AI bën gabime. Ashtu si njerëzit. Kjo është arsyeja pse ne kemi zhvilluar një industri të tërë të QA për të verifikuar në mënyrë të pavarur punën tonë - dhe ajo po lulëzon. Ky sektor rritet 7% në vit dhe pritet të arrijë , i nxitur pjesërisht nga nevoja kritike për të validuar prodhimet e gjeneruara nga AI. 115.4 miliardë dollarë deri në vitin 2032 Ndërkohë, automatizimi i shfletuesit ka dalë si një fushë thelbësore e zhvillimit të shërbimeve të AI. Kështu që ideja e dukshme vjen në shumë mendje – pse të mos përdorni automatizimin e shfletuesit si pjesë e kodimit të ndihmuar nga AI, duke siguruar agjentët e kodimit me reagime në kohë reale?A nuk do ta bënte kjo tërë sistemin më të qëndrueshëm? shtoni këtë funksionalitet në ChatGPT idetë Çfarë duhet të presim nga shërbimet e sigurimit të cilësisë të mbështetura nga AI? Qasja më e arsyeshme vjen nga platformat e testimit të turmës, ku përdoruesit e vërtetë kryejnë detyra testimi. Kjo metodologji formulon rastet e testimit më abstraktisht dhe ofron reagime më të pasura përtej rezultateve të thjeshta të kalimit / dështimit. Ekipet marrin njohuri të vlefshme për përdorshmërinë, problemet e performancës dhe pikat e dhimbjes së përdoruesit të vërtetë që testimet tradicionale shpesh humbasin. AI gjithashtu mund të adresojë një nga sfidat më kritike të infrastrukturës në QA moderne: kostoja e ndaluar e mirëmbajtjes. rastet e testimit bëhen të vjetëruara, komponentët zhvendosen, dhe selektorët e CSS dëshmojnë të jenë të pashembullt. mirëmbajtja e QA bëhet një barrë e veçantë që ekipet shpesh hedhin poshtë. Për më tepër, agjentët e QA-së mund të jenë anashkalues në rrjedhat e punës të kodimit të ndihmuar nga AI, të integruar drejtpërdrejt në rrjedhën e zhvillimit të agjentëve njerëzorë, të ndajnë reagimet, të ndërmarrin veprime, të luajnë një rol kryesor në të ashtuquajturat " “Marrëdhënia Shkëmbimi i majtë Prandaj, një IA gjithëpërfshirëse duhet të plotësojë kërkesat e përgjithshme: 
 
 
 
