Autonomní AI agent pro testování: Jak systém napodobující práci QA inženýra nasadit za 24 hodin
V podmínkách omezeného rozpočtu startupů se automatizace rutinních procesů stává klíčovou. Vývojáři RankCaster AI se setkali s klasickým problémem škálování: růst funkcionality vedl k exponenciálnímu nárůstu času regresního testování — až 48 hodin manuální práce na každou aktualizaci. Řešením se stal autonomní systém založený na AI, nasazený za 24 hodin, který napodobuje činnost testera interakcí s rozhraním prostřednictvím sémantického chápání prvků.
Technický stack: minimalismus a efektivita
Namísto použití těžkých frameworků jako Selenium nebo Cypress si tým vybral lehké řešení ze tří komponent, které bylo nasazeno během jednoho pracovního dne. Tento přístup umožnil vyhnout se týdnům konfigurace a psaní vlastního kódu.
Klíčové komponenty systému:
- Claude Code — plní roli "mozku" systému, rozhoduje na základě vizuálního kontextu rozhraní
- agent-browser (Rust + Chrome CDP) — "tělo" systému, které ovládá skutečný prohlížeč Chrome přes protokol příkazového řádku
- SSH/psql (Read-only) — zajišťuje přímý přístup k testovací databázi pro ověření dat z rozhraní s backendem
Proces spuštění byl maximálně zjednodušen: globální instalace agent-browser, vytvoření izolovaných QA účtů na beta prostředí a nastavení jednoho souboru paměti s vzory příkazů. Systém nevyžaduje psaní testovacích skriptů pro každé tlačítko nebo prvek rozhraní.
Sémantická interakce s rozhraním
Hlavní rozdíl tohoto AI agenta oproti tradičním skriptům je schopnost interagovat s rozhraním jako živý průzkumník, nikoli přes programové berličky. Agent využívá několik klíčových principů práce:
Sémantická navigace přes Accessibility Tree
Bot analyzuje strom dostupnosti, vnímá nikoli souřadnice pixelů, ale smyslové určení prvků: "pole pro zadání přihlašovacího jména", "tlačítko filtru", "rozevírací seznam". To zajišťuje odolnost vůči změnám v rozhraní — pokud vývojáři změní ID prvků nebo přebarví tlačítka, bot se přizpůsobí chápáním funkčního určení komponent.
Emulace fyzických akcí uživatele
Namísto použití příkazu click() agent napodobuje přirozené chování: pohyb kurzoru, stisknutí kláves s realistickými zpožděními. Pro systémy ochrany proti botům je toto chování nerozlišitelné od akcí skutečného uživatele.
Průzkumnické chování a adaptace
Pokud potřebný prvek není viditelný na obrazovce, agent samostatně rozhodne posunout stránku, otevřít rozbalovací menu nebo vrátit se na předchozí krok. Je schopen rozpoznat slepé uličky a zkoušet alternativní cesty k dokončení úkolu.
Komplexní validace dat
Při interakci s prvky rozhraní se agent nespoléhá na pevně zakódované očekávané výsledky. Místo toho vytváří SQL dotazy k databázi a porovnává čísla zobrazená v rozhraní s surovými daty z tabulek.
Objevené chyby a ekonomická efektivita
Během prvního týdne práce autonomní agent demonstroval schopnost najít složité chyby, které mohly uniknout při manuálním testování:
Kritické objevené problémy:
- Chyba ve výpočtech APR (14 %) — nesrovnalost se projevovala pouze při specifické kombinaci filtrů. Vizuálně byly čísla zobrazena správně, ale ověření s databází odhalilo chybu v logice API
- Problém s CSS ořezáváním — konflikt výšek ve stylech ořezával sloupce na grafech. Agent analyzoval vizuální vykreslování a samostatně určil příčinu v kódu
Ekonomické ukazatele systému:
- Čas regresního testování se zkrátil z 48 hodin práce týmu na 10–40 minut autonomní práce agenta
- Náklady na ověření klesly z přibližně 250 USD (platba za čas inženýrů) na kolem 5 USD (cena API tokenů) za plný průchod
- Rychlost ladění — čas od objevení chyby k získání reportu s Root Cause (snímek obrazovky, log, SQL dotaz) se zkrátil na 10–15 minut
Bezpečnost a integrace do CI/CD
Práce AI s daty vyžaduje zvláštní pozornost k otázkám bezpečnosti. V systému jsou implementovány tři úrovně izolace:
Víceúrovňová ochrana dat:
- Maskování dat (Data Masking) — bot pracuje pouze s Shadow-kopií databáze. Před kopírováním dat se spustí ETL proces, který nahrazuje osobní údaje náhodnými hodnotami
- Simulace kontextu uživatele — při obdržení stížnosti na chybu systém vytvoří "dvojníka" v izolovaném pískovišti s parametry prostředí uživatele
- Integrace do GitHub Actions — každé spuštění testování probíhá v samostatném kontejneru s automatickou blokací vydání při zjištění nesrovnalostí
Co je důležité
- Autonomní AI agent využívá sémantické chápání rozhraní přes Accessibility Tree, což ho činí odolným vůči změnám ve vzhledu
- Systém je ekonomicky efektivní: náklady na testování se snížily 50krát a čas 70krát
- Agent nenahrazuje QA inženýry úplně, ale osvobozuje je od rutinních úkolů, umožňuje soustředit se na složité scénáře testování
- Všechny objevené chyby jsou automaticky zaznamenány deterministickými testy v Vitest
- Systém je integrován do CI/CD pipeline s víceúrovňovou ochranou dat a automatickou blokací problematických vydání
— Editorial Team
Zatím žádné komentáře.