Блог

От промпта к действию: ИИ-агенты внутри TMS | AI Ассистент ТестОпс

2026-07-31 15:00

Платформа с контекстом тестирования, говорящая на языке ИИ-агентов

AI Ассистент работает внутри TMS с тест-кейсами, запусками, результатами и дефектами. Навык объединяет сценарий, разрешённые инструменты ТестОпс и необходимый контекст. Изменения остаются под контролем специалиста.
В обеспечении качества (QA, quality assurance) точность ответа зависит не только от формулировки запроса, но и от того, какие факты проекта доступны модели: требования, тест‑кейсы, запуски, результаты и дефекты.
Система управления тестированием (TMS, test management system) ТестОпс создаёт основу для такого режима работы. Платформа связывает ручные и автоматизированные тест-кейсы, тест-планы, запуски, результаты и дефекты в одном рабочем контуре. Проектный контекст задают структура QA-артефактов и связи между ними, а не одно длинное описание.
Ассистент добавляет к этой структуре диалоговый слой и навыки — настраиваемые агентные сценарии с заданной задачей, контекстом и доступными инструментами. Протокол контекста модели (Model Context Protocol, MCP) связывает ИИ-среду с разрешёнными источниками данных и действиями. Здесь важна не автономность модели, а управляемый путь от вопроса к проектным данным и проверяемому действию.

Почему одного промпта недостаточно для QA-задачи

Промпт задаёт цель, критерии и формат ответа, но не содержит фактов проекта: актуальной версии требования, связанного тест-кейса, окружения запуска и существующих дефектов. Без этих данных модель опирается на общие закономерности, и ответ может не отражать реальное состояние тестирования. TMS предоставляет этот контекст в виде связанных артефактов: требований, тест-кейсов, запусков, результатов и дефектов
Благодаря единому рабочему контуру анализ можно начинать с конкретного объекта, а не собирать состояние проекта по фрагментам из разных систем.
В диалоговом окне с Ассистентом тест-кейс можно добавить в контекст запроса, поэтому содержимое сценария не нужно переносить в промпт вручную.
Наличие данных в TMS не означает, что вся тестовая база автоматически входит в каждый запрос: полнота ответа зависит от выбранного контекста, доступных инструментов и исходных артефактов.

Как AI Ассистент получает контекст задачи

Контекст AI Ассистента собирается из нескольких уровней, каждый из которых уточняет предыдущий. На уровне инстанса задаются сведения о компании, глобальные стандарты и общие правила выполнения задач навыками. На уровне проекта добавляются описание тестируемого продукта и локальные правила тестирования. Эти настройки передаются ИИ-модели в начале нового чата и образуют постоянную основу для проектных запросов.
Последний уровень задаёт сообщение в чате. К нему можно добавить один или несколько тест-кейсов: выбрать недавно открытые объекты либо найти их по названию или ID. Контекст чата уточняет, к каким сценариям нужно применить правила компании и проекта в текущем запросе.

Природа данных для контекста Ассистента

Внешний MCP-сервер передаёт данные подключённой системы Ассистенту напрямую. Его инструменты можно включить во всех чатах проекта или только в отдельном навыке, благодаря чему внешние объекты (требования, задачи и др.) попадают в контекст без ручного копирования — но лишь через настроенное подключение и доступные операции. Это направление работает от внешней системы к Ассистенту.

Встроенный MCP-сервер ТестОпс открывает обратное направление: после подключения внешняя ИИ-среда получает инструменты для работы с сущностями инстанса за пределами интерфейса TMS. Действия выполняются от имени владельца API-токена и только в пределах его прав в проектах.
Методы API доступны через Swagger UI конкретного инстанса, а доступ к ним зависит от настроек и авторизации.

Навык как повторяемый рабочий сценарий команды

Далее используем термин «навык» (в документации — «конфигурируемый агент»).
Такая конфигурация закрепляет повторяемую задачу, правила её выполнения и доступные инструменты, чтобы не описывать один и тот же сценарий заново в каждом чате.
В конфигурацию входят название, описание, среднее время ручного выполнения, промпт, инструменты ТестОпс и внешние MCP-серверы. Название и описание помогают отличить похожие сценарии. Среднее ручное время служит исходной оценкой для аналитики. Промпт задаёт логику и формат результата, а инструменты и MCP-подключения определяют, с какими данными и действиями эта логика может работать.
Инструменты ТестОпс образуют операционную границу навыка. Отдельные инструменты позволяют искать сущности, получать их данные, создавать новые объекты или изменять существующие. Поэтому формулировка промпта сама по себе не даёт навыку произвольного доступа к проекту: он может вызвать только те возможности, которые включены в его конфигурацию.
Навык можно скопировать из другого проекта того же инстанса через библиотеку и адаптировать к новому рабочему контуру. В результате правила подготовки тест‑кейсов, анализа результатов и оформления дефектов становятся командной практикой, а не личными инструкциями одного специалиста.
Поиск дублей помогает снижать повторение сценариев, но не объединяет и не удаляет их автоматически.