 
 Testimi në kërkesë gjatë zhvillimit. Zhvilluesit duhet të jenë në gjendje të përfundojnë një implementimin e karakteristikave dhe menjëherë të kërkojnë testimin me AI. Zhvillimi i rastit të testit të automatizuar. AI duhet të gjenerojë në mënyrë autonome rastet e testit të plotë për karakteristika të reja. Këto rastet e testit kanë nevojë për opsione fleksibël të ruajtjes - ose në vend pranë bazës së kodit ose në distancë në depo të re - duke siguruar që ato të mbeten të arritshme dhe të mirëmbajtshme. Ekzekutimi dhe menaxhimi i testimit inteligjent. Sistemi duhet të trajtojë ekzekutimin e testimit dhe menaxhimin me përditësime automatike. Idealisht, ai mban qasje në të dy bazën e kodit dhe dokumentacionin, duke e lejuar atë të përditësojë rastet e testimit në mënyrë dinamike si kërkesat zhvillohen. Raportet e testimit duhet të shkojnë përtej metrikave të thjeshta të kalimit / dështimit për të siguruar njohuri të veprueshme në shumë dimensione: Analiza e Logjikës së Biznesit, Vlerësimi i Përdorshmërisë, Metrika e Performancës. Më poshtë do të shohim se shërbimet e plota që plotësojnë të gjitha kërkesat e përshkruara nuk ekzistojnë. megjithatë, disa nga këto detyra mund të zgjidhen mjaft mirë. mjetet e QA po zhvillohen nga të dy ofruesit e LLM - veçanërisht OpenAI - dhe startups të pavarura. OpenAI: Agjent i Përdorimit të Kompjuterit Automatizimi i shfletuesit ka qenë në lidhje me kompaninë e Sam Altman për një kohë të gjatë. gjashtë muaj më parë, në janar 2025, agjenti që mund të zgjidhë detyrat në internet duke përdorur shfletuesin, u lançua. dhe është e fuqishme nga një model i dedikuar i bazuar në GPT-4o - Computer-Using Agent (po, ky është emri i modelit, CUA për shkurt). kontrolluar nëpërmjet ndërfaqes chat. Operatorë Fermë Browse Kompania vazhdon të investojë më tej në Operator, duke e bërë atë gjerësisht të disponueshëm për përdoruesit e ChatGPT me abonime Pro. Mund të spekulohet se automatizimi i avancuar i shfletuesit do të jetë një nga tiparet e tyre të reja të produktit, dhe ChatGPT mund të përdoret si një fushë loje për këtë teknologji. Shfletues i bazuar në Chromium Operatori nuk është një mjet QA në mënyrë specifike, kështu që do të jetë e vështirë për të bërë atë të punojë në këtë mënyrë përmes UI chat. OpenAI demonstron se si mund të bëhet me pak mjete me burim të hapur të quajtur . Në dispozicion përmes API Agjenti i testimit Essentially Testing Agent është një CUA me qasje në Playwright dhe disa UI bazë mbi të. Ajo punon në një mënyrë mjaft naive. Ju i jepni agjentit detyrën e gjuhës natyrore, i referoni atë në ndonjë URL që dëshironi të testoni, konfiguroni atë me disa të dhëna shumë të kufizuara të testimit, nisni dhe prisni. Pastaj krijon planin e testimit sipas detyrës suaj, nis shfletuesin Chrome në vend, merr screenshots, shkëmben ato me modelin CUA të OpenAI, ekzekuton veprimet që LLM gjeneron. Edhe pse është vetëm një demo, është jashtëzakonisht kufizuese: 
 
 
 
 
 
 Është i kontrolluar me një UI shumë bazë, jo një server MCP, kështu që nuk mund të lidhet me redaktorin tuaj të kodit të zgjedhjes. Është shumë i ngadalshëm, kryesisht sepse pret që modeli të njohë screenshotin Nuk ofron ndonjë prodhim të lexueshëm nga makina Nuk mbështet kalimin e variablave env për testim Nuk ndjek udhëzime mjaftueshëm mirë. është projektuar në thelb për të shërbyer një rast Unë dyshoj se mjeti i OpenAI mund të përdoret për QA, përveç nëse diçka mjaft e sofistikuar është ndërtuar mbi të. Dhe nuk ka një shërbim të tillë në këtë moment. Kjo vlen si për përgatitjen e menjëhershme dhe kontratën për ndërveprimin e shfletuesit - vetëm screenshots janë qartë të pamjaftueshme për të shmangur në mënyrë efektive keqkuptimet dhe halucinacionet. Browser Përdorimi Detyra e ndërveprimit më të saktë dhe të kontrolluar midis shfletuesve dhe LLM-ve është duke u zgjidhur nga Kjo start-up kaliforniane mblodhi një raund të farës prej 17 milionë dollarësh dhe y. Ata zhvillojnë protokollin e tyre të komunikimit shfletues-llm bazuar jo në screenshots, por në kontekstin e bazuar në tekst që përbëhet nga elementet interaktive të indeksuara, tabs të hapura, atributet HTML, parametrat e përdoruesit dhe shumë më tepër. . Browser Përdorimi Shumë vëmendje për Lazio zhytet në vetvete Qasja e zgjeruar e kontekstit në vetvete zgjidh shumë probleme: 
 
 
 
 
 
 
 , it doesn’t even require vision-LLM to operate Browser Use is LLM-agnostic 
 
  than screenshot-based solutions like Operator It’s more stable and performant 
 
  and accurately, as LLM has better understanding of the environment it operates with It can be prompted more specifically 
 
  with   and hooks it’s easy to build on top of it It’s extendable custom functions Një nga aplikacionet kryesore të përdorimit të shfletuesit është, natyrisht, skrapimi i uebit. Imagjinoni të shkruani kodin tuaj të skrapimit vetëm një herë pa u shqetësuar për ndryshimin e shënimit të faqes së synuar. Prisni, kjo është pikërisht ajo që duam nga gjenerata e re e mjeteve të QA. Dhe po, tashmë ka disa prej tyre që janë ndërtuar mbi përdorimin e shfletuesit. 
 
