Я устал оформлять тест-кейсы вручную — и сделал для этого QAForge

Почему обычного запроса к ChatGPT оказалось недостаточно и что пришлось добавить, чтобы ИИ действительно экономил время тестировщика.

На анализ задачи у меня могло уйти двадцать минут. А на превращение найденных проверок в аккуратные тест-кейсы для TestIT — ещё час.

Я попробовал отдать эту рутину ChatGPT. Но вместо готовых тест-кейсов получил новую работу: редактировать «почти правильный» текст.

Так появился QAForge — сервис, который превращает требования в структурированные тест-кейсы, чек-листы и баг-репорты. Расскажу коротко, почему для этого оказалось недостаточно одного хорошего промпта.

Первый результат выглядел отлично. Я вставил требования, попросил добавить позитивные и негативные сценарии — и через несколько секунд получил аккуратный список проверок.

Проблема обнаружилась, когда я попытался использовать его в работе.

Шаги оказывались слишком общими. Expected Result звучал правдоподобно, но не всегда давал точный критерий проверки. Модель добавляла очевидные негативные сценарии вроде пустого поля и неверного формата, но могла пропустить права доступа, состояние пользователя, повторное действие или ограничение backend API.

Получался текст, который жалко выбросить, но нельзя сразу перенести в TestIT. Его всё равно приходилось перечитывать, перестраивать и приводить к шаблону команды.

Я начал улучшать промпт. Добавил структуру, техники тест-дизайна, правила для шагов и ожидаемых результатов, примеры хороших кейсов и список типичных ошибок.

Результат стал лучше. Но промпт постепенно превратился в инструкцию для нового сотрудника. Его нужно было хранить, обновлять и каждый раз адаптировать под задачу.

Тогда стало понятно: проблема не в том, что ИИ не умеет писать тест-кейсы. Он просто не знает, какой результат нужен конкретному тестировщику в конкретном процессе.

Для одной команды хороший тест-кейс — подробная пошаговая инструкция. Для другой — короткий сценарий. Web, mobile и backend требуют разного контекста. Где-то важен отдельный Expected Result для каждого шага, где-то достаточно итогового результата.

Всё это можно каждый раз объяснять модели вручную. А можно один раз превратить договорённости в интерфейс.

Так я собрал QAForge. Пользователь вставляет описание задачи и выбирает:

На выходе получается не свободный ответ чат-бота, а структурированный рабочий черновик: с предусловиями, действиями, ожидаемыми результатами и разделением сценариев.

Форма здесь нужна не ради красивой оболочки. Она помогает заранее собрать контекст, который обычно теряется в коротком запросе к нейросети.

Он не заменяет тестировщика и не превращает неполные требования в безошибочную тестовую модель.

ИИ всё ещё может неверно понять бизнес-логику, придумать лишний сценарий или пропустить риск, известный только команде. Поэтому результат нужно проверять так же, как любую другую заготовку.

Но проверять готовую структуру быстрее, чем каждый раз с нуля оформлять уже придуманные сценарии. В этом и была моя цель: оставить человеку анализ требований и рисков, а машине отдать повторяющуюся часть работы.

Несколько вечерних экспериментов превратились в работающий сервис. Сейчас QAForge можно попробовать в браузере и оценить на своей реальной задаче.

Мне особенно интересна обратная связь от QA-инженеров: после генерации вам действительно осталось меньше ручной работы — или сервис просто предложил другой вид рутины?

Это для меня главный критерий. Если результат приходится переписывать целиком, значит, продукт не решил проблему. Если тестировщик тратит освободившееся время на анализ и поиск рисков — значит, идея работает.