> For the complete documentation index, see [llms.txt](https://vladislaveremeev.gitbook.io/qa_bible/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://vladislaveremeev.gitbook.io/qa_bible/ai-v-testirovanii/ai-augmented-development.md). # AI-Augmented Development **AI-Augmented Development** — подход к разработке, при котором AI выступает в роли умного ассистента, встроенного в рабочий процесс разработчика. Разработчик сохраняет полный контроль над кодом и архитектурными решениями; AI ускоряет рутинные операции: автодополнение, генерацию шаблонного кода, объяснение чужого кода, рефакторинг. Это наиболее распространённый и зрелый вид AI Driven Development — большинство команд начинают именно с него. *** ## Что делает AI в этом подходе ### Основные функции AI-ассистента | Функция | Описание | Пример | | ------------------- | ---------------------------------------------------- | --------------------------------------- | | Автодополнение кода | Предсказывает следующие строки по контексту | Дописывает тело функции по её сигнатуре | | Генерация шаблонов | Создаёт boilerplate-код по описанию | CRUD-операции, DTO-классы, конфиги | | Объяснение кода | Описывает на естественном языке, что делает фрагмент | Помогает разобраться в legacy-коде | | Рефакторинг | Предлагает улучшенную версию существующего кода | Упрощение цикла, замена паттерна | | Генерация тестов | Создаёт юнит-тесты по существующему коду | Покрытие написанных методов | | Поиск ошибок | Подсвечивает потенциальные проблемы | Null pointer, off-by-one ошибки | | Документирование | Генерирует JSDoc, docstrings, README | По сигнатурам функций | | Code review | Комментирует PR, предлагает улучшения | Style, логика, производительность | *** ## Инструменты ### IDE-интеграции | Инструмент | Поддерживаемые IDE | Особенности | | ---------------------- | ----------------------------------- | ---------------------------------------- | | GitHub Copilot | VS Code, JetBrains, Vim/Neovim | Самый распространённый, обучен на GitHub | | Cursor | Собственный редактор (fork VS Code) | Мощный чат с доступом к кодовой базе | | JetBrains AI Assistant | Все JetBrains IDE | Глубокая интеграция с IDE-функциями | | Codeium | VS Code, JetBrains, и другие | Бесплатный план, хорошая скорость | | Amazon Q Developer | VS Code, JetBrains | Интеграция с AWS-экосистемой | | Tabnine | Широкий список IDE | Возможность локального запуска модели | ### Специализированные AI-инструменты * **Aider** — AI-пара в терминале, редактирует файлы по инструкциям в диалоге * **Continue** — open-source AI-ассистент для VS Code и JetBrains * **Supermaven** — сверхбыстрое автодополнение с большим контекстным окном *** ## Как меняется процесс разработки ### Скорость итераций Исследования GitHub (2024) показывают, что разработчики с Copilot выполняют типовые задачи на 55% быстрее. Это означает: * Больше фич за тот же спринт * Более частые коммиты * Сжатые временные рамки для QA {% hint style="warning" %} Ускорение разработки без масштабирования QA-процессов приводит к накоплению непротестированного кода. Команде нужно заранее договориться, как QA будет успевать за возросшим темпом. {% endhint %} ### Характеристики AI-Augmented кода **Что улучшается:** * Стандартный boilerplate — AI генерирует его корректно и быстро * Покрытие юнит-тестами — разработчик охотнее пишет тесты, если AI берёт рутину * Единообразие кода — AI придерживается паттернов из контекста **Что ухудшается или остаётся проблемой:** * Комментарии и документация — AI-автодополнение редко добавляет их сам * Устаревшие паттерны — AI обучен на старом коде, может воспроизводить deprecated подходы * Безопасность — AI воспроизводит небезопасные паттерны из обучающих данных *** ## Влияние на QA-процессы ### Что меняется для QA **Скорость поставки:** Релизы становятся частыми. QA должен быть готов тестировать регулярно, а не раз в несколько недель. Автоматизация становится не желательной, а обязательной. **Характер дефектов:** AI-код склонен к определённым классам ошибок: * Корректная реализация не того требования (AI «додумал» логику) * Отсутствие обработки исключений в нетипичных сценариях * Устаревшие API и методы, использованные по данным обучения **Объём кода для ревью:** Разработчики генерируют больше кода. Если раньше PR содержал 200 строк, теперь может содержать 600. QA должен тестировать функциональность, а не тратить время на чтение кода. ### Специфика тест-дизайна При тестировании AI-Augmented кода уделяйте особое внимание: 1. **Валидация против требований** — AI мог реализовать логику «по-своему», а не по спецификации 2. **Граничные условия** — автодополнение оптимизирует под очевидные сценарии 3. **Обработка ошибок** — проверьте, как система ведёт себя при некорректных входных данных и сбоях зависимостей 4. **Безопасность** — базовое OWASP-тестирование, особенно для кода, работающего с пользовательскими данными 5. **Совместимость** — AI может использовать API версии, несовместимой с текущей средой *** ## AI-Augmented Code Review: роль QA QA может использовать те же AI-инструменты для ускорения тест-дизайна: ``` Разработчик создаёт PR → AI-ревью предлагает правки ↓ QA получает описание изменений → AI генерирует черновик тест-кейсов ↓ QA дополняет, верифицирует, запускает ``` ### Промпт-шаблоны для QA **Анализ изменений:** ``` Вот diff этого PR: [вставить diff] Перечисли все сценарии, которые нужно протестировать, с особым вниманием к edge cases и потенциальным регрессиям. ``` **Генерация тест-кейсов:** ``` Вот функция: [вставить код] Напиши тест-кейсы для позитивных сценариев, негативных сценариев и граничных значений. Формат: Given/When/Then. ``` *** ## Сравнение с другими AI-подходами | Параметр | AI-Augmented Dev | Vibe Coding | Agentic Development | | --------------------- | ---------------- | ------------- | ------------------- | | Контроль разработчика | Полный | Минимальный | Разделённый | | Понимание кода | Полное | Частичное | Частичное | | Скорость | Высокая | Очень высокая | Высокая | | Предсказуемость | Высокая | Низкая | Средняя | | Порог входа | Низкий | Минимальный | Средний | | Риски для QA | Умеренные | Высокие | Специфические | *** ## Адаптация QA-команды ### Практические шаги 1. **Внедрить AI в тест-дизайн** — использовать AI для генерации черновиков тест-кейсов и чеклистов 2. **Ускорить автоматизацию** — AI существенно снижает стоимость написания автотестов; используйте это 3. **Договориться о Definition of Done** — в DoD должно быть явно прописано, что QA-покрытие не снижается из-за скорости генерации 4. **Настроить CI-пайплайн** — при росте частоты коммитов без CI с автотестами качество деградирует 5. **Ревью AI-сгенерированных тестов** — если разработчик использует AI для написания юнит-тестов, QA должен их ревьюить на полноту и корректность {% hint style="info" %} AI-Augmented Development — наиболее низкорисковая точка входа в AI Driven Development для QA-команды. Начните с использования AI в своей собственной работе: генерация тест-кейсов, анализ требований, написание автотестов. {% endhint %} *** ## Источники * [GitHub — The Economic Impact of the AI-Powered Developer Lifecycle (2024)](https://github.blog/news-insights/research/) — исследование производительности с Copilot * [DORA — State of DevOps 2024](https://dora.dev/research/) — данные о влиянии AI на метрики DevOps * [GitHub Copilot Documentation](https://docs.github.com/en/copilot) — официальная документация