 Ne jemi tani duke iu afruar mjeteve që mund të jenë të paqëndrueshme, dhe më mori një kohë për të drejtuar disa prej tyre në vend. Meqenëse të gjithë ata përdorin MCP si një ndërfaqe, mjeti më i mirë debugging në dispozicion është inspektori MCP. Ne jemi tani duke iu afruar mjeteve që mund të jenë të paqëndrueshme, dhe më mori një kohë për të drejtuar disa prej tyre në vend. Meqenëse të gjithë ata përdorin MCP si një ndërfaqe, mjeti më i mirë debugging në dispozicion është . Inspektorë MCP Përdorimi i Viberit Përdorimi i shfletuesit për fëmijë është një mjet shumë Përdoruesit kontrollojnë një grup shumë të kufizuar të parametrave: URL-ja e faqes së internetit që testohet, numri i agjentëve që drejtohen në të njëjtën kohë dhe kalimi në mes të modaliteteve pa kokë / pa kokë. Instrumentet themelore të MCP Mjet fillon me lindjen e një "agjenti skaut" që identifikon elementet kryesore interaktive të faqes dhe krijon detyra për agjentët e testimit. Tjetra, Vibetest Use shpërndan detyrat e testimit në të gjithë agjentët, mbledh dhe përmbledh raportet e testimit, dhe i jep reagime përdoruesit. 
 
 
 
 
 Është përshtatur vetëm për modelet e familjes Gemini, kështu që do t'ju duhet një çelës API i Google për ta drejtuar atë Ajo ofron kontroll shumë të kufizuar mbi procesin e testimit Nuk lejon zgjerimin e skenarëve të gjeneruar automatikisht Për ta bërë atë të funksionojë, së pari kemi pasur për të rregulluar problemet e papajtueshmërisë me versionin e ri të përdorimit të shfletuesit Në përgjithësi, Vibetest Përdorimi nuk ka gjasa të jetë veçanërisht i dobishëm direkt, por mjete të ngjashme mund të ndërtohen në bazë të saj për detyra specifike brenda proceseve të ndryshme të biznesit. Një tjetër zgjidhje e bazuar në përdorimin e shfletuesit është "agjenti i shfletuesit që mund të vibe-test aplikimet web përmes MCP" nga start-up i quajtur . Operativë Agjentët e Eval Web Emërimi nuk është pjesa më e fortë e AI-tooling në përgjithësi, dhe Nuk është përjashtim. produkti kryesor i Operative është softueri i ngjashëm me Lovable i fokusuar në gjenerimin e aplikacioneve bazuar në API ekzistuese të brendshme të organizatës. por çuditërisht, ata filluan me një mjet testimi së pari dhe më në fund u bë pjesë e rastit të tyre kryesor të përdorimit. Agjentët e Eval Web Web Eval Agent është gjithashtu në dispozicion përmes MCP-së dhe ofron disa funksionalitet mbi Përdorimin e Shfletuesit. Së pari, si Operatori, vjen me një UI të përshtatshëm për të ndërvepruar me agjentin e testimit. Tjetra, ai orkestron dhe shpërndan detyrat tuaja të testimit. megjithatë, nuk përdor asnjë paralelizim, kështu që ju do të përfundoni me vetëm një agjent / shfletues për kërkesë. Mjet pastaj ekzekuton detyrën, mbledh screenshots, regjistrimet dhe gabimet e rrjetit dhe konsolës, dhe më në fund përmbledh gjithçka në një raport tekst. Ideja është që ju mund të dërgoni menjëherë këto gabime përsëri në agjentin tuaj të gjenerimit të kodit dhe të mbyllni rrjedhën. Ndryshe nga Përdorimi i Vibetest, Web Eval Agent ju lejon të jepni një këshillë që përdor për të udhëzuar agjentin e testimit dhe të nxjerrni konkluzione nga rezultatet e testimit. Ka disa disavantazhe gjithashtu - mjeti punon vetëm me kredite të brendshme të Operative. Çdo përfundim i bisedës konsumon një kredi, dhe madje edhe një test bazë mund të marrë lehtësisht 20-30 kërkesa. Por kufizimi kryesor është se ajo është shumë themelore në funksionalitet - ajo ofron vetëm një shtresë të hollë mbi përdorimin e shfletuesit pa ndonjë mjet shtesë të QA. Ashtu si me Vibetest Use, ky mjet do të kërkonte përshtatje të konsiderueshme për përdorim efektiv: eliminimi i bllokimit të shitësve, pasurimi i kontekstit me logjikën e nevojshme të biznesit, dhe formalizimi dhe strukturimi i prodhimit. Filloni me start-up Asnjë nga mjetet e përmendura më sipër nuk punojnë me të vërtetë jashtë kutisë, pjesërisht sepse ato janë lloj projekti anësor i krijuesve të tyre, të zhvilluar si përpjekje sekondare për të shfaqur teknologjinë ose si përpjekje eksperimentale. 
 
