QA❤️4Life | Testing | Тестирование ПО

«ИИ-бумеранг»: компании снова нанимают людей на места, сокращённые из-за ИИ Агентство AP 29 октября разобрало обратный ход волны сокращений «из-за ИИ»: часть компаний возвращает людей на те же или похожие роли. Масштаб таких разворотов оценить трудно, но случаи достаточно частые, чтобы получить название – «ИИ-бумеранг». Руководители найма в финансах, маркетинге, праве и здравоохранении говорили кадровой компании Robert Half, что возвращали людей на сокращённые из-за ИИ места. Причина приземлённая: этим ролям нужен человеческий надзор, работа с отношениями и контроль качества. Билл Дрисколл из Robert Half объясняет так: критическое мышление, коллаборация, креативность и знание внутренней кухни компании ИИ не воспроизводит. Klarna, шведский сервис «купи сейчас, плати потом», снова набирает людей в поддержку – после того, как зависимость от чат-бота зашла слишком далеко. Исследование SHL: 16% работников в США и Великобритании сказали, что их заменили ИИ, а потом позвали обратно. Среди людей 18–24 лет таких 24%, ещё 36% знают того, с кем это случилось. Условия возвращения изменились. 51% согласились бы вернуться только при существенном повышении зарплаты, 42% хотят письменных гарантий сохранения места, 40% – прозрачности в том, как ИИ будет использоваться на их роли. ━━━━━━━━━━━━━━━━━━━━ 📢 QA❤️4Life — канал о тестировании 🤖 SyntxAI — все самые нужные нейросети в одном сервисе 🔒 MaxVpn — Удобный и быстрый VPN 🧠 Google AI Pro — подписка на личный Google-аккаунт на 18 месяцев за 990₽ ━━━━━━━━━━━━━━━━━━━━ 👑 Авторский курс по созданию персональных ИИ-агентов #ИИ #рынок_труда #найм #QA

Автотесты закрыли предсказуемое, а качество конспектов пришлось оценивать отдельной моделью На Хабре вышел кейс тестировщика-автоматизатора Савелия Мирскова о том, как тестировать недетерминированную систему. Проект генерирует конспекты и вопросы по текстам, и юнит- и интеграционные тесты закрывают только предсказуемые части: что circuit breaker после трёх попыток бросает исключение, что лимиты ввода срабатывают. Для проверки самих конспектов этого не хватает – правильный ответ заранее неизвестен. Поэтому подключили LLM-as-a-judge: отдельная модель или та же модель с другим промптом получает результат и ставит балл по заданной шкале. В шкале отдельные категории дефектов: искажение, добавленная интерпретация, совет или оценка, потеря действующего лица. Оценка 1 значит, что конспект не соответствует задаче. Тестовые данные собрали из текстов Довлатова, Толстого и Басё – от коротких заметок до длинных описаний с саморефлексией. Автор называет набор «золотым стандартом» и честно оговаривает ограничение: писатели не отражают реальных пользователей. После примерно 100 прогонов набора и нескольких правок промптов он вышел на оценку не ниже 4 от судьи и только тогда счёл возможным выводить в прод. Прогон стоит лимитов, поэтому его ставят не на каждое изменение, а как барьер перед продом: сломанная версия дальше не проходит. Отдельный вывод кейса: если судья поставил 3, не всегда виноват конспектирующий промпт. Иногда путается сам судья, и уточнять нужно его промпт – насколько строго оценивать интерпретацию, обобщение или вопрос. ━━━━━━━━━━━━━━━━━━━━ 📢 QA❤️4Life — канал о тестировании 🤖 SyntxAI — все самые нужные нейросети в одном сервисе 🔒 MaxVpn — Удобный и быстрый VPN 🧠 Google AI Pro — подписка на личный Google-аккаунт на 18 месяцев за 990₽ ━━━━━━━━━━━━━━━━━━━━ 👑 Авторский курс по созданию персональных ИИ-агентов #тестирование #QA #LLM #AI #автотесты

Нагрузочный тест находит то, что функциональные тесты не видят Нагрузочный тест отвечает на вопрос, который функциональная проверка обходит стороной: кнопка работает, а что будет при одновременных запросах от сотен тысяч пользователей, непонятно. Кейсы собраны в разборе на Хабре. Один прогон начали с отказа зависимости: отключили базу данных. Запись перестала работать, чтение продолжило отвечать, и стало видно, что сбой одного компонента не обязан превращаться в отказ всего сервиса. Адаптивные лимиты пропускной способности, близкие по смыслу к PID-регулятору, снижают давление на медленную зависимость вместо бесконечного роста очереди. Под нагрузкой резко выросла загрузка CPU в Kubernetes. Причина в Logback: при ошибке интеграции сервис писал один и тот же stack trace на каждый запрос, вывод ограничили до 50 раз в минуту. Рост с 20 до 200 запросов в секунду тест выдержал, но показал лишний запрос в базу на проверку авторизации при каждом обращении, результат закэшировали. Узким местом оказались настройки буферов Java-сервера Undertow, а менеджер пользователей упирался в 100 процентов CPU из-за рекурсивного запроса, проблема ушла после обновления AsyncPG. Перед переводом трафика с Python на Go тест повторили: на нагрузке чуть выше текущей пошли ошибки, хотя бизнес-логика не менялась, а между тестами обновилась библиотека телеметрии. Параметры HPA (Horizontal Pod Autoscaler, автомасштабирование в Kubernetes) задавали на глаз, после теста привязали к фактическому потреблению ресурсов. Стартовать достаточно с одного-двух критичных сценариев и понятного вопроса: пропускная способность, время отклика, потребление ресурсов, поведение при росте, устойчивость к сбоям. Авторы выложили репозиторий с готовыми скриптами и тестовой системой, результаты смотрят в локальной Grafana. ━━━━━━━━━━━━━━━━━━━━ 📢 QA❤️4Life — канал о тестировании 🤖 SyntxAI — все самые нужные нейросети в одном сервисе 🔒 MaxVpn — Удобный и быстрый VPN 🧠 Google AI Pro — подписка на личный Google-аккаунт на 18 месяцев за 990₽ ━━━━━━━━━━━━━━━━━━━━ 👑 Авторский курс по созданию персональных ИИ-агентов #QA #Testing #Performance #LoadTesting #Кейс

