Т-Банк 14 сентября описал внутреннего AI-QA-агента для регрессионного тестирования мобильного приложения. Система запускает приложение в симуляторе или эмуляторе, пошагово выполняет сценарий, анализирует экраны с помощью визуальной языковой модели (VLM) и сравнивает фактический результат с ожидаемым. Компания представила проект как опыт собственной команды.
По данным Т-Банка, в мобильном приложении накопились десятки тысяч тест-кейсов, а регресс проводится дважды в месяц и отнимает значительную часть ресурсов QA-команд. В описанном процессе инженер актуализирует тестовых пользователей, выбирает проверки в Allure и запускает прогон, после чего изучает сформированный агентом отчёт.
Центральный компонент системы — оркестратор: он принимает задание, готовит окружение, координирует агента и собирает результаты. Парсер преобразует тесты из Allure в пошаговые сценарии, навигационный движок управляет устройством, мок-прокси подменяет ответы сервера, а собственная веб-платформа показывает статус проверки, место расхождения, снимки экранов и комментарии агента.
Для iOS команда создала навигационный движок на Swift поверх XCUITest. По объяснению автора, idb не обеспечил необходимой стабильности, а Appium WebDriver оказался избыточным для ограниченного набора операций. Python-агент передаёт JSON-команды, а движок выполняет нажатия, жесты, ввод текста, создание снимков и управление состоянием симулятора. Для Android применяются реализации на основе adb, avdmanager и UIAutomator, скрытые за общим интерфейсом.
При выборе действий агент опирается прежде всего на изображение экрана. Т-Банк связывает это решение с масштабом приложения — сотнями экранов и компонентов — и неполной accessibility-разметкой. VLM анализирует снимок и состояние интерфейса, а процессы рассуждения и выполнения действия разделены. После каждого шага система отдельно проверяет ожидаемый результат; при расхождении сценарий останавливается.
Основной практической сложностью компания называет подготовку тест-кейсов. Многие инструкции в Allure рассчитаны на сотрудников, уже знакомых со структурой приложения, поэтому в них пропущены переходы и детали навигации. Для агента сценарии приходится дополнять маршрутами, условиями прокрутки и визуально проверяемыми ожиданиями. Сначала команда адаптировала описания вручную по набору правил, затем начала разрабатывать парсер, сочетающий правила для типовых шаблонов с автоматическим преобразованием тестов.
Практический контекст: Практическая интерпретация кейса: перенос ручного регресса на визуального агента требует не только модели и средств управления устройством, но и переработки тестовой документации. Подход уменьшает зависимость от жёстких идентификаторов элементов, однако качество выполнения по-прежнему связано с полнотой маршрута и однозначностью ожидаемого результата. Описанные выводы принадлежат команде Т-Банка и не представлены как независимо воспроизведённые.
Ограничение корпоративного кейса
Архитектуру, рабочий процесс и наблюдения описывает команда Т-Банка; независимое воспроизведение результатов в материале не представлено.
Источники
Дата события: 2026-09-14. Дата первоисточника: 2026-09-14.
