Детальная информация

Данная работа посвящена проектированию и реализации отказоустойчивой серверной части системы автоматизированной генерации тестовых сценариев на основе искусственного интеллекта. В ходе работы проведен анализ современных процессов обеспечения качества и выявлена проблема хрупкости локаторов UI-автотестов. Обоснован выбор микросервисной топологии с асинхронным событийно-ориентированным взаимодействием на базе брокера сообщений Apache Kafka для решения проблемы длительных блокировок при работе с ресурсоемкими задачами. Разработанный метод сжатия DOM-дерева на базе Crawl4ai сокращает объем HTML-кода страниц в среднем на 87%, решая проблему лимита контекстного окна ИИ. Через фреймворк Spring AI и протокол Model Context Protocol реализован интеллектуальный контур генерации Java-кода для Selenium WebDriver с механизмом самокоррекции, а также создана подсистема In-Memory компиляции для верификации скриптов в оперативной памяти. Область применения результатов – отделы обеспечения качества программного обеспечения в IT-компаниях. Разработанная платформа функционирует в изолированной среде на базе локальных нейросетей, что полностью исключает риски утечки корпоративных данных. Предложенная архитектура обеспечивает изоляцию данных, стабильность клиентского интерфейса при высоких нагрузках и высокую отказоустойчивость. Использование разработанной системы позволяет существенно снизить сложность разработки пользовательских тестов, минимизировать ручное написание шаблонного кода и повысить устойчивость автотестов к изменениям графических интерфейсов.

This work is devoted to the design and implementation of a fault-tolerant server-side system for the automated generation of test scenarios based on artificial intelligence. During the work, an analysis of modern quality assurance processes was carried out, and the problem of UI autotest locator fragility was identified. The choice of a microservice topology with asynchronous event-driven interaction based on the Apache Kafka message broker was justified to solve the problem of long blockages when working with resource-intensive tasks. The developed DOM compression method based on Crawl4ai reduces the volume of web page HTML code by an average of 87%, solving the AI context window limit problem. Via the Spring AI framework and Model Context Protocol, an intelligent Java code generation loop for Selenium WebDriver with a self-correction mechanism was implemented, alongside an In-Memory compilation subsystem for script verification in RAM. The application area of the results is software quality assurance departments in IT companies. The developed platform operates in an isolated environment based on local neural networks, which completely eliminates the risks of corporate data leakage. The proposed architecture provides data isolation, client interface stability under high loads, and high fault tolerance. The use of the developed system makes it possible to significantly reduce the complexity of developing user tests, minimize the manual writing of boilerplate code, and increase the resilience of autotests to changes in graphical interfaces.