Vibe PPM: методология Сбербанка ставит ориентир 15–25 проектов на сотрудника 22 октября 2026 года на aipdlc.ru вышло руководство Vibe PPM версии 1.0. 73 страницы, автор – управляющий директор, директор проектного офиса Блока «Технологии» Антон Александрович Субчев. Права на материалы у ПАО Сбербанк, цитировать можно в некоммерческих целях со ссылкой на руководство и автора. Главное, за что цепляется глаз, – таблица пропускной способности. Классическая модель: 3–5 проектов на сотрудника проектного офиса. Зрелый Vibe PPM: 15–25 проектов через оркестрацию агентов. У руководителя проектов разрыв тот же: 2–3 проекта в классике и 8–15 в Vibe PPM. Четыре ступени идут по нарастающей. Классический офис без ИИ – 3–5 проектов, артефакты делаются полностью вручную. ИИ как ассистент руководителя – 5–7 проектов, процессы не меняются. Vibe PPM со спецификацией намерения – 10–15 проектов, агенты собирают артефакты из намерения. Координированная агентная конфигурация – 15–25 проектов, оркестрация агентов и компактный офис Tiny PMO. Для него ориентир тот же: 15–25 проектов на сотрудника при отношении стоимости к результату не выше 0,5. Оговорка, которую легко потерять: эти диапазоны задают целевые ориентиры для зрелой организации, а не измеренный результат. Замеров в документе нет. И отдельно сказано, что рост пропускной способности и высвобожденное время на суждение – разные величины, объединять их нельзя. Верхняя граница ориентира в пять раз выше верхней границы классической модели. Это цель методологии, а не приказ и не отчёт о внедрении. Ещё одна мысль документа: среда управления (данные, знания, политики) становится основным активом, потому что создаётся один раз и распределяется на сотни проектов. Рядом – пять уровней автономии пары «человек-агент», конституция агента, пять слоёв памяти и десять компонентов агентной системы. Поводом стал пост на Хабре с разбором этих цифр. Сам документ – руководство Vibe PPM 1.0, PDF. ━━━━━━━━━━━━━━━━━━━━ 📢 QA❤️4Life — канал о тестировании 🤖 SyntxAI — все самые нужные нейросети в одном сервисе 🔒 MaxVpn — Удобный и быстрый VPN 🧠 Google AI Pro — подписка на личный Google-аккаунт на 18 месяцев за 990₽ ━━━━━━━━━━━━━━━━━━━━ 👑 Авторский курс по созданию персональных ИИ-агентов #Management #AI #Process

API на примере ресторана: шпаргалка для тестировщика Клиент делает запрос, сервер его обрабатывает и возвращает ответ. На карточках собрал основные понятия, с которыми приходится сталкиваться при тестировании API: методы HTTP, состав запроса, коды ответа и токены. Аналогия с рестораном помогает разобраться в основах, а два дополнительных слайда показывают, чем отличаются GET, POST, PUT, PATCH и DELETE и из каких частей состоит запрос. Сохраняйте шпаргалку, чтобы быстро освежить термины перед работой с API. #QA #API #Тестирование #Шпаргалка

12 автотестов сократили рутинные проверки в регрессе с часа до десяти минут Тестировщик Сбера и Домклика рассказал, как за месяц освоил основы Kotlin, Java и внутренний Autotest Framework и написал свои первые 12 автотестов. Они автоматизировали рутинные платформенные проверки, на которые раньше уходил целый час: журналирование, мониторинг, события аудита, технические перерывы и минимальные требования к клиентам. После этого прогона хватало десяти минут. Это не история «сел с нуля и через месяц стал автоматизатором». Автор хорошо знал продукт, писал ручные тесты и уже делал фронтенд-проверки на Gherkin для iOS и Android. Новым для него было именно бэкенд-автотестирование и чтение незнакомого кода. Вместо учебников он разбирал проекты соседних команд, проходил внутренние курсы и просил Claude, GigaChat и GigaCode объяснять чужой код и ошибки. Для мобильных проверок он использовал Appium: снимал JSON-дерево экрана и по нему находил локаторы кнопок и полей. Действия собрал в Page Object по классам на экраны, а сценарии описывал на Gherkin, чтобы шаги оставались читаемыми. Вёрстку дополнительно проверял сравнением с эталонным скриншотом. Ограничения тоже проявились: не везде были Accessibility ID, XPath оказался слишком хрупким, а тесты для iOS и Android приходилось адаптировать отдельно – интерфейсы различались даже при одинаковых данных с бэкенда. В бэкенд-тестах на внутреннем ATF он, например, проверяет, что заявка от клиента младше 18 лет получает отказ. Автор отдельно оговаривает: показанный в статье Kotlin-класс ипотечного экрана – упрощённая иллюстрация, не код из проекта. Такой пример хорошо показывает разделение ответственности: локаторы и действия спрятаны в Page Object, а сценарий описывает поведение. Следующий шаг автора – покрыть к концу года около 30% рутинного некритического регресса и расширять end-to-end-проверки. Полезный вывод для QA не в том, что каждому срочно нужен Kotlin: начинать стоит с повторяемой рутины, которую уже хорошо знаешь по продукту, а готовый код соседней команды и ИИ использовать как учебную опору, не как замену пониманию. Разбор с примерами Appium, Gherkin и ATF – в статье на Хабре. ━━━━━━━━━━━━━━━━━━━━ 📢 QA❤️4Life — канал о тестировании 🤖 SyntxAI — все самые нужные нейросети в одном сервисе 🔒 MaxVpn — Удобный и быстрый VPN 🧠 Google AI Pro — подписка на личный Google-аккаунт на 18 месяцев за 990₽ ━━━━━━━━━━━━━━━━━━━━ 👑 Авторский курс по созданию персональных ИИ-агентов #QA #Тестирование #Автоматизация #Kotlin #Appium

