Автор второй статьи задается логичным вопросом: если мы снова пишем подробные требования до написания кода, не возвращаемся ли мы в эпоху неповоротливого Waterfall?
Его ответ — нет. Это скорее «Новый Agile-манифест для ИИ-агентов». Разница в том, что цикл итераций сохраняется, но человек теперь итерирует спецификации, а не код. Вы вносите правки в требования, а ИИ-агенты мгновенно переписывают реализацию.
🔥 Что это значит для QA?
Наш фокус смещается. Написание сложного кода для фреймворков постепенно берет на себя ИИ. Новой суперсилой тестировщика становится умение формулировать однозначные, логически безупречные и проверяемые спецификации, которые не допустят галлюцинаций у ИИ-агентов.
🔗 Stop Prompting and Start Specifying: SDD as the New Core of the STLC
🔗 Spec-Driven Development: The New Waterfall
💬 Готовы ли вы отложить IDE, перестать писать код руками и стать «инженерами спецификаций»? Или текущие ИИ-инструменты пока слишком глупы, чтобы доверить им весь STLC на основе одной лишь документации? Ждем ваших мыслей в комментариях! 👇
Medium
Stop Prompting and Start Specifying: SDD as the New Core of the STLC
Moving from Code-First to Spec-Anchored Architectures with Autonomous Test Healing and Multi-Agent Orchestration.
❤2
#proQuality_books #automationTesting
📖 Design Patterns: Elements of Reusable Object-Oriented Software (1994)
Авторы: Erich Gamma, Richard Helm, Ralph Johnson, John Vlissides
Количество страниц: 416
Язык издания: Английский
Фундаментальный каталог из 23 проверенных шаблонов проектирования для объектно-ориентированного ПО. Авторы систематизируют решения типичных архитектурных задач, помогая создавать гибкие и легко расширяемые приложения.
Плюсы:
➕ Глубокое понимание принципов ООП и мышления на уровне архитектора.
➕ Каждый паттерн разобран с точки зрения применимости, последствий и компромиссов.
➕ Стандартизированный словарь для обсуждения архитектурных решений в команде.
➕ Концепции актуальны спустя десятилетия в самых разных языках программирования.
Минусы:
➖ Сложна для новичков — требует хорошей предварительной подготовки.
➖ Примеры на устаревших языках и громоздкие диаграммы затрудняют восприятие.
➖ Предметные примеры в начале глав иногда заслоняют суть паттерна.
Для кого книга:
✔️ Для опытных разработчиков и тимлидов, выходящих на уровень системных архитекторов.
✔️ Для инженеров, стремящихся писать более гибкий и поддерживаемый код.
Об авторах:
Erich Gamma, Richard Helm, Ralph Johnson и John Vlissides — известны в сообществе как «Банда четырёх» (Gang of Four), ведущие эксперты в области ООП, внёсшие огромный вклад в развитие современной разработки ПО.
📖 Design Patterns: Elements of Reusable Object-Oriented Software (1994)
Авторы: Erich Gamma, Richard Helm, Ralph Johnson, John Vlissides
Количество страниц: 416
Язык издания: Английский
Фундаментальный каталог из 23 проверенных шаблонов проектирования для объектно-ориентированного ПО. Авторы систематизируют решения типичных архитектурных задач, помогая создавать гибкие и легко расширяемые приложения.
Плюсы:
➕ Глубокое понимание принципов ООП и мышления на уровне архитектора.
➕ Каждый паттерн разобран с точки зрения применимости, последствий и компромиссов.
➕ Стандартизированный словарь для обсуждения архитектурных решений в команде.
➕ Концепции актуальны спустя десятилетия в самых разных языках программирования.
Минусы:
➖ Сложна для новичков — требует хорошей предварительной подготовки.
➖ Примеры на устаревших языках и громоздкие диаграммы затрудняют восприятие.
➖ Предметные примеры в начале глав иногда заслоняют суть паттерна.
Для кого книга:
✔️ Для опытных разработчиков и тимлидов, выходящих на уровень системных архитекторов.
✔️ Для инженеров, стремящихся писать более гибкий и поддерживаемый код.
Об авторах:
Erich Gamma, Richard Helm, Ralph Johnson и John Vlissides — известны в сообществе как «Банда четырёх» (Gang of Four), ведущие эксперты в области ООП, внёсшие огромный вклад в развитие современной разработки ПО.
