AI Driven Development
Появление мощных языковых моделей изменило не только инструменты разработки, но и сами подходы к созданию ПО. AI Driven Development описывает, как команды организуют процесс, когда AI-ассистент становится полноправным участником написания кода, генерации тестов и архитектурных решений. Для QA-специалиста понимание этих подходов важно: они меняют природу дефектов, скорость итераций и требования к тестовому покрытию.
Определение
AI Driven Development (AIDD) — совокупность подходов, при которых AI-инструменты встроены в ключевые этапы разработки: от написания спецификаций и кода до генерации тестов и ревью.
Методологии отличаются по степени автономии AI:
AI как ассистент
Пишет код сам, AI помогает
AI-Augmented Development
AI как основной исполнитель
Ставит задачи, ревьюит результат
Vibe Coding, Spec-Driven AI Dev
AI как агент
Задаёт цели, AI действует автономно
Agentic Development
AI-Driven Development Lifecycle (AI-DLC)
AI-Driven Development Lifecycle (AI-DLC) — адаптация классического SDLC под реалии AI-ассистированной разработки. В отличие от традиционного жизненного цикла, AI участвует на каждой фазе: не только на этапе кодирования, но и при формировании требований, тест-дизайне, ревью и мониторинге.
Фазы AI-DLC
1. Discovery & Ideation (обнаружение и идеация)
AI анализирует рыночный контекст, синтезирует пользовательские интервью, генерирует гипотезы и user stories из неструктурированных данных.
Роль QA: участие в формулировке acceptance criteria с самого начала — AI-сгенерированные истории требуют ревью на полноту и тестируемость.
2. Specification (спецификация)
AI преобразует высокоуровневые требования в детальные спецификации, генерирует примеры граничных условий, выявляет противоречия в требованиях.
Роль QA: верификация AI-сгенерированных спецификаций — проверка покрытия edge cases, соответствия бизнес-логике, отсутствия двусмысленностей.
На этом этапе QA-инженер становится соавтором промптов для AI: чем точнее сформулированы требования, тем меньше дефектов возникнет на этапе реализации.
3. Implementation (реализация)
AI генерирует код по спецификации (Vibe Coding, Agentic Development) или ускоряет работу разработчика (AI-Augmented Development). Скорость итераций кратно выше, чем в традиционном SDLC.
Роль QA: непрерывный параллельный тест-дизайн — тест-кейсы пишутся одновременно с кодом, а не после.
4. Testing (тестирование)
AI генерирует тест-кейсы по коду и спецификации, помогает анализировать покрытие, предсказывает зоны риска на основе истории дефектов.
Роль QA: ревью AI-сгенерированных тестов на корректность и полноту, добавление исследовательских сценариев, которые AI не предусмотрел.
AI оптимизирует тест-кейсы под видимую логику кода. Дефекты в самой логике — требования к которым AI неверно понял — такие тесты не найдут.
5. Review & Integration (ревью и интеграция)
AI проводит статический анализ, выявляет потенциальные уязвимости, проверяет соответствие code style. CI/CD-пайплайн запускается автоматически; агент может итерировать фикс до прохождения всех проверок.
Роль QA: аудит AI-решений в пайплайне, контроль того, что агент не «починил» тесты вместо кода.
6. Deployment & Monitoring (деплой и мониторинг)
AI анализирует логи в реальном времени, кластеризует ошибки, предсказывает аномалии до того, как они становятся инцидентами.
Роль QA: настройка правил алертинга, верификация того, что AI-мониторинг покрывает бизнес-критичные метрики, а не только технические.
7. Feedback Loop (петля обратной связи)
AI синтезирует данные из production (логи, метрики, отзывы пользователей) и генерирует предложения по улучшению — новые user stories для следующей итерации.
Роль QA: оценка качества AI-синтеза обратной связи, проверка что критические дефекты из прода попадают в backlog.