В двух командах на агентской разработке технических багов на проде стало вчетверо больше Тимлид Игорь Симаков разобрал 268 багов из двух продуктовых команд за год. С марта 2026-го он сам не пишет код руками, затем перевёл на работу с агентами QA, бэкенд и фронтенд. Агенты ускорили поставку, но вместе с кодом вырос и поток дефектов. За квартал команды стали мержить 351 изменение вместо 199, а средний размер изменений вырос с 160 до 280 строк. Общий объём кода за квартал поднялся с 32 до 97 тысяч строк. При том же числе тестировщиков технических багов на проде с конца 2025 года стало в четыре раза больше. По оценке автора, до продакшена доходит примерно два из трёх технических дефектов. Речь в основном о подкапотных проблемах: контрактах между компонентами, нагрузке на открытые API и передаче данных между сервисами. Это не значит, что агенты сами по себе вызвали четырёхкратный рост. Автор отмечает, что такие баги были и раньше, а рост кода и более внимательный учёт могли сделать их заметнее. По одному кейсу двух команд причинность не установить. Для QA практическая проблема здесь в пропускной способности проверок: успевают ли они и ревью за выросшим объёмом изменений. Если команда полагается на агентский код и его самопроверки, дефект может обнаружиться уже на проде. Статья Игоря Симакова на Хабре. Предыстория перехода на агентскую разработку: первый материал автора. ━━━━━━━━━━━━━━━━━━━━ 📢 QA❤️4Life — канал о тестировании 🤖 SyntxAI — все самые нужные нейросети в одном сервисе 🔒 MaxVpn — Удобный и быстрый VPN 🧠 Google AI Pro — подписка на личный Google-аккаунт на 18 месяцев за 990₽ ━━━━━━━━━━━━━━━━━━━━ 👑 Авторский курс по созданию персональных ИИ-агентов #QA #Testing #CodeQuality #AI

pytest 9.2.0: параметризация, флаг -c и импорт плагинов Релиз 9.2.0 опубликован 27 октября 2026, полный список правок есть в changelog. Ломающих изменений три, и все они касаются мест, где pytest раньше оставлял ошибку без внятного объяснения. Флаг -c теперь выдаёт ошибку использования, если путь не существует, указывает на каталог или имеет формат, для которого у pytest нет загрузчика. Раньше такой аргумент молча игнорировался либо ронял прогон необработанным FileNotFoundError. Аргументы indirect, ids и scope у parametrize стали keyword-only. Позиционная передача раньше давала запутанную ошибку «indirect fixture '(1, 2)' doesn't exist», теперь это понятный TypeError. Аннотации объявляли их keyword-only и раньше, так что типы и рантайм наконец совпадают. Сбои импорта плагинов при старте разделены по причине. Плагин, не найденный через -p, pytest_plugins или PYTEST_PLUGINS, завершает прогон кодом 4 (USAGE_ERROR), как conftest.py с ошибкой импорта. Найденный, но падающий при импорте плагин, включая сломанную точку входа pytest11, даёт код 3 (INTERNAL_ERROR) с сохранённым трейсбеком, а pytest.main возвращает код вместо ImportError. Из нового: полный diff получил легенду к символам + и -, при включённом strict_markers имена маркеров в выражениях -m сверяются с зарегистрированными. Опция parametrize_long_str_id_strategy управляет id длинных строковых параметров: short (по умолчанию, значения длиннее 100 символов заменяются на argname+index), sha256, legacy и disallow. В улучшениях: --no-summary больше не пропускает хук pytest_terminal_summary, поэтому coverage и другие плагины продолжают писать свою сводку. Опции вроде junit_family или console_output_style теперь проверяют допустимые значения. Приватное _pytest.python.CallSpec2 переименовано в CallSpec, алиас уйдёт в pytest 10 или 11, а yield_fixture и фикстуры-методы уровня module, package и session объявлены устаревшими. ━━━━━━━━━━━━━━━━━━━━ 📢 QA❤️4Life — канал о тестировании 🤖 SyntxAI — все самые нужные нейросети в одном сервисе 🔒 MaxVpn — Удобный и быстрый VPN 🧠 Google AI Pro — подписка на личный Google-аккаунт на 18 месяцев за 990₽ ━━━━━━━━━━━━━━━━━━━━ 👑 Авторский курс по созданию персональных ИИ-агентов #pytest #тестирование #python #автотесты #релиз

