aiautomationworkflow

AI-генерация тест-кейсов: как использовать без потери качества

ChatGPT и Claude могут сгенерировать 50 тест-кейсов за минуту. Но если просто скинуть «сгенерируй тесты на login» — получишь 10 банальных кейсов уровня «введи пароль, нажми кнопку». Реальная ценность приходит когда умеешь правильно промптить.

Базовая ошибка

Промпт «Напиши тест-кейсы для логина» → ответ:

1. User enters valid email and password → success
2. User enters invalid password → error
3. User enters empty email → error

Это 10/10 банально. Любой junior напишет за 5 минут.

Что меняется когда даёшь контекст

Промпт:

Ты QA в mobile fintech-приложении. Тестируешь экран логина с email + password + 2FA через SMS. Бэкенд на Node.js, БД Postgres, токены JWT с 15-минутным TTL.

Сгенерируй чек-лист тест-кейсов: positive, negative, security, performance, edge.

Для каждого — название, шаги, ожидаемый результат, severity (low/medium/high/critical), priority (P0-P3).
Формат: markdown table.

Не пиши банальное «введи валидный email и пароль» — фокусируйся на нюансах: race conditions, SMS-timeout, JWT-edge cases, аналитика.

Получишь 30+ кейсов с реальной глубиной:

  • Race condition: юзер тыкает Login быстро 5 раз → сколько SMS отправляется?
  • Token rotation: между логином и подтверждением 2FA пользователь сменил пароль на другом устройстве → что произойдёт?
  • SMS timeout: 30 секунд таймаут, что показывается юзеру?
  • Аналитика: какие события должны лететь — login_attempted, login_success, login_failed с reason?

Что AI делает хорошо

✅ Генерация чек-листов по теме. Хорошо знает стандартные шаблоны.

✅ Edge cases которые ты забыл. «Что если…» — AI часто подскажет неочевидное.

✅ Перевод бизнес-требований в тест-кейсы. Кидаешь user story → получаешь acceptance criteria + кейсы.

✅ Boilerplate автотестов. Pytest/Playwright скелет с твоими данными.

Что AI делает плохо

❌ Знание твоего конкретного продукта. Не знает что в твоей игре «уровень 47» — особый.

❌ Анализ скриншотов на уровне UX-критики. Видит что есть, но не «это плохой дизайн».

❌ Свежие API/изменения. Cutoff date — модели могут не знать про features добавленные в Playwright 1.40+.

❌ Уникальные edge cases в твоих legacy-системах. Узнать что cron на сервере 5 лет не туч’или — только из доков команды.

Промпт-шаблон для генерации кейсов

Ты QA-инженер с 10 годами опыта в [DOMAIN: mobile games / fintech / e-commerce].

Тестируешь фичу: [DESCRIBE FEATURE]

Контекст:
- Tech stack: [STACK]
- Platform: [iOS/Android/web/all]
- Target users: [USER PROFILE]
- Risks: [BUSINESS-CRITICAL aspects]

Сгенерируй чек-лист тест-кейсов в формате markdown table:
| ID | Type | Title | Steps | Expected | Severity | Priority |

Категории кейсов:
- Positive (happy path)
- Negative (invalid inputs, errors)
- Security (auth, injection, access)
- Performance (load, race conditions)
- Edge (boundary, unusual states)
- Analytics (events should fire)

Не банально. Фокусируйся на нюансах domain'а.

Workflow для QA

  1. Сгенерируй с AI. 30+ кейсов за 5 минут.
  2. Просмотри руками. 30-40% — выкинь как «не релевантно нашему product’у».
  3. Добавь домен-специфику. То что только ты знаешь — добавь свои 5-10 кейсов.
  4. Заведи в TestRail/Jira. AI generated → доработано → формализовано.

Время вместо 4 часов = 30 минут. Качество — выше базового, потому что меньше шанс забыть классы багов.

Чек-лист использования

✅ AI — первый набросок, не финальный документ. ✅ Контекст в промпте важнее способа промптить. ✅ После генерации — пересмотр обязателен, без него получаешь шум. ✅ Не кидай в публичный AI конфиденциальные требования и данные. ✅ Документируй промпт — следующий раз сгенерируешь быстрее.

Подробнее: Claude docs, Test Engineer’s AI handbook (community).