Как ИИ помогает в тестировании большого и сложного продукта?

Как генерация тестов перестаёт быть разовым запросом к модели и становится системой, которая сама решает, каких тестов продукту не хватает. 1️⃣ Как устроено решение: система на Python и Anthropic. 2️⃣ На каком масштабе: с мая система работает на продукте из 28 компонентов на Python, Go, PHP, JavaScript и Rust, в котором больше 11 000 тест-кейсов. 3️⃣ Что показала эксплуатация: результаты работы в реальных условиях. Спикер: Дмитрий Винокуров, Staff SDET Engineer, в разработке с 2009 года, специализация – Linux, Python, QA и AI. Hard&Soft Skills Conclave https://clck.ru/3ByAsQ - это серия регулярных мероприятий с небольшими докладами по прикладным техническим темам 🎤 Стать спикером – https://hardsoftskills.dev/speakers?utm_source=yt Запишись на наши курсы по AI: 🎓 Курс [AI-Driven Development]! https://hardsoftskills.dev/level1-ai-driven-development?utm_source=yt 🎓 Курс [Продуктовая AI-разработка] – https://hardsoftskills.dev/level2-product-ai-development?utm_source=yt 🎓Курс [Технический Лидер] – https://hardsoftskills.dev/techlead?utm_source=yt 🎓Курс [Solution Architect in the Wild] – https://hardsoftskills.dev/solution-architect-in-the-wild?utm_source=yt 🎓Курс [CTO Starter Pack] – https://hardsoftskills.dev/cto-starter-pack?utm_source=yt 00:00 - Вступление 02:20 - Для какого продукта была нужна система тестирования 03:40 - Подходы к разработке тестов 05:30 - Предварительная работа – анализ исходного кода 06:25 - Две основные части решения 08:40 - Технический дизайн Tgen 15:05 - Шаблоны проектирования агентов и стек 17:05 - Почему просто не попросить Claude сгенерировать тесты? 18:15 - Объем работ над системой 20:30 - Поток обработки рабочей очереди 24:10 - Наблюдение за результатами и оценка модели и промптов 26:55 - Цикл самоулучшения 27:30 - Результаты и сдвиг сложности к ревью 32:00 - Что пошло не так и как это чинили 36:30 - Основная польза и дополнительные эффекты 38:00 - Ответы на вопросы