Примерно шесть лет назад я впервые познакомился с Vanessa Automation. Написание качественных и воспроизводимых сквозных (E2E) тестов тогда оказалось сложным и долгим процессом. Недавно мне пришлось вернуться к этой задаче, и я решил быстро вкатиться в данный процесс при помощи ИИ. Так появился проект Vanessa_for_AI - комплект правил и навыков для агента с каталогом шагов Vanessa Automation. В статье расскажу, что входит в этот комплект, как подключить его к проекту и чем для меня ценен опыт и для чего им делюсь.
Исходная задача
Мне нужно было за месяц подготовить для заказчика тесты основных процессов закупок, продаж, казначейства и нормативно-справочной информации (НСИ) после внедрения и доработки конфигурации 1С:ERP. Управление холдингом. Заказчику необходимо было показать пройденные тесты по сквозным процессам, которые он смог бы самостоятельно запускать после обновления системы или изменения функционала.
Условия работы
Проект Vanessa_for_AI возник из-за ограничений работы в крупных корпоративных проектах, где нет возможности подключить серверы MCP (Model Context Protocol) или другие средства агентского тестирования к инфраструктуре и базе заказчика. Vanessa_for_AI предназначен для помощи консультанту-аналитику: агент помогает продумать архитектуру тестов, создать качественные сценарии тестирования и исправлять ошибки, которые возникают в процессе тестирования, подбирать правильные шаги из библиотеки шагов для прохождения теста.
От архитектуры к рабочим тестам
Vanessa_for_AI объединяет несколько компонентов для работы ИИ-агента со сценариями Vanessa Automation. Навык — это инструкция агенту для определённого вида работы.
AGENTS.md— правила работы с проектом; для Claude Code предусмотренCLAUDE.mdvanessa-project-bootstrap— навык для согласования структуры нового проекта.vanessa-feature-authoring— навык для создания, проверки и разбора ошибок сценариев Turbo Gherkin.knowledge/vanessa-automation/steps-library.json— локальный каталог стандартных шагов Vanessa Automation для сверки их наличия и синтаксиса.
Агент работает с файлами и переданными материалами от консультанта. При подготовке теста агент опирается на записанный сценарий, проверенные рабочие сценарии проекта и каталог шагов для используемой версии Vanessa Automation. Если данных недостаточно, агент задействует дополнительный источник — официальная документация Vanessa Automation.
Процесс работы с нуля выглядит так:
Склонировать репозиторий на своё устройство Vanessa_for_AI
Открыть корень полученного проекта в выбранном ИИ-агенте.
Попросить агента использовать навык
vanessa-project-bootstrapи предложить архитектуру тестов для вашей задачи.Обсудить предложенную архитектуру.
Утвердить её и попросить её создать, а также написать план создания тестов.
Записать первый тест штатными средствами Vanessa.
Передать данный тест в виде файла либо в сам чат агента.
Попросить агента использовать навык
vanessa-feature-authoringдля доработки записанного теста.Наблюдать за работой агента и участвовать в процессе создания теста. Отвечать на вопросы, предоставлять данные, которые он запросит.
Проверить итоговый сценарий. Если есть ошибка, вернуть её агенту на исправление.
Подключение к существующему проекту описано в README.
Для работы рекомендуются фронтирные LLM модели с июля 2026 г.
Работа в команде
В команде каждый участник писал сценарии своих процессов. Агент адаптировал их под общие правила проекта: оформлял экспортные сценарии, добавлял проверки и рекомендовал улучшения. Так из сценариев команды получался набор тестов с общей структурой. Для командной работы рекомендую использовать Git.
Архитектура тестов на примере заказа поставщику
Агент помог мне продумать архитектуру тестов, подсказал, что можно сделать библиотеку тестирования, продумать подготовку данных и автоматически доработать все сценарии верными экспортными вызовами. Подготовка данных вынесена в отдельный исполняемый сценарий. Для заказа поставщику он создаёт связанный набор поставщика, контрагента, договора и номенклатуры, сохраняя реквизиты и ссылки в JSON.
Пример предложенной архитектуры тестов:
features/ ├── Сценарии/Закупки/ │ ├── 00_ПодготовкаДанных/ — создание набора │ ├── 02_Документы/ — тесты заказа │ └── 03_Регистры/ — проверки движений └── 90_Библиотека/ПодготовкаДанных/Закупки/ ├── НСИ/ — создание справочных данных ├── Наборы/ — загрузка JSON └── Документы/ — подготовка и проведение заказа
@ExportScenarios Функционал: Загрузка подготовленного набора поставщика Сценарий: Я загружаю подготовленный набор поставщика из файла "ИмяФайла" Дано я запоминаю строку "ИмяФайла" в переменную "ФайлНабораПоставщика" И Файл "$ФайлНабораПоставщика$" существует И я читаю json файл "$ФайлНабораПоставщика$" в переменную "ДанныеНабораПоставщика"
Его вызов из другого библиотечного сценария:
И Я загружаю подготовленный набор поставщика из файла "$ФайлНабораДанных$"
ФайлНабораДанных содержит путь к подготовленному JSON. Так видны объявление экспортного сценария, передача параметра и переиспользование.
Обработка ошибок
После разбора ошибок я просил агента дополнить SKILL.md, чтобы зафиксировать правило для следующих сценариев, рекомендую и вам наполнять своё решение на базе ваших ошибок, и при необходимости можете прислать PR в github.
Результаты
Первоначально запланированный объём тестов я подготовил за неделю при отведённом месяце. Оставшееся время использовал для расширения набора, улучшения тестов и экспериментов.
Главной пользой для меня стала работа с агентом над структурой тестов. При работе в команде сценарии коллег удавалось адаптировать под общий шаблон тестирования и сделать все тесты понятными для всех участников. Модульность позволила легче сопровождать поддержку, расширение и дальнейшее масштабирование тестов.
Для экспертов тестирования данная статья может показаться слишком поверхностной и простой, я соглашусь, но моя задача была показать возможности инструмента и расширить применение Vanessa Automation на проекты, где нет времени долго писать тесты или отсутствуют люди с таковым опытом. Ранее данный инструмент мог отнимать большой объём времени, которого всегда не хватает, а теперь я вижу возможность его повседневного применения, т. к. появился под рукой ИИ-наставник, который быстрее меня найдет нужный шаг и поймет, как лучше исправить ошибку.