Opera начала поставлять локальные ИИ-модели прямо в браузерах 27 октября 2026 года Opera открыла раннее превью WebAI в Opera One, Opera GX и Opera Neon. Модели работают на компьютере пользователя, а не на серверах провайдера, и отдельного приложения для этого не требуется. WebAI – предложенный веб-стандарт, который поддерживают в том числе Google и Microsoft. Он позволяет сайтам и расширениям обращаться к ИИ, исполняющемуся внутри браузера. Речь именно о предложении: стандарт пока не принят. Реализация Opera не привязана к одной модели. На старте доступны Google Gemma, на Mac – on-device foundation model Apple, плюс открытые модели, которые Opera гоняет на своём движке инференса. Поднимать локальный сервер и получать API-ключ не нужно: инференс встроен в браузер, а данные, которые обрабатывает модель, не отправляются в облако. Разработчикам дали три API: Prompt для генерации текста, Decision для классификации контента и Semantic Embeddings для поиска связей между фрагментами. WebAI включается вручную: пока пользователь не включит его в настройках, ничего не скачивается, а доступ сайтов к локальному ИИ регулируется отдельными разрешениями. Работает это на 64-битных Windows с Intel или AMD и на Mac с Apple silicon, скорость зависит от железа. Рядом показали HTML-in-Canvas, где живые страницы помещают в 2D и 3D сцены с рабочими кнопками и формами, и шесть экспериментальных расширений, от квиза по прочитанной статье до ASCII-котов. Смысл в том, что браузер перестаёт быть клиентом к чужому API. Локальные модели становятся частью веба как платформы, и это меняет то, кто платит за инференс и где остаются данные. Подробности в пресс-релизе Opera. ━━━━━━━━━━━━━━━━━━━━ 📢 AI❤️4Life — канал об искусственном интеллекте 🤖 SyntxAI — все самые нужные нейросети в одном сервисе 🔒 MaxVpn — Удобный и быстрый VPN 🧠 Google AI Pro — подписка на личный Google-аккаунт на 18 месяцев за 990₽ ━━━━━━━━━━━━━━━━━━━━ 👑 Авторский курс по созданию персональных ИИ-агентов #Opera #WebAI #LocalAI #AI #Browsers

OpenAI выпустила GPT-6.1 Terra вдвое дешевле прежней версии 26 октября OpenAI представила GPT-6.1 Terra – быструю и экономную модель для визуального анализа, работы с компьютером и более чистого письма. В анонсе её называют шагом вперёд от GPT-5.6 Terra. Миллион входных токенов в API стоит $1, выходных – $5, кэшированных входных – $0,05. Это вдвое ниже, чем у GPT-5.6 Terra и GPT-6.1 Sol. Контекст – 1 050 000 токенов, на вход до 922 000, на выход до 128 000. Входные модальности: текст и изображение, уровни reasoning от none до max, по умолчанию medium. Лимиты и цены – в карточке модели. По замерам OpenAI, в «Agents’ Last Exam» при среднем усилии модель на 15 процентных пунктов выше GPT-5.6 Terra примерно за треть стоимости. В Terminal-Bench 4.0 при максимальном усилии она решает 50,3% задач против опубликованных 21,5% у предыдущей версии. Задачи выполняет более чем втрое быстрее GPT-6 Astra и GPT-6.1 Sol. На внутреннем наборе промптов-провокаций доля ошибок при низком усилии упала с 53,6% до 16,7%. OpenAI пишет, что модель устойчива к промпт-инъекциям, честнее сообщает об ограничениях и проходит порог Critical по кибербезопасности в Preparedness Framework. Независимый замер Artificial Analysis: при максимальном усилии индекс интеллекта на 6 пунктов выше GPT-5.6 Terra при цене $0,40 против $1,40 за задачу. Доля галлюцинаций в AA-Omniscience упала с 88% до 38%. В Coding Agent Index 2.0 у Terra 48 баллов, у GPT-6.1 Sol 54 – самые сложные задачи по коду остаются за Sol и Astra. Доступна на платных тарифах Plus, Pro, Enterprise и Edu в ChatGPT Work и Codex, разработчикам – в API под именем gpt-6.1-terra. ━━━━━━━━━━━━━━━━━━━━ 📢 AI❤️4Life — канал об искусственном интеллекте 🤖 SyntxAI — все самые нужные нейросети в одном сервисе 🔒 MaxVpn — Удобный и быстрый VPN 🧠 Google AI Pro — подписка на личный Google-аккаунт на 18 месяцев за 990₽ ━━━━━━━━━━━━━━━━━━━━ 👑 Авторский курс по созданию персональных ИИ-агентов #OpenAI #GPT6 #LLM #AI

OWASP Top 10:2025 – шпаргалка для QA-инженера OWASP обновил Top 10 – в 2025 году на первом месте уже Broken Access Control, а Supply Chain впервые поднялся так высоко. Собрали шпаргалку для QA: какие категории проверять, как строить тесты доступа и инъекций на тестовом стенде, какие коды и тела ответов сверять и какие вопросы про безопасность задают на собеседованиях. Практика без разрушительных команд и лишней теории. Полная шпаргалка с примерами и ответами на вопросы – на Telegraph ━━━━━━━━━━━━━━━━━━━━ 📢 QA❤️4Life — канал о тестировании 🤖 SyntxAI — все самые нужные нейросети в одном сервисе 🔒 MaxVpn — Удобный и быстрый VPN 🧠 Google AI Pro — подписка на личный Google-аккаунт на 18 месяцев за 990₽ ━━━━━━━━━━━━━━━━━━━━ 👑 Авторский курс по созданию персональных ИИ-агентов #QA #Тестирование #Шпаргалка #Education

