Да, часто бывает, что метод нельзя вызвать просто так из Swagger, потому что перед этим нужно подготовить тестовые данные или выполнить цепочку предварительных действий.
В таких случаях мы используем дополнительные источники контекста: нашу внутреннюю wiki и RAG по ней (для этого мы запилили свой MCP-сервер), MCP для TestOps (тоже запилил свой) и другие интеграции. Перед генерацией автотеста ИИ-агент через MCP ходит в наши системы, ищет и анализирует нужную информацию, а затем на основе найденного контекста генерирует вспомогательные методы и сам автотест. Генерирует опять же строго за счет сгенеренных методов со сваггера.
Конечно, это не всегда работает идеально. Не всё может быть описано в wiki или тест-кейсе, поэтому иногда приходится уточнять детали у QA и дописывать тест уже на основе этой информации.
Как я и писал выше, мы используем Cursor скорее как песочницу для экспериментов: проверяем, что промпты и гипотезы реально работают, и уже потом масштабируем.
В продовом процессе мы, в том числе, отправляем в ревью большое количество тест-кейсов - там всё крутится под капотом через наш MCP.
По поводу автоматического обновления шагов и заголовка AI - да, так делать можно, но мы пока сознательно этого не делаем. Сейчас ревью - это ещё и элемент “обучения”: QA видит, где не учёл важные моменты, сам правит кейс и со временем начинает писать тест-кейсы качественнее.
Если использовать Cursor AI как корпоративный процесс ревью на уровне всей компании - да, это будет дороговато.
Но мы используем Cursor скорее как песочницу для экспериментов: тестируем качество AI-ревьюера, пробуем генерацию тест-кейсов по требованиям, макетам в Figma и т.д. Плюс в Cursor удобно работать с MCP: можно ходить в Яндекс Трекер, Figma и другие источники контекста, подтягивать нужные данные и быстро проверять гипотезы.
В продовом процессе на уровне компании у нас ревью работает иначе: под капотом - наш MCP. QA переводит тест-кейс в статус «Ревью», подключается модель z.ai (она заметно дешевле ChatGPT 5.2, а по качеству нас устраивает), делает ревью и публикует результат комментарием в TestOps.
По безопасности: токены и любые чувствительные данные мы не хардкодим - храним в Vault, наружу уходит только то, что реально нужно для ревью (без секретов).
Да, часто бывает, что метод нельзя вызвать просто так из Swagger, потому что перед этим нужно подготовить тестовые данные или выполнить цепочку предварительных действий.
В таких случаях мы используем дополнительные источники контекста: нашу внутреннюю wiki и RAG по ней (для этого мы запилили свой MCP-сервер), MCP для TestOps (тоже запилил свой) и другие интеграции. Перед генерацией автотеста ИИ-агент через MCP ходит в наши системы, ищет и анализирует нужную информацию, а затем на основе найденного контекста генерирует вспомогательные методы и сам автотест. Генерирует опять же строго за счет сгенеренных методов со сваггера.
Конечно, это не всегда работает идеально. Не всё может быть описано в wiki или тест-кейсе, поэтому иногда приходится уточнять детали у QA и дописывать тест уже на основе этой информации.
Спасибо )
Как я и писал выше, мы используем Cursor скорее как песочницу для экспериментов: проверяем, что промпты и гипотезы реально работают, и уже потом масштабируем.
В продовом процессе мы, в том числе, отправляем в ревью большое количество тест-кейсов - там всё крутится под капотом через наш MCP.
По поводу автоматического обновления шагов и заголовка AI - да, так делать можно, но мы пока сознательно этого не делаем. Сейчас ревью - это ещё и элемент “обучения”: QA видит, где не учёл важные моменты, сам правит кейс и со временем начинает писать тест-кейсы качественнее.
А вот идею с AI Value беру на заметку 🙂
Если использовать Cursor AI как корпоративный процесс ревью на уровне всей компании - да, это будет дороговато.
Но мы используем Cursor скорее как песочницу для экспериментов: тестируем качество AI-ревьюера, пробуем генерацию тест-кейсов по требованиям, макетам в Figma и т.д. Плюс в Cursor удобно работать с MCP: можно ходить в Яндекс Трекер, Figma и другие источники контекста, подтягивать нужные данные и быстро проверять гипотезы.
В продовом процессе на уровне компании у нас ревью работает иначе: под капотом - наш MCP. QA переводит тест-кейс в статус «Ревью», подключается модель z.ai (она заметно дешевле ChatGPT 5.2, а по качеству нас устраивает), делает ревью и публикует результат комментарием в TestOps.
По безопасности: токены и любые чувствительные данные мы не хардкодим - храним в Vault, наружу уходит только то, что реально нужно для ревью (без секретов).