🚀 Демонстрация генерации тест-кейсов в AI JUN
Одна из задач, ради которой я начал делать AI JUN сократить время на рутинную подготовку тестовой документации.
Любой QA знает ситуацию.
📄 Получаешь новое требование. 🔍 Сначала анализируешь текст. 📝 Потом выписываешь сценарии. ✅ Потом начинаешь оформлять тест-кейсы.
И где-то между двадцатым и тридцатым кейсом появляется мысль:
«Наверняка я что-то пропустил».
Поэтому одной из первых функций AI JUN стала генерация тест-кейсов по требованиям.
Интерфейс специально сделан максимально простым:
1️⃣ Вставляем текст требования или загружаем документ. 2️⃣ Выбираем параметры генерации. 3️⃣ Нажимаем кнопку. 4️⃣ Получаем готовый результат.
📸 Скриншоты процесса можно посмотреть выше от загрузки требования до готовых тест-кейсов.
Для текущего теста я использовал максимальные настройки генерации.
📊 Результат
🤖 Ollama 70B (облачная модель)
• 26 тест-кейса • до 11 шагов в кейсе
🤖 GPT 5.2 (облачная модель)
• 10 тест-кейсов • до 12 шагов в кейсе
Интересно, что при оценке качества результата количество тест-кейсов далеко не единственный показатель.
Важно смотреть ещё и на:
🔹 полноту покрытия требований;
🔹 детализацию шагов;
🔹 наличие негативных сценариев;
🔹 использование техник тест-дизайна.
Сейчас продолжаю экспериментировать с различными моделями и промптами, чтобы получать более стабильный результат независимо от выбранной LLM.
🌐 Попробовать AIJUN можно уже сейчас:
В следующих публикациях покажу архитектуру решения и расскажу, как устроена генерация внутри.
💬 Будет интересно узнать мнение коллег:
Что для вас важнее в AI-генерации тест-кейсов — количество кейсов или качество проработки каждого сценария?