Anthropic 22 октября выложила гайд о том, когда субагентов стоит вшивать в основной цикл агента. Я разобрал его по пунктам и собрал 11 слайдов. Главное там не слайды, а пять режимов отказа. Как обычно получается. Каждая возможность продукта принадлежит своей команде. Команда строит своего агента. Сверху появляется оркестратор, потому что агентов стало много. Выглядит как порядок. Дальше – знакомое: – контекст на передачах теряет детали; – субагентов сотни, владельца нет ни у одного; – в системный промпт каждая команда дописала по предложению, и правила конфликтуют; – evals у всех свои и заточены под свой кусок; – задержка складывается из вложенных циклов. Один клиент сравнил мультиагентный харнесс с одним циклом и получил рантайм примерно вдвое быстрее у второго. В Claude Code после прогрессивного раскрытия скиллов и инструментов системный промпт стал короче на 80%. Самое полезное – про миграцию. Вшивать по одному, начиная с самых используемых. Смотреть не только итоговый балл, а какие задачи перевернулись: в тестовом support-агенте вшивание уронило задержку и сломало шаг с датой доставки. Главный агент ответил сам, не спросив shipping-специалиста. Поломка вылезла в одном прогоне из двух – поэтому каждую задачу прогонять больше одного раза. У меня в команде десять человек, и я узнаю в этом не технику, а оргсхему. Когда каждый отвечает за свой кусок и никто – за целое, архитектура честно это копирует. Закон Конвея, только дороже по токенам. Что оставляют субагентам: измеримую деградацию от контекста, параллель в окнах, которые можно выбросить, и конфликт инструментов. Остальное – скилл плюс инструменты в основном цикле. Полный handoff – только если субагенту надо говорить с пользователем напрямую. И два порога, которые стоит записать: больше 30–50 определений инструментов в промпте – выбор начинает деградировать; для старта evals хватает десяти золотых примеров. 11 слайдов – в PDF под постом: от пяти режимов отказа до цикла решения «вшивать или оставить». А у вас какой субагент реально оправдан? Интересны в первую очередь случаи, где вшивание ухудшило результат.

Ника купила билет и заказала кофе на год. В тестах агента 94% ошибок пришлись на интеграции Исследовательница Виктория несколько недель поручала своему агенту Нике бытовые дела: купить авиабилет, забронировать гостиницу, заказать кофе, позвонить в ресторан. У агента были браузер, банковская карта, SIM-карты с ИИ-звонилкой, почта и мессенджеры. Авиабилет агент действительно купил и оплатил, гостиницу забронировал. В других сценариях он подбирал комплектующие и рассчитывал сервер, но до оплаты не доходил. С кофейными заказами обнаружился другой дефект: без заданного срока остановки агент продолжал покупать, и дома скопился запас примерно на год. А после серии из более чем ста тестовых звонков ресторанам номер Ники начали блокировать. В своей серии прогонов автор отнесла 94% зафиксированных ошибок к инструментам, MCP-серверам и внешним интеграциям. Это не означает, что модель безошибочна: просто результат зависит от всей цепочки, включая браузер, телефонный сервис и сайт на другом конце. Хороший ответ в чате ещё не доказывает, что бронь подтверждена или оплата прошла один раз. Для проверки таких агентов важны конечное состояние и границы полномочий: подтверждение транзакции, лимит бюджета, условие остановки для повторяющихся задач и защита от повторного списания. Автор отдельно предупреждает, что описывает ранние эксперименты, а часть облачных покупок и оплат теперь ограничена. В репозитории NIKA Desktop можно посмотреть локальную часть приложения. Она позволяет изучить запуск локальных моделей и работу с документами, но не воспроизводит облачные покупки и звонки. Полный разбор эксперимента на Хабре – с задачами, ошибками и тем, что можно повторить самостоятельно. ━━━━━━━━━━━━━━━━━━━━ 📢 QA❤️4Life — канал о тестировании 🤖 SyntxAI — все самые нужные нейросети в одном сервисе 🔒 MaxVpn — Удобный и быстрый VPN 🧠 Google AI Pro — подписка на личный Google-аккаунт на 18 месяцев за 990₽ ━━━━━━━━━━━━━━━━━━━━ 👑 Авторский курс по созданию персональных ИИ-агентов #QA #Testing #AI #Agents