Какие навыки помогают работать с тестовой базой

Сценарии для тестовой базы охватывают создание и редактирование тест-кейсов, параметризацию, работу с общими шагами и поиск дублей. Однако точность результата зависит от выбранной ИИ-модели, качества входных данных и правил проекта.
Навык создания тест-кейса принимает краткое описание, требование или задачу и формирует структурированный черновик. Если данных недостаточно, Ассистент уточняет условия и ожидаемый результат. После согласования черновика навык вызывает инструмент создания и сохраняет тест-кейс в проекте.
Другой сценарий работает с уже существующим тест-кейсом: навык получает его по ID, проверяет последовательность и однозначность шагов, затем предлагает недостающие элементы и формулировки по правилам команды. До подтверждения эта редакция остаётся черновиком и не изменяет сам тест-кейс внутри проекта.
Параметризация и общие шаги решают структурные задачи. В первом случае навык находит повторяющиеся значения, предлагает параметры и показывает, как изменится сценарий; во втором — сопоставляет последовательности действий с библиотекой общих шагов и предлагает замены.

Как сценарии работают с запусками, результатами и нестабильными автотестами

Итогом становится описание места падения и возможной причины, а не окончательный диагноз.
Логи показывают наблюдаемое поведение, но не доказывают, вызван ли сбой дефектом продукта, кодом автотеста, окружением или тестовыми данными, поэтому предложенная причина остаётся гипотезой до инженерной проверки. AI Ассистент сокращает путь к проверке, но не подменяет её.
После согласования гипотезы навык может найти подходящий дефект или предложить черновик нового. Затем он создаёт дефект при необходимости, настраивает правило сопоставления ошибки и связывает объект с результатом теста. Такой маршрут сохраняет исходный сигнал, предложенную интерпретацию и принятое действие в одном контуре.
Набор инструментов навыка также включает поиск запусков и результатов, пометку результата как нестабильного (flaky), перенос тест-кейса в карантин и запуск автотестов через настроенные джобы. Автотесты запускаются в подключённой системе непрерывной интеграции и доставки (CI/CD, Continuous Integration / Continuous Delivery) после подтверждения запуска и его параметров. Эти операции можно включить в конфигурацию навыка, но они не исправляют код автотеста и не подтверждают его стабильность автоматически.
Поэтому маршрут заканчивается конкретным действием: уточнить гипотезу, связать дефект, изолировать тест или перезапустить его с новыми параметрами.

Как сохраняется контроль над данными и изменениями

Контроль начинается со статуса и способа подключения. AI Ассистент — лицензированный модуль ТестОпс, актуальный набор функций и ограничений описан в документации.
Контур обработки данных зависит от выбранного ИИ-провайдера и инфраструктуры компании. ТестОпс поддерживает подключение ИИ-модели через совместимый API, включая модель, развёрнутую на сервере компании. Локальное размещение модели не отменяет требований к правам доступа, безопасности подключения и внутренней политике работы с данными.
Контроль изменений встроен в диалог. По умолчанию AI Ассистент запрашивает подтверждение перед вызовом инструмента, который создаёт или изменяет сущность проекта. Уведомление показывает планируемое действие, после чего его можно подтвердить или отклонить. Сгенерированный ответ и выполненная операция не смешиваются.
Для ручных тест-кейсов дополнительную страховку даёт версионирование. Если оно включено в проекте, изменения тела тест-кейса фиксируются как отдельные версии, включая правки через Ассистента. История показывает источник изменения, а предыдущее состояние можно восстановить.
При этом не каждое автоматическое обновление тестовой документации относится к AI Ассистенту. Для автоматизированных тест-кейсов ТестОпс позволяет выбрать источник поддерживаемых метаданных.
Если выбран источник «Результаты теста», то при загрузке результатов значения соответствующих атрибутов автоматически заменяются данными из результата. Это штатная механика TMS, а не действие навыка.

Как измерять эффект навыков без рекламных процентов

Эффект навыка начинается с внутренней точки отсчёта, а не с универсального процента. В его настройках указывается среднее время, за которое человек вручную выполняет аналогичную задачу. Это обязательное исходное значение для расчёта показателей эффективности, а не автоматически измеренная норма.
Дашборд эффективности сопоставляет ожидаемое ручное время с фактическим временем выполнения задачи с навыком. Обзор показывает их соотношение и суммарную расчётную экономию за выбранный период. Тренд отражает динамику по дням и количество запусков.
Отдельные виджеты показывают данные по навыкам и участникам. Для каждого навыка доступны число запусков и расчётное сэкономленное время. Для каждого участника отображаются те же показатели в разрезе личного использования. Так общая оценка раскладывается до конкретного повторяемого сценария и его места в работе команды.
Метрики отражают экономию времени при заданных допущениях: они зависят от реалистичности ручной оценки и не доказывают качество тест‑кейсов, точность гипотез или отсутствие правок, поэтому интерпретировать их корректно можно только внутри одной команды, класса задач и периода, сохраняя профессиональную проверку результата.