AI-агенты в тестировании

AI-агенты в тестировании — это переход от «нейросеть подсказывает строчку кода» к «агент сам исследует приложение, планирует, пишет и поддерживает тесты». Самый показательный пример — Playwright Agents, вышедшие в Playwright 1.56 (октябрь 2025). Это три специализированные роли: planner исследует приложение и превращает требования в Markdown-план тестов; generator по плану генерирует исполняемые Playwright-тесты; healer прогоняет упавшие тесты и предлагает исправления для сломавшихся локаторов и шагов. Инициализируются агенты командой npx playwright init-agents и подключаются к VS Code, Claude Code и другим агентным средам. Сдвиг зафиксировали и аналитики: Forrester в ландшафтном отчёте за Q3 2025 переименовал категорию из «continuous automation testing platforms» в «Autonomous Testing Platforms» и описал рынок из 31 вендора, где ИИ генерирует, приоритизирует и поддерживает тесты.

Как это работает

Фундамент агентного тестирования — программный доступ языковой модели к браузеру. Пакет @playwright/mcp — это MCP-сервер (Model Context Protocol), через который LLM-агент управляет браузером: агент «видит» не скриншоты, а accessibility tree — структурированное дерево элементов с ролями и доступными именами. Такой подход быстрее и дешевле компьютерного зрения, не требует vision-модели и даёт детерминированные действия вместо угадывания координат по картинке. Поверх этого канала работает и самопочинка (self-healing): healer, получив упавший тест, сам открывает страницу, находит нужный элемент в новой структуре и предлагает исправленный локатор или шаг. Cypress идёт тем же путём: экспериментальная команда cy.prompt() (доступна с Cypress 15.4, требует входа в Cypress Cloud) исполняет шаги, описанные естественным языком, адаптируется к изменениям интерфейса и умеет экспортировать результат в обычный Cypress-код.

Когда применять

Рабочий паттерн — «автономия с review-гейтом»: агент предлагает план, код или фикс, а человек ревьюит результат как обычный pull request. В таком режиме агенты отлично ускоряют рутину: черновики тест-планов по новым требованиям, покрытие свежих страниц, массовая починка локаторов после редизайна. Право решать, что и зачем тестировать, агенту не передаётся: дизайн тест-стратегии, приоритизация рисков и оценка полноты покрытия остаются за инженером. Это инструмент ускорения, а не замена тест-аналитики.

Типичные ошибки

• Флаки-маскировка: healer «чинит» тест так, что тот снова зелёный, хотя падение указывало на реальный баг — симптом устранён, дефект уехал дальше по пайплайну. Именно поэтому каждое автоисправление обязано проходить ревью человеком.
• Галлюцинированные селекторы и шаги: модель уверенно ссылается на элементы, которых в приложении нет; сгенерированный код нельзя считать готовым до зелёного прогона в CI.
• Слепое доверие сгенерированному плану: агент хорошо покрывает очевидные сценарии и пропускает доменные краевые случаи, известные только команде.
• Игнорирование стоимости: каждый прогон агента — это токены LLM; массовая генерация и починка без квот и бюджета быстро превращаются в заметную статью расходов.

Связанные понятия

• Playwright
• Cypress
• UI селекторы
• UI ожидания