AI-DLC vs традиционный SDLC
Скорость итерации
Недели — месяцы
Дни — недели
Генерация требований
Аналитик вручную
AI + аналитик
Написание кода
Разработчик
Разработчик + AI / AI-агент
Тест-дизайн
QA вручную
AI генерирует, QA ревьюит
Ревью кода
Человек
Человек + AI-анализ
Мониторинг
Дашборды + алерты
AI-аномалии + дашборды
Узкое место
Разработка
Спецификация и ревью
Ключевые риски AI-DLC для QA
Ускорение без качества: скорость растёт, но если QA не масштабируется пропорционально — дефекты накапливаются
Дрейф требований: AI на каждой фазе интерпретирует требования заново — итоговый продукт может расходиться с исходным замыслом
Потеря аудируемости: когда AI участвует на всех этапах, сложно восстановить, почему было принято то или иное решение
Зависимость от модели: смена или обновление модели может изменить поведение всего пайплайна
Vibe Coding
Vibe Coding — подход, при котором разработчик описывает желаемое поведение на естественном языке, а AI генерирует весь код. Разработчик проверяет результат на глаз и итерирует промптами, не вникая в детали реализации.
Термин ввёл Андрей Карпатий в феврале 2025 года.
Характеристики
Скорость прототипирования кратно выше — от идеи до работающего MVP за часы
Разработчик не обязательно понимает каждую строку кода
Качество сильно зависит от навыков промптинга
Риски для QA
Код может работать «примерно правильно», но содержать скрытые логические ошибки
Edge cases и граничные условия часто не покрыты — AI оптимизирует под «happy path»
Технический долг накапливается быстро: AI генерирует рабочий, но не всегда поддерживаемый код
Разработчик затрудняется объяснить логику кода — это усложняет составление тест-кейсов
При Vibe Coding регрессионное тестирование становится особенно критичным: AI может сломать ранее работающую логику при следующей итерации промпта.
AI-Augmented Development (AI-усиленная разработка)
AI-Augmented Development — классическая разработка с AI-ассистентом в роли умного автодополнения. Разработчик пишет код сам, AI ускоряет рутину: дополняет строки, генерирует шаблонный код, объясняет чужой код.
Инструменты: GitHub Copilot, Cursor, JetBrains AI Assistant, Codeium.
Что меняется для QA
Скорость разработки растёт — тестирование должно успевать за ней
Сгенерированный AI код часто не имеет комментариев и документации
AI склонен копировать паттерны из обучающих данных, включая устаревшие или небезопасные
Spec-Driven AI Development (разработка от спецификации)
Spec-Driven AI Development — подход, при котором команда вкладывает максимум усилий в создание детальной спецификации (требований, acceptance criteria, примеров поведения), а затем передаёт её AI для генерации кода и тестов.
Процесс
Аналитик и QA совместно пишут подробную спецификацию с примерами
Спецификация используется как промпт для AI
AI генерирует код и тесты одновременно
QA верифицирует соответствие результата спецификации
Значение для QA
Этот подход возвышает роль QA на ранних этапах: качество спецификации напрямую определяет качество сгенерированного кода. Неточное требование → неверный код и тест → дефект на проде.
Spec-Driven AI Development — естественная эволюция BDD: Gherkin-сценарии становятся не только документацией, но и промптами для AI-генерации шагов автотеста.
Agentic Development (агентная разработка)
Agentic Development — подход, при котором AI-агент автономно выполняет многошаговые задачи: читает код, планирует изменения, пишет и запускает тесты, фиксит ошибки, создаёт PR.
Инструменты: Claude Code, GitHub Copilot Workspace, Devin, OpenHands.