 
 
 
 
 
 gjurmë Momente të Dockë Testimi Kodi i Thunder ...dhe shumë shumë më tepër Shumica e këtyre mjeteve shkojnë shumë përtej serverëve të thjeshtë MCP – ato janë platforma të plota të testimit të ngjashme me BrowserStack dhe SauceLabs. Ndryshe nga gjeneratorët bazë të testimit, këto platforma trajtojnë tërë ciklin e jetës së testimit: ato gjenerojnë, ruajnë dhe ekzekutojnë teste të automatizuara. 
 
 
 
 
 
 
  from prompts and product requirements documents (PRDs) Auto-generation of tests 
 
 , where all logic is described with natural language AI-powered test steps 
 
  that simulate different user behaviors and scenarios Auto-healing tests that adapt and fix themselves when applications change Testing personas 
 
  that adapt and fix themselves when applications change Auto-healing tests Fluksi tipik i punës fillon me analizën e kërkesave të produktit të ndihmuar nga AI, e ndjekur nga krijimi i rastit të testit përmes ndërfaqes së platformës – qoftë i gjeneruar automatikisht ose i ndërtuar manualisht nga përdoruesi. Testimet e rezultuara janë paraqitur në dy formate të ndryshme: ose si kod të gjeneruar (si në TestSprite) ose të abstraktuar nëpërmjet hapave të testimit të bazuar në UI (Thunder Code). Për qasjet e bazuara në kod, përdoruesit redaktojnë hapat e testimit direkt nëpërmjet redaktorit të kodit të integruar të platformës. Vlera e këtyre platformave qëndron kryesisht në përshtatjen e LLM-ve për nevojat e QA. Ata tashmë mund të zvogëlojnë definitivisht kohën e shpenzuar në zhvillimin dhe mirëmbajtjen e testeve të automatizuara. megjithatë, problemet e tyre janë gjithashtu të dukshme - bllokimi i shitësve, kostot e larta dhe vështirësitë me integrimin në rrjedhën e punës së zhvillimit dhe kodimin e AI-assistant. Konkludimet Pavarësisht kërkesës së qartë për zgjidhjet e sigurimit të cilësisë të mbështetura nga AI, asnjë nga mjetet aktuale nuk i plotëson të katër kërkesat e përshkruara. Agjenti i testimit i OpenAI është shumë themelor dhe jo fleksibël, ndërsa mjetet me burim të hapur si Vibetest Use dhe Web Eval Agent të ndërtuara në Browser Use nuk kanë stabilitetin dhe kontrollin e nevojshëm për rrjedhën e punës së prodhimit. Edhe startup-et e dedikuara të AI-QA, edhe pse më gjithëpërfshirëse, vuajnë nga problemet e bllokimit dhe integrimit të furnizuesve që kufizojnë dobinë e tyre në mjediset e kodimit të asistuar nga AI. Protokolli i bazuar në tekst i Browser Use punon mirë, dhe tashmë është e mundur të ndërtohet zgjidhje të personalizuara mbi këto mjete për të përmbushur kërkesat specifike.

Read My Stories

Kjo audio është prodhuar në gjuhën origjinale të tregimit!

Shume gjate; Te lexosh

Get Free Unlimited IP Geo Data With IPinfo Lite

Pjesa e humbur e Vibe-Coding është Vibe-Testing

About Author

KOMENTE

VARUR TAGS

KY ARTIKU U PARAQIT NË

Related Stories

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps