Сравнение LLM-кодеров: GPT-5.1, Grok, DeepSeek, «Алиса» и GigaChat
Привет, Хабр! Сегодня проверим, какая нейросеть лучше помогает в программировании. На дворе 2025 год у нас подоспел GPT-5.1, подтянулись конкуренты вроде Grok от xAI и DeepSeek из Поднебесной, а на отечественной сцене выступают обновлённая
Как я перестал бояться GUI-тестов и научился их любить (почти)
Пару лет назад мне надоело. Надоело писать Selenium-тесты, которые ломаются от каждого чиха. Надоело вручную прокликивать регресс в офисных пакетах и базах данных каждый релиз. Надоело, что половина приложений вообще не тестируется автоматически, потому что "это же десктоп, там нет селекторов".Короче, я запилил свой велосипед. И он оказался неожиданно полезным.Что меня бесило в обычных GUI-тестахДавайте честно. Если вы хоть раз писали UI-автотесты, вы знаете боль:Координаты - это ад. Поменялось разрешение? Сломалось. Обновили интерфейс? Сломалось. Запустили на другой машине? Сломалось.
Почему Python так популярен в 2025?
Многие языки приходят и уходят, но Python является одним из тех языков, который давно зарекомендовал себя на рынке как один из лучших вариантов для разработчиков всех уровней (и не только).Неважно, работаете ли вы над интеллектуальными системами, процессами, управляемыми данными или пишете тесты, Python позволяет создавать вам это программное обеспечение. И, судя по всему, тренд его популярности не собирается снижаться. Так почему же разработчики и тестировщики продолжают выбирать его? Ответ на этот вопрос я и предлагаю рассмотреть далее в статье.Насколько Python популярен?
Как искать различия на изображениях в визуальном тестировании ПО с помощью ИИ
Ключевые выводыОбнаружение различий между двумя изображениями — важная задача в визуальной автоматизации тестирования, когда скриншот нужно сравнить с предыдущей версией или эталонным дизайном.Генеративный ИИ на базе мультимодальных языковых моделей отлично распознаёт и объясняет содержимое изображения, но способен выявлять различия лишь в тех аспектах, на которых он был явно обучен.Эта задача обычно решается с помощью сверточной нейронной сети (CNN), сравнивающей небольшие фрагменты изображений (область 9×9 пикселей) вместо отдельных пикселей.
Визуальное тестирование с ИИ: сравнение скриншотов без ложных срабатываний
Ключевые выводыОбнаружение различий между двумя изображениями — важная задача в визуальной автоматизации тестирования, когда скриншот нужно сравнить с предыдущей версией или эталонным дизайном.Генеративный ИИ на базе мультимодальных языковых моделей отлично распознаёт и объясняет содержимое изображения, но способен выявлять различия лишь в тех аспектах, на которых он был явно обучен.Эта задача обычно решается с помощью сверточной нейронной сети (CNN), сравнивающей небольшие фрагменты изображений (область 9×9 пикселей) вместо отдельных пикселей.
Прощай, рутина: как наша команда QA в 3 раза ускорила работу с помощью собственного ИИ-агента
Привет, меня зовут Сергей, я занимаюсь автоматизаций тестирования в компании ITFB Group
Как мы автоматизировали анализ упавших тестов с помощью AI: от хаоса к структуре
Представьте: каждый день ваши автотесты генерируют десятки отчетов об ошибках, QA команда тратит часы на анализ падений, а разработчики получают невразумительные описания в духе "test.feature упал на строке 410". Знакомо?Мы решили эту проблему, интегрировав AI в процесс анализа тестов, и хотим поделиться опытом.Проблема: хаос в анализе упавших тестовВ нашем проекте работает комплексная тестовая инфраструктура:8 параллельных потоков выполнения650+ автотестов на CucumberЕжедневные прогоны с анализом регрессийТипичный workflow до автоматизации:Тесты упали
Не LLM едиными: генерируем юнит-тесты из реального исполнения на лету
Представьте себе: вы отлаживаете новый баг в сложном многослойном приложении (например, на Spring). Чтобы воспроизвести проблему, приходится взаимодействовать со всей системой end-to-end: отправлять запрос на эндпоинт или что-то кликать в UI. Юнит-теста, который бы изолировал нежелательное поведение до уровня злополучного сервиса или утилиты, нет. А хотелось бы, чтобы он был: во-первых, воспроизводить баг было бы проще (особенно если UI кликает QA, а не вы), а во-вторых, его потом можно было бы легко превратить в регрессионный и улучшить стабильность системы.
ИИ для QA: реальный опыт автоматизации анализа результатов автотестов
Анализ результатов автоматизированного тестирования — это очень важная и в то же время непростая часть тестирования. В любой момент у нас должна быть возможность оценить состояние продукта по результатам автотестов, сказал Марош Кутши на конференции QA Challenge Accepted. Он рассказал, как искусственный интеллект помогает экономить время на анализе, снижать количество человеческих ошибок и сосредотачиваться на новых сбоях.Кутши рассказал, что его QA-команда сталкивалась с трудностями при анализе результатов автотестов и искала способ избавиться от человеческих ошибок:
