Новый AI‑инструмент для QA: как команда протестировала рискованный релиз микросервисов

В конце августа 2026 г. в одной из крупнейших российских компаний планировали выпустить обновление, затрагивающее более 30 микросервисов, работающих в высоконагруженных агломерациях. Релиз был отмечен высоким уровнем риска: присутствовали legacy‑компоненты, сложные зависимости и строгие сроки – всего две недели на полное тестирование.

Для решения задачи команда QA решила применить подход Agentic AI, построив собственный инструмент AgentQA. Инструмент сочетает несколько автономных агентов, каждый из которых отвечает за отдельный аспект проверки: нагрузочное тестирование, проверку совместимости, сканирование регрессионных багов и анализ логов. Агентам задаются цели в виде промптов, а система автоматически распределяет задачи, собирает результаты и формирует единый отчёт.

Ключевые технические детали:

• Используется LLM‑модель Claude‑3.5‑Sonnet для генерации тест‑кейсов и интерпретации логов;
• Интеграция с Kubernetes и Istio позволяет агентам динамически масштабировать нагрузку;
• Пайплайн построен на LangChain и GitHub Actions, что обеспечивает CI/CD‑подключение;
• Автономные агенты работают в изоляции, минимизируя влияние на продакшен‑окружение.

Результаты: за 10 дней команда провела более 12 000 тест‑запусков, обнаружила 27 критических багов, которые в традиционном подходе могли бы пройти незамеченными. Время полного тестового цикла сократилось с 5 до 3 дней, а покрытие тестов выросло с 68 % до 92 %.

Подробный разбор процесса и код‑пример доступны в статье на Habr AI: https://habr.com/ru/articles/1086968/