En los últimos dos años, el avance de la IA, especialmente los LLM (grandes modelos de lenguaje), ha resultado en resolver problemas tradicionales de manera más eficiente, y uno de los impactos que los LLM pueden crear es a través de la asistencia para automatizar nuestras pruebas de software. Para muchos equipos de software, la automatización nunca ha sido un ciudadano de primera clase del ciclo SDLC y los equipos luchan por automatizar los casos de prueba que crean la "   ". Debido a esta brecha en la automatización de pruebas, los equipos de calidad dedican mucho tiempo a verificar y escribir manualmente estos casos de prueba, lo que, como resultado, ralentiza la velocidad de envío del equipo de ingeniería.  deuda de automatización de pruebas  La única ruta de escape que existe para evitar tal problema es automatizar los casos de prueba a una velocidad superior, pero a menudo no podemos hacerlo porque:  Falta de experiencia en automatización entre los equipos de control de calidad manual para escribir el código escalable.  El costo de iniciar la automatización (   ) es demasiado alto debido a la enorme acumulación de casos de prueba que deben automatizarse. en términos de ancho de banda necesario para la gestión de ingeniería y control de calidad  Mala calidad de la documentación para los casos de prueba y falta de mantenimiento adecuado del conjunto de regresión y cordura.  Debido a que la mayoría de las empresas de productos se centran en el desarrollo de funciones y, por lo tanto, la estabilidad y la calidad quedan en un segundo plano.  Se prefiere la evaluación humana de los casos de prueba a la evaluación automática.  Aunque todos los problemas mencionados anteriormente necesitan un artículo separado sobre cómo los equipos de software deben abordarlos, en esta sección hablaremos sobre cómo los ingenieros de control de calidad pueden aprovechar ChatGPT o LLM como  copiloto en BDD (pruebas basadas en comportamiento).  Usando GPT3.5 para BDD y su automatización  ¿Qué es el BDD?    es una metodología de desarrollo de software ágil en la que una aplicación se documenta y diseña en torno al comportamiento que un usuario espera experimentar al interactuar con ella. Para el contexto de esta discusión, apliquemos pruebas basadas en BDD en un sitio web de YC y consideremos la página de inicio de sesión de YC hacker news como punto de partida.  El desarrollo impulsado por el comportamiento (BDD)  Para la página mencionada anteriormente, el comportamiento esperado es  "   ". Cuando un usuario intenta iniciar sesión e ingresa las credenciales válidas en   y presiona iniciar sesión, debería redirigir al usuario al sitio web de noticias sobre piratas informáticos https://news.ycombinator.com/login?goto=news  Según las pautas de BDD, el comportamiento anterior se puede escribir como sintaxis/pasos de Gherkin, lo que puede ser un posible caso de prueba, y al usar pepino como marco, el mismo Gherkin se puede automatizar y este comportamiento   . Sin embargo, debido al problema que analizamos en la sección anterior, el equipo de control de calidad generalmente sufre al automatizar lo mismo, pero podemos aprovechar el poder de   escribiendo algunas indicaciones y creando un flujo de trabajo para que nuestros equipos de control de calidad agilicen los pasos de Gherkin y su automatización. con mayor velocidad en la estructura del pepino. ya no necesitaría intervención humana los LLM  Flujo de trabajo para generar la sintaxis de Gherkin   En la imagen siguiente, por ejemplo, he mostrado cómo se puede ajustar el modelo GPT utilizando el mensaje para generar la sintaxis de pepinillo para el comportamiento presentado en lenguaje natural.   Flujo de trabajo para generar código compatible con pepino a partir de Gherkin Syntax    Paso 1: Solicitar ingeniería  A continuación se muestra el mensaje que puede escribir en la consola ChatGPT para ajustarlo y generar la automatización adecuada utilizando el código HTML y los pasos de Gherkin proporcionados. Como resultado final, hemos solicitado generar el código en forma de definición de paso según lo necesite el pepino, que los controles de calidad pueden copiar y pegar tal como está.    Paso 2: inyectar el HTML relevante que debe usarse como base para la automatización.  Como se muestra a continuación, después de realizar ajustes, ChatGPT solicita los pasos HTML y Gherkin relevantes que puede usar para generar definiciones de pasos para pepino.    Paso 3: generar la definición del paso  Como resultado de esto, GPT entenderá la estructura DOM del HTML proporcionado y le pedirá la sintaxis de Gherkin relevante. Para el caso anterior, ya hemos generado el Gherkin que podemos pasar tal como está:   Feature: User Login Redirect Scenario: User logs in with valid credentials Given the user is on the login page of "https://news.ycombinator.com/login?goto=news" When the user enters valid credentials and presses the login button Then the user should be redirected to the "hacker news" website   Salida final  Finalmente, según el flujo de trabajo y el mensaje mencionado, genera el archivo de definición de pasos para los pasos de Gherkin y el escenario mencionados anteriormente, que pueden ser tal como lo copian los controles de calidad en su marco de pepino después de un control de calidad menor para acelerar la automatización del comportamiento que se suponía. Probar.   La era de los copilotos  Con la llegada de la IA y la aparición de los copilotos, los humanos verán un aumento en su productividad. Podrán ampliar aún más sus límites de innovación transfiriendo las tareas rudimentarias y rutinarias a la IA. Sin embargo, sigo pensando que deberíamos verlos simplemente como asistentes para cualquier trabajo que hagamos y aún así la inteligencia para usarlos residiría en los humanos, ya que los equipos de tecnología, marketing, ventas y éxito del cliente están tratando de aprovechar el poder de los LLM en sus flujos de trabajo. Los ingenieros de control de calidad pueden hacer lo mismo para que puedan aumentar aún más su productividad y hacer que su trabajo de garantizar la calidad y la estabilidad del software sea emocionante.

The code in this story is for educational purposes. The readers are solely responsible for whatever they build with it.

Walkthroughs, tutorials, guides, and tips. This story will teach you how to do something new or how to do something better.

Newsletter

Este audio es producido en el idioma original de la historia!

Aprovechando ChatGPT para pruebas de software

About Author

COMENTARIOS

ETIQUETAS

ESTE ARTÍCULO FUE PRESENTADO EN

Related Stories

Navegando por las aguas: desarrollo de aplicaciones RAG de nivel de producción con lagos de datos

Telegram: el puente de Crypto Island hacia el continente

Las capas invisibles: por qué las entrevistas con los usuarios son un activo irremplazable

El modelo Bitcoin UTXO, impulsando un ecosistema único

Navegando por las aguas: desarrollo de aplicaciones RAG de nivel de producción con lagos de datos

Telegram: el puente de Crypto Island hacia el continente

Las capas invisibles: por qué las entrevistas con los usuarios son un activo irremplazable

El modelo Bitcoin UTXO, impulsando un ecosistema único

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps