🔻 Кстати, о числах Фибоначчи
Механика их использования крайне популярна в scrum-методологих именно ввиду своей логики: если дана крупная задача, то выдвигается гипотеза о количестве способов её подразделения для уменьшения сложности в реализации.
Видим значение 13 и строим предположение о вариантах разделения этого числа на меньшие обозначения: 8 + 5.
Или 2 + 3 + 3 + 5.
И так далее.

📱 AI
👩‍💻 SUGGEST REFACTORINGS

Интересная функциональность AI-ассистента для самопроверки и случаев, когда кажется, что место ошибки найдено, а сама ошибка - нет.

Логика работы с предложенным рефакторингам единообразна:
🟢Если результат соответствует ожиданиям - принимаем
🚫Если нет - редактируем или отменяем результат

Итак, ключевые темы 2025 года

🟠AI, LLM и автоматизация QA:

- «Собеседование QA под нейросетью: когда ИИ говорит „Да“» (Сбер)

- «AI-генерация тестовых данных. От DataFaker к AI-агентам» (Сбер)

- «Взлом AI-агентов: прикладная инструкция к уязвимостям LLM и тулов» (AMA и Т-Банк)

- «Автогенерация тестов в IDE: как RAG + LLM превращают ручные сценарии в код» (Сбер)

- «Переход от автоматизации к роботизации: эволюция QA» (Т-Банк и Explyt)

➡️ Заметен восходящий тренд на активное внедрение LLM и AI-агентов во все этапы тестирования.

🟠Практическая автоматизация и инструменты

- «Test Impact Analysis» (Ozon Банк)

- «Тест-кейсы как код» (Ozon Банк)

- «Appium-тесты на ARM» (Okko, Exness)

- «Postman → Hoppscotch» (Koronatech, Tempo)

- «Broken access control через уязвимости бизнес-логики» (ATI SU, Т-Банк)

- «Debug Once, Test Forever» (Explyt, Контур)

- «Как замокать весь МИР» (Ozon Банк)

➡️ Переход от ручных QA-практик к инфраструктурной автоматизации, включая моки, анализ влияния тестов и кодогенерацию.

🟠Мобильное и веб-тестирование

- «Автотесты мобильных приложений 360» (Ozon)

- «Почему ваш сайт ломается, когда его трогают пальцем» (Selectel, Ozon Банк)

- «От „кажется, медленно“ до точных метрик: объективная оценка производительности фронтенда» (2GIS, Т-Банк)

- «Браузерные инструменты: пишем своё расширение» (2ГИС, SM Lab)

- «Прогрессивные веб-приложения и их автотесты» (Ozon Банк, Dodo Engineering)

➡️ На первый план выходит user-experience и перфоманс-тестирование в мобильных и веб-средах.

🟠DevOps и нагрузка

- «Нагрузочное тестирование enterprise NGFW с Cisco TRex» (InfoWatch, Т-Банк)

- «Env-тесты: как упростить жизнь разработчикам и тестировщикам» (РСХБ.цифра, Контур)

- «Как успеть протестировать устройство, пока оно едет по конвейеру» (Яндекс, Гранч)

- «Миграция тестов в Linux» (Сбер, Монитор Электрик)

➡️ В этой секции разбирается тестирование в производственных условиях, нагрузка на уровне железа и инфраструктуры.

🟠Тестирование в нестандартных областях:

- «Тестирование с заботой» (Effective, Tempo)

- «Как разрабатываются и тестируются новые лекарства» (BIOCAD)

- «Матерюсь — значит, существую» (Афонина, JUG Ru Group)

➡️ Наблюдается тренд на гуманитарные исследования.

Немного обобщенных наблюдений:

Много докладов от Ozon Банка, Сбера и Т-Банка ➡️ три крупных представителя QA-экспертизы в РФ.

Explyt, Tempo, Контур участвуют в почти каждом втором слоте ➡️ менее крупные игроки начинают активно заявлять о себе.

Любопытно, что Яндекс практически не представлен. Возможно, из-за самописности.

Присутствуют AI-технологии во всех треках: от тест-кейсов до пост-анализа ➡️ набирает ход многосторонний поиск применения искусственного интеллекта. Однако повторяемость участников в этих дисциплинах намекает на высокие потребности в мощностях.

Итоги Heisenbug 2025 Autumn:

🟠🟠🟠QA превращается в R&D-дисциплину

🟠🟠🟠Тестирование становится данными, кодом и частью pipeline-а

🟠🟠🟠В фокусе - автоматизация через AI и сценарное мышление

🟠🟠🟠Новая реальность рынка занятости: адаптация к еще более узкой воронке требований

📌СОБЕСЕДОВАНИЕ:

Продолжаем разговор об исключениях

⚫️Раздел: Обработка исключений и ассерты
⚫️Вопрос: throw и try-catch

↪️ throw
Помимо использования стандартных библиотек для генерирования исключений, мы также можем самостоятельно создавать исключения явным образом, используя оператор throw.

Рассмотрим обработку исключения на примере класса NoSuchElementException

fun filterPets(petList: List<GetPetResponse>, petId: Long): GetPetResponse {
    return petList.find {
        it.id == petId
    } ?: throw NoSuchElementException("Питомец с $petId отсутствует")
}

🔽При отсутствии передаваемого petId в списке petList исполнение функции будет прервано на исключение NoSuchElementException("Питомец с $petId отсутствует”)

↪️ Чтобы такого прерывания не происходило, следует использовать try-catch обертки

fun filterPets(petList: List<GetPetResponse>, petId: Long): GetPetResponse? {
    return try {
        petList.find {
            it.id == petId
        } ?: throw NoSuchElementException("Питомец с $petId отсутствует")
    } catch (e: Exception) {
        println("Неожиданная ошибка при поиске питомца: ${e.message}")
        null
    }
}

🔽При такой обработке исполнение не будет прервано исключением и продолжится далее, отслеживая иные ошибки, если они будут.

⚡️ Не стоит использовать обертки try-catch повсеместно, тк за ними могут скрываться более серьезные ошибки.

🖥 Новая задача Merge Sorted Array

ОПИСАНИЕ:

Вам даны два массива целых чисел nums1 и nums2, отсортированные в порядке убывания, и два целых числа m и n, представляющие количество элементов в nums1 и nums2 соответственно.

Объедините nums1 и nums2 в один массив, отсортированный в порядке убывания.

Конечный отсортированный массив не должен возвращаться функцией, а должен храниться внутри массива nums1. Для этого nums1 имеет длину m + n, где первые m элементов обозначают элементы, которые должны быть объединены, а последние n элементов установлены в 0 и должны быть проигнорированы. nums2 имеет длину n.

ПРИМЕРЫ 🔽:

Input: nums1 = [1,2,3,0,0,0], m = 3, nums2 = [2,5,6], n = 3
Output: [1,2,2,3,5,6]
Explanation: The arrays we are merging are [1,2,3] and [2,5,6].
The result of the merge is [1,2,2,3,5,6] with the underlined elements coming from nums1.

Input: nums1 = [1], m = 1, nums2 = [], n = 0
Output: [1]
Explanation: The arrays we are merging are [1] and [].
The result of the merge is [1].

Input: nums1 = [0], m = 0, nums2 = [1], n = 1
Output: [1]
Explanation: The arrays we are merging are [] and [1].
The result of the merge is [1].
Note that because m = 0, there are no elements in nums1. The 0 is only there to ensure the merge result can fit in nums1.

В прошлом месяце OpenAI📱 представили свою новую разработку - браузер со встроенным AI - ChatGPT Atlas.

Больше не требуется копировать-вставлять информацию из одного места в другое для последующего анализа - теперь можно получить обработанные данные “на месте”.

Давайте посмотрим, что же заявлено в анонсе.

В первом приближении реализовано несколько функциональностей:

🔺Open a tab

Новая вкладка — это ваша отправная точка в Atlas. Задайте вопрос или введите URL-адрес, чтобы увидеть более быстрые и полезные результаты в одном месте.

Здесь ничего революционно нового: умный поиск. Такое уже умеют браузеры-конкуренты, однако любопытно посмотреть, как с аналогичными задачами будет справляться помощник с более широким персонализированным контекстом “под капотом”.

Вижу здесь риск только в моменте самоограничения выдачи рамками уже имеющегося индивидуального контекста, собранного из весов (доводов) модели о пользователе.

🔺Ask ChatGPT

Нажмите «Спросить ChatGPT», чтобы открыть боковую панель ChatGPT на любой странице и обобщить, объяснить или выполнить задачи прямо в вашем окне. ChatGPT может видеть детали страницы, на которой вы находитесь, поэтому ответы более полезны и всегда имеют правильный контекст.

Одно из основных отличий от конкурентов ПОКА - возможность получения комментариев по всему материалу страницы “на месте”.
Больше не нужно копировать-вставлять информацию в отдельный чат целиком для “обучения” модели контексту. Теперь, обрабатывая входной запрос, модель уже будет иметь все необходимые предварительные данные.

Основную пользу в текущей области знаний вижу в возможности анализа и составления базового тест-сьюта проверок для выделенного фрагмента бизнес- или системных требований. А так же для проверки возможностей ревью веб мр-ов «из коробки» с вопросом, будет ли в таком случае у модели иметься доступ к данным всего проекта.
То есть будет ли возможность схлопнуть так же потребности в использовании сторонних помощников для анализа и и ревью кода от самих сервисов по типу github.

🔺Use cursor

ChatGPT также может помочь вам при написании текста в любом открытом текстовом поле, предлагая встроенные правки и предложения.

То же избавление пользователей от лишних телодвижений - возможность внесения правок в любые текстовые поля “на месте”.

Если не касаться примитичной рутины, то, прикрепив к чату/каналу/письму, к примеру, файл с описанием требований к тому или иному функционалу, можно получить развернутое представление о работе такого функционала для массового или точечного информирования. Удобно для коммуникация с коллегами из смежных продуктов, команд.
Туда же правки по ревью, сценариям и пр.

🔺Personalized suggestions

ChatGPT может запоминать, что вы изучали, и предлагать, что делать дальше: вернуться к предыдущим страницам, углубиться в тему, найти связанные идеи или автоматизировать рутинные задачи.

В целом, многие браузеры уже предлагают возможности персонализации, однако любопытно посмотреть, как подобного рода рекомендации будут работать с данными, предоставленными на основании не только пользовательских сессий, но и всех данных, имеющихся у модели

И поскольку область - смежная с умным поиском, то и риски подразумеваются те же.

Наибольший интерес вызывает новый Agent Mode уже внутри ChatGPT Atlas.

Что это такое:
Браузеры-конкуренты достаточно давно научились встраивать аналогичных агентов-помощников прямо в результаты выдачи, когда, помимо ссылок под запросом, можно получить сагрегированную обощенную выжимку под введенные данные.

Что же сделали в OpenAI 📱:
Компания не стала двигаться в сторону продажи своих решений сторонним браузерам, как это делается с LLM-моделями в средах разработки, а предложила принципиально новый подход, где агент руководит браузером, подменяя собой действия пользователя, а не наоборот.

Зачатки такого подхода можно было наблюдать в workflow automation системах по типу n8n.io, где самостоятельно построив архитектуру, пользователь может автоматически управлять сразу несколькими инструментами по одному запросу. Однако OpenAI предлагает еще более автоматизированный инструмент, в котором архитектура строится вне глаз конечного потребителя, что может быть одновременно и хорошо и плохо.

Что же касается профессиональной зоны интересов, то можно отметить, что пока еще в Atlas отсуствуют инструменты разработчика для работы с веб-проектами.

🔼Таким образом, Atlas лишает пользователя необходимости сталкиваться с выбором, анализировать и сравнивать работу сразу нескольких различных моделей обработки данных, а так же уменьшает количество “ручного” труда по наполнению контекстом.

🔽Однако важно понимать, что такое слияние так или иначе ограничивает “кругозор” получаемой информации, поскольку, как и в случае с любыми автогенераторами, персонализация может сузить вариативность.

➡️ Не забываем, что любой агент - прототип пользователя. Со временем он обучается. То есть любое заданное “дано” будет вероятнее всего выполнено в том стиле и с тем knowledge base, которые были заданы в ходе “общения” модели с юзером. Что тоже может быть как плюсом, так и минусом.

Зачем такая задача?

🔽Задача показывает, как объединять данные без выделения дополнительной памяти.
Мы не создаем новый список, а аккуратно заполняем уже существующий, упорядочивая элементы “на лету”.

К примеру, у нас уже есть какие-то данные по каким-то товарам и мы хотим подключить “нового” поставщика; Или хотим отображать результат слияния нескольких товарных категорий или рекомендательных единиц в одном списке быстро и дешево.

📌СОБЕСЕДОВАНИЕ:

Продолжаем разговор об исключениях

🟠Раздел: Обработка исключений и ассерты
🟠Вопрос: Ассерты. Assertions.