Четыре правила, после которых агентам можно доверить рабочий контур Руководитель ИТ-команды с более чем двадцатилетним опытом разобрал на Хабре, как его команда пустила ИИ-агентов в разработку бизнес-модулей на ELMA 365: договоры, контрагенты, корреспонденция, доверенности, облигации. Старт вышел шумным: два агента работали в одной папке проекта, и коммит любого мог подхватить мусор, оставленный соседом. Это первая статья серии из семи материалов. С октября каждая задача живёт в собственной ветке и собственной рабочей копии проекта через git worktree; копии лежат в одной служебной папке внутри проекта, а в основной копии разрешено только смотреть. С 15 октября рабочая система переведена в режим только для чтения: агенты там ничего не сохраняют, не публикуют и не удаляют. Технически это фильтр запросов в сессии браузера – пропускает чтение, вход и поиск, остальное обрывает до отправки страницы, а сохранённая сессия удаляется после работы. Третье правило звучит коротко: «опубликовано» – ещё не «работает». Всё скомпилировалось, тесты на заглушках прошли, публикация прошла успешно, а потом любой новый договор падал на первом шаге согласования. Причина оказалась в поведении платформы: список версий файла возвращает только вытесненные версии, у файла, загруженного один раз, список пуст, и код на это не рассчитывал. Дефект поймали на сервере разработки и исправили на следующий день, а в работе появился статус «опубликовано, проверка не завершена». Снять такой статус можно, только перечитав с сервера всё изменившееся в опубликованной версии, сравнив с тем, что принимали до публикации, пройдя затронутый процесс заново на свежих тестовых данных и реальными кнопками форм и убедившись, что всё временное убрано. Четвёртое правило: проверяет не тот, кто сделал. Работу принимает отдельный агент, который её не делал: получает точную версию результата и пишет свои проверки, а если код после проверки изменился, проверка недействительна. Агент дважды остановился там, где нужен человек: на шаге мастера обновления конфигурации, после которого начинается настоящее применение, и на поле с токеном доступа, где секрет кладут в хранилище другой системы. Обе защиты он не стал обходить и написал в отчёте, что кнопку должен нажать человек. Ещё показательнее эпизод с переносом между серверами, где автор задания указал, что основной сервер разработки новее, а агент первым шагом сравнил версии и выяснил обратное: основной отставал от тестового больше чем на год релизов, и на тестовом лежали месяцы ручных доработок, после чего выдал отчёт с заголовком «противоречит исходному заданию», предложил два варианта и попросил решить, какой сервер считать источником правды. Забрать отсюда можно почти всё, правила переносятся на любой проект. Формат отчёта: первый блок «Что нужно от вас» – только реальные решения, по строке на каждое, второй «Что сделано» – две–четыре короткие строки, без таблиц и внутренних названий. Общее для проектов вынесено в отдельный документ, внутри его называют конституцией: сбой сети – подожди и повтори, упавшие тесты – исправь сам, нет внешнего доказательства – держи пункт открытым, нужно решение владельца – назови сработавшее правило и работай дальше, инцидент – эскалация сразу. И главное, что стоит перенести дословно: «собрано», «импортировано», «опубликовано» и «проверено» – четыре разных слова, которые агент обязан различать в отчёте, а код завершения импорта и ответ «сервер отвечает» доказательством не считаются. ━━━━━━━━━━━━━━━━━━━━ 📢 QA❤️4Life — канал о тестировании 🤖 SyntxAI — все самые нужные нейросети в одном сервисе 🔒 MaxVpn — Удобный и быстрый VPN 🧠 Google AI Pro — подписка на личный Google-аккаунт на 18 месяцев за 990₽ ━━━━━━━━━━━━━━━━━━━━ 👑 Авторский курс по созданию персональных ИИ-агентов #qa #process #ai #тестирование

Тестовые данные отдельно, код отдельно: разбор пяти способов изоляции в Java-автотестах На Хабре вышла статья makurea о том, как развести тестовые данные и код проверок: «Тестовые данные отдельно, код отдельно: 5 способов изолировать данные в автотестах на Java». Отправная точка – два падения. В базовом классе зашили localhost:8080, и на CI посыпались таймауты. При запуске в 16 потоков два теста взяли одну учётку: один логинился, второй менял пароль, первый получал 401. Первые два способа – про конфигурацию. Флаги -D с System.getProperty() годятся для двух-трёх параметров вроде адреса стенда и таймаута; на десяти команда запуска становится нечитаемой, а опечатка в числе вылезает NumberFormatException в рантайме. Библиотека Owner (org.aeonbits.owner 1.0.12) убирает шаблонный код: Java-интерфейс с аннотациями, типы приводятся автоматически, приоритет загрузки настраивается – системные свойства, файл окружения, дефолтный. Запуск с -Denv=stage подтягивает stage, без параметров берётся dev. Третий – Data-Driven Testing в TestNG: @DataProvider читает CSV из src/test/resources, parallel = true распределяет строки по потокам, Allure показывает каждую строку отдельной проверкой. Встроенного чтения CSV в TestNG нет, парсер пишут один раз сами, а таблицу на 40+ колонок неудобно ревьюить в пул-реквесте. Четвёртый – динамическая фабрика данных. Instancio или Faker генерирует пользователя, фабрика отправляет POST /api/users, сервер возвращает ID и токен, а в @AfterMethod запись удаляется DELETE-запросом. Изоляция полная, можно гонять в 20+ потоков, но нужны стабильные ручки API, и дополнительные запросы удлиняют прогон. Пятый способ – секреты в Vault, AWS Secrets Manager или Masked Variables в GitLab CI: раннер получает временный токен, ключи живут только в памяти JVM. Минус – порог входа, без настроенных политик доступов локально не запустить. Антипаттерны автор перечисляет отдельно: - общее изменяемое состояние: по очереди тесты проходят, в 8 потоков падают случайно; - секреты в системе контроля версий: в репозитории лежит master.admin.pass=SuperSecret123; - таблица-гигант: CSV на 60 колонок и 2000 строк, правка в колонке BA ломает половину сьюта; - забытая уборка: база стенда раздувается, поиск по пользователям отвечает с десятисекундным таймаутом. Сам автор на боевом проекте остановился на обычном TestNG @DataProvider с CSV: много тарифных сеток, сотни пограничных случаев покрыты тремя тестами, ручные тестировщики дописывают строки в CSV без знания Java, а с parallel = true сьют проходит за пару минут. Код примеров на Java в статье есть для каждого из пяти способов. ━━━━━━━━━━━━━━━━━━━━ 📢 QA❤️4Life — канал о тестировании 🤖 SyntxAI — все самые нужные нейросети в одном сервисе 🔒 MaxVpn — Удобный и быстрый VPN 🧠 Google AI Pro — подписка на личный Google-аккаунт на 18 месяцев за 990₽ ━━━━━━━━━━━━━━━━━━━━ 👑 Авторский курс по созданию персональных ИИ-агентов #qa #testing #automation #java