👍3❤2
#ProQuality_case
🚀 ИИ пишет код быстрее, но кто за это расплачивается? Спойлер: QA-инженеры
Всем привет! 👋 Вышел свежий отчет от DeviQA: «State of AI-Generated Code 2026: The QA and Testing Gap». В его основе — опрос более 300 QA-инженеров, SDET и тест-лидов. Исследование дает отрезвляющий взгляд на «реальный» рост продуктивности разработки с помощью ИИ, посмотрев на это не глазами программистов, а с нашей стороны — со стороны QA.
Вот главные цифры из отчета:
🤖 65% QA-инженеров работают в командах, где разработчики активно используют ИИ для написания кода.
📈 58% отмечают, что их рабочая нагрузка на тестирование возросла. При этом штат QA для компенсации никто не расширяет.
🐛 52% сообщают об увеличении количества багов после внедрения ИИ-тулзов (и только 2% видят их уменьшение).
📉 0 из 300 опрошенных тестировщиков поставили высший балл доверия коду, сгенерированному ИИ.
Интересный инсайт о «реальной продуктивности»: 💡
Отчет подчеркивает скрытую цену ИИ-генерации. Иллюзия скорости разработки разбивается об «узкое горлышко» проверок. Время на ревью пулл-реквестов (PR), написанных с помощью ИИ, выросло на 91%, и такие PR простаивают в ожидании проверки в 4.6 раза дольше. В итоге весь сэкономленный разработчиками ресурс просто перетекает вниз по конвейеру — в долгий код-ревью и масштабное регрессионное тестирование.
Какие баги ИИ генерирует чаще всего?
1️⃣ Логические ошибки (58%)
2️⃣ Необработанные корнер-кейсы и граничные условия (52%)
3️⃣ Дублирование кода (42%)
4️⃣ Несоответствие изначальным требованиям (42%)
🔗 State of AI-Generated Code 2026: The QA and Testing Gap
💬 А как обстоят дела на ваших проектах? Ощутили ли вы на себе последствия того, что разработчики стали использовать Copilot/ChatGPT? Стало ли больше «глупых» багов в логике, или наоборот — код стал чище? Делитесь болью (или радостью)! 👇
🚀 ИИ пишет код быстрее, но кто за это расплачивается? Спойлер: QA-инженеры
Всем привет! 👋 Вышел свежий отчет от DeviQA: «State of AI-Generated Code 2026: The QA and Testing Gap». В его основе — опрос более 300 QA-инженеров, SDET и тест-лидов. Исследование дает отрезвляющий взгляд на «реальный» рост продуктивности разработки с помощью ИИ, посмотрев на это не глазами программистов, а с нашей стороны — со стороны QA.
Вот главные цифры из отчета:
🤖 65% QA-инженеров работают в командах, где разработчики активно используют ИИ для написания кода.
📈 58% отмечают, что их рабочая нагрузка на тестирование возросла. При этом штат QA для компенсации никто не расширяет.
🐛 52% сообщают об увеличении количества багов после внедрения ИИ-тулзов (и только 2% видят их уменьшение).
📉 0 из 300 опрошенных тестировщиков поставили высший балл доверия коду, сгенерированному ИИ.
Интересный инсайт о «реальной продуктивности»: 💡
Отчет подчеркивает скрытую цену ИИ-генерации. Иллюзия скорости разработки разбивается об «узкое горлышко» проверок. Время на ревью пулл-реквестов (PR), написанных с помощью ИИ, выросло на 91%, и такие PR простаивают в ожидании проверки в 4.6 раза дольше. В итоге весь сэкономленный разработчиками ресурс просто перетекает вниз по конвейеру — в долгий код-ревью и масштабное регрессионное тестирование.
Какие баги ИИ генерирует чаще всего?
1️⃣ Логические ошибки (58%)
2️⃣ Необработанные корнер-кейсы и граничные условия (52%)
3️⃣ Дублирование кода (42%)
4️⃣ Несоответствие изначальным требованиям (42%)
🔗 State of AI-Generated Code 2026: The QA and Testing Gap
💬 А как обстоят дела на ваших проектах? Ощутили ли вы на себе последствия того, что разработчики стали использовать Copilot/ChatGPT? Стало ли больше «глупых» багов в логике, или наоборот — код стал чище? Делитесь болью (или радостью)! 👇
DeviQA
State of AI-Generated Code 2026: The QA and Testing Gap - DeviQA
New DeviQA report of 300 QA engineers reveals the hidden cost of AI-generated code: rising bug volume, growing test workload, and zero full-trust ratings. Get the data.
👍3❤1