Цикл работы агента
Риски для QA
Агент может «исправить» тест вместо исправления кода — тест адаптируется под баг
Агент оптимизирует под прохождение тестов, а не под корректность логики
Цепочка агентных действий сложна для аудита — непонятно, почему агент принял то или иное решение
При ошибке планирования агент уверенно движется в неверном направлении
Context Engineering (инженерия контекста)
Context Engineering — дисциплина создания оптимального контекста для AI: формулировка задач, подбор примеров, структурирование входных данных так, чтобы модель выдавала максимально точный результат.
В отличие от разовых промптов, Context Engineering — системная практика: шаблоны промптов, правила работы с кодовой базой, стандарты описания задач.
Применение в QA
Шаблоны промптов для генерации тест-кейсов по требованиям
Стандарты передачи контекста (какие файлы, какую историю дефектов прикладывать)
Оценка и улучшение качества AI-вывода как процесс, а не разовое действие
Prompt-Driven Development
Prompt-Driven Development — подход, при котором промпт становится артефактом разработки наравне с кодом: версионируется, ревьюится, поддерживается командой.
Артефакты подхода
Prompt Library — библиотека проверенных промптов для типовых задач
Prompt Templates — шаблоны с переменными под конкретные контексты
Prompt Tests — наборы входных данных и ожидаемых выводов для проверки промптов
Значение для QA
Промпты нуждаются в тестировании так же, как код:
Нужно проверить стабильность вывода (одинаковый промпт → похожий результат)
Граничные случаи: что происходит при неполном контексте, на другом языке, с противоречивыми требованиями
Регрессия промптов: обновление модели может изменить поведение существующих промптов
Human-in-the-Loop (HITL)
Human-in-the-Loop — принцип, при котором AI выполняет работу автономно, но критические решения требуют подтверждения человека. HITL — не методология целиком, а архитектурный паттерн, встраиваемый в любой из перечисленных подходов.
Точки HITL в разработке
Генерация кода
Пишет реализацию
Ревью логики и безопасности
Генерация тестов
Создаёт тест-кейсы
Оценивает полноту покрытия
Исправление дефектов
Предлагает фикс
Подтверждает корректность
Деплой
Запускает пайплайн
Разрешает выкатку на прод
Сравнение методологий
AI-Augmented Development
Высокая
Стандартный
Традиционная
Vibe Coding
Очень высокая
Низкий без QA
Критически важна
Spec-Driven AI Dev
Средняя
Высокий при хорошей спеке
Сдвинута влево
Agentic Development
Высокая
Зависит от агента
Валидация + аудит
Prompt-Driven Development
Средняя
Требует prompt-тестирования
Расширяется на промпты
Влияние на процессы QA
Что ускоряется
Генерация черновых тест-кейсов по требованиям
Автоматизация типовых регрессионных сценариев
Анализ логов и трассировок после сбоев
Что усложняется
Аудит AI-решений: сложнее понять, почему код именно такой — это затрудняет тест-дизайн
Управление техническим долгом: AI-код накапливает долг быстро, регрессия растёт
Тестирование промптов: новый вид артефакта, требующий отдельного подхода
Воспроизводимость дефектов: при агентной разработке воссоздать условия дефекта сложнее
Новые обязанности QA
Ревью AI-сгенерированных тест-кейсов на полноту и корректность
Участие в составлении спецификаций как входных данных для AI
Тестирование самих промптов и агентных пайплайнов
Оценка рисков автономных AI-действий (что агент мог сломать)
Источники
Andrej Karpathy — Vibe Coding (Twitter/X, February 2025) — оригинальный пост, вводящий термин Vibe Coding
GitHub — The AI-Native Developer Survey 2024 — данные о распространении AI-ассистентов в разработке
Дополнительные материалы
Anthropic — Building with Claude: Agentic Patterns — паттерны агентной разработки с примерами
Simon Willison — Prompt Engineering Is Real Engineering — аргументы в пользу системного подхода к промптам
DORA — Accelerate State of DevOps 2024 — ежегодный отчёт, с 2024 включает раздел о влиянии AI на метрики DevOps
Last updated