Recursive выпустила Flint: 40 млрд параметров, 131 токен в секунду на ноутбуке 21 октября вышла первая модель Recursive Superintelligence – MoE для агентного программирования на локальном железе. Всего 39,8 млрд параметров, но на каждый токен приходится около 2,5 млрд: маршрутизатор выбирает 6 экспертов из 256 плюс один общий. Архитектура на 49 слоёв, из них 35 со скользящим окном в 513 токенов и 14 с полным вниманием. Скорость измеряли на своём железе: больше 125 токенов в секунду на MacBook Pro с M4 Pro, TechCrunch намерил 131, а на 64-гигабайтной NVIDIA RTX Spark выходит больше 150. Для сравнения, Gemma 4 и Nemotron 3.5 Lightning на том же Mac выдают 58–69. Квантованные веса занимают около 23 ГБ, но движку нужен 48 ГБ памяти, а собственный движок Recursive на M4 Pro даёт от 1,4 до 2,6 раза больше пропускной способности, чем llama.cpp. Веса лежат на Hugging Face под Apache 2.0, поддержка в Ollama была с первого дня, плюс кванты под LM Studio, llama.cpp и Jan. Баллы красивые, но это цифры самой компании: 74,2% на SWE-bench Verified, 89,7% на SWE-bench Pro v2, 54,9% на Terminal-Bench 2.1, 80,3% на LiveCodeBench v6. Независимого лидерборда пока нет, а результаты SWE-bench Pro v2 замерены самой Recursive и с публичным лидербордом не сравнимы. Заявление про паритет с плотными моделями на 25–40 млрд тоже требует оговорки: на Terminal-Bench 2.1 у плотного Qwen 3.8 73,0% против 54,9% у Flint. На SWE-bench Verified в собственном среднем по шести тестам выше только Qwen3.8 27B. С контекстом та же история: в анонсе 512 тысяч, в карточке модели задокументировано 262 144, и рекомендуют не выходить за 256 тысяч. Отдельно стоит сказать про архитектуру самой модели. 49 слоёв, 256 маршрутизируемых экспертов, 6 активных плюс всегда включённый общий, скользящее окно 513 токенов, 32 головы запроса и 4 головы ключ-значение, RoPE только на скользящих слоях. Контекст 262 тысячи токенов, словарь 150 тысяч, знания до июня 2026. Заявленная скорость в 5 раз против плотных моделей – это тоже сравнение Recursive с её же выборкой. Практическая ценность другая: код не уходит с машины, счёт за токены не растёт, а на ноутбуке с 48 ГБ живёт модель уровня, который ещё недавно требовал серверной карты. Обратная сторона названа в самом анонсе: Flint может требовать больше управления, чем большие закрытые модели, – сложные задачи лучше дробить на части. Про контекст компании: Recursive вышла из stealth в мае 2026 с 650 млн долларов при оценке 4,65 млрд, инвесторы – GV, Nvidia и AMD Ventures, руководит бывший главный учёный Salesforce Ричард Сочер. Тот же Wired тестировал Flint на маке с 48 ГБ, собирая на ней небольшие программы, а договор на 410 млн по вычислениям с AWS был подписан в июне. Полное исследование с цифрами – в анонсе Recursive, веса и карточка модели – на Hugging Face. ━━━━━━━━━━━━━━━━━━━━ 📢 AI❤️4Life — канал об искусственном интеллекте 🤖 SyntxAI — все самые нужные нейросети в одном сервисе 🔒 MaxVpn — Удобный и быстрый VPN 🧠 Google AI Pro — подписка на личный Google-аккаунт на 18 месяцев за 990₽ ━━━━━━━━━━━━━━━━━━━━ 👑 Авторский курс по созданию персональных ИИ-агентов #Flint #OpenSource #ЛокальныеМодели #AIАгенты #AI #Tools

Claude Security сканирует код непрерывно и ведёт находки до исправления Anthropic обновила Claude Security 21 октября 2026 года. Сервис следит за репозиториями по мере изменения кода и ведёт каждую находку до исправления. Подключение идёт через приложение Claude для GitHub, включая GitHub Enterprise Server, либо по токену доступа для GitLab и других провайдеров. Команда выбирает ветки и область проверки: сначала глубокая базовая проверка, потом регулярные проверки изменений с оглядкой на их риск. Исправления сервис отмечает сам. Открытые находки сверяются с изменившимся кодом и закрываются, когда правка вышла, даже если чинили в Claude Code или другим процессом. Если проблема нашлась снова, находка открывается заново. У каждого проекта есть база знаний: как код разворачивается, какие политики действуют, что не видно из кода. Модель строит по коду черновик модели угроз и оценивает находки по нему. К каждой идёт критичность и объяснение, как атакующий добирается до уязвимого кода, иногда со схемой пути. API читает проекты и находки, закрывает и переоткрывает их, вебхуки оповещают подключённые системы. MCP-коннектор для Claude и Claude Code даёт получить находку, обсудить её, начать исправление и отметить закрытой в одной сессии. Сервис работает на всей линейке моделей Claude, включая Claude Mythos, доступ по Cyber Verification Program не нужен. С апреля, когда Claude Security вышел в публичную бету, клиенты нашли с его помощью больше миллиона уязвимостей. Это суммарные находки сервиса у тысяч организаций. Новая версия в публичной бете для клиентов Claude Enterprise, организациям дают 25 000 долларов кредитов каждый месяц в течение двух месяцев, для использования до 31 декабря 2026 года. ━━━━━━━━━━━━━━━━━━━━ 📢 AI❤️4Life — канал об искусственном интеллекте 🤖 SyntxAI — все самые нужные нейросети в одном сервисе 🔒 MaxVpn — Удобный и быстрый VPN 🧠 Google AI Pro — подписка на личный Google-аккаунт на 18 месяцев за 990₽ ━━━━━━━━━━━━━━━━━━━━ 👑 Авторский курс по созданию персональных ИИ-агентов #AI #безопасность #DevSecOps #Claude

Как тестировщик из X5 Tech подключил корпоративную LLM к своим источникам контекста 22 октября 2026 года в блоге X5 Tech вышел разбор Григория Звягинцева, старшего специалиста по тестированию. Он пришёл в команду со сложной бизнес-логикой, а ассистент в VS Code (Roo Code на корпоративной модели) без проектного контекста знал систему «вообще», а не «про нас». Контекст подключён через MCP-серверы, четыре слоя: wiki, векторный поиск по документации, read-only Postgres, Allure TestOps. Векторный слой – Qdrant в Docker и локальные эмбеддинги через Ollama на bge-m3: мультиязычная, размерность 1024, около 600 МБ. Смена модели эмбеддингов меняет размерность: bge-m3 – 1024, nomic-embed-text – 768, и коллекции в Qdrant с другой размерностью несовместимы, их надо пересоздавать и переиндексировать. На его MacBook Pro 2019 индексация шла только на CPU и заняла около пяти часов, а индексация кода встала на параллельных запросах и пошла после снижения параллелизма до двух. Postgres подключён через crystaldba/postgres-mcp с --access-mode=restricted: list_schemas, execute_sql и explain_query доступны, а INSERT/UPDATE/DELETE и DDL физически нет, изменения он делает руками в DBeaver. RAG часто находит «близкое, но не то», поэтому спорные места он сверяет по странице wiki. Доступ дался дороже модели: внутренний DNS не резолвился в Docker-контейнере, потому что VPN-клиент не пробрасывал корпоративный DNS; на macOS VPN не заходит в контейнер, поэтому MCP запускался на хосте через uvx, а спецсимволы в пароле кодируются (@ в %40). Allure TestOps в контейнере падал с SSL: CERTIFICATE_VERIFY_FAILED, а PYTHONHTTPSVERIFY=0 и NODE_TLS_REJECT_UNAUTHORIZED=0 не помогали: httpx и aiohttp их игнорируют. Помогло смонтировать корпоративный CA в PEM с SSL_CERT_FILE, REQUESTS_CA_BUNDLE и NODE_EXTRA_CA_CERTS, причём с корневым Root CA и не в /tmp. Ограничения он называет сам: модели нужно чёткое ТЗ, описания инструментов MCP-серверов съедают 20–30 тысяч токенов контекста, поэтому включены только нужные серверы. Генерация ручных тест-кейсов «по кнопке» оказалась почти самым бесполезным сценарием, польза пришла от доступа к контексту. MCP не делает QA-автоматизатора ненужным, а делает хорошего QA-инженера быстрее; пока это личный набор настроек на ноутбуке. ━━━━━━━━━━━━━━━━━━━━ 📢 QA❤️4Life — канал о тестировании 🤖 SyntxAI — все самые нужные нейросети в одном сервисе 🔒 MaxVpn — Удобный и быстрый VPN 🧠 Google AI Pro — подписка на личный Google-аккаунт на 18 месяцев за 990₽ ━━━━━━━━━━━━━━━━━━━━ 👑 Авторский курс по созданию персональных ИИ-агентов #QA #тестирование #MCP #AI #автоматизация

Второй запрос падает в тестах FastAPI, хотя под uvicorn тот же код работает Разбор на Habr про поведение клиентов на FastAPI 0.143.0, Starlette 1.7.0 и uvicorn 0.54.0. TestClient не открывает сокет и не слушает порт: он вызывает ASGI-приложение как функцию app(scope, receive, send) в отдельном потоке со своим событийным циклом. Без блока with клиент заводит на каждый запрос новый портал anyio: поднимает поток, запускает в нём цикл, выполняет приложение и закрывает цикл вместе с потоком. Следующий запрос получает другой цикл. Асинхронные ресурсы, живущие дольше одного запроса, на этом ломаются. Пул asyncpg создаётся лениво: первый запрос отвечает 200, второй падает с «cannot perform operation: another operation is in progress». Под uvicorn цикл один на процесс, и тот же код работает. Похожая ошибка приходит из фикстуры pytest-asyncio: got Future attached to a different loop. Лечится переносом таких ресурсов в lifespan и клиентом в блоке with на всю сессию через фикстуру со scope session. Состояние приложения при этом живёт дольше клиента: флаг в app.state, выставленный клиентом с with, виден следующему клиенту без with, так что тест без with проходит, только если до него отработал тест с with. Отдельная ловушка – app.dependency_overrides. Ключ словаря это сам объект зависимости, по имени FastAPI ничего не ищет, поэтому подмена по классу RoleChecker не срабатывает. Словарь общий на процесс: если assert упал между установкой и очисткой, подменённый пользователь достаётся следующему тесту, и проверка анонимного доступа получает 201 вместо 401. Две ловушки не видны вообще. У TestClient по умолчанию включён raise_server_exceptions, поэтому JSON с кодом 500 тест не увидит: вместо ответа придёт исключение, и для проверки контракта ошибки нужен клиент с raise_server_exceptions=False. Редиректы клиент проходит сам, follow_redirects=True против False у обычного httpx.Client, поэтому POST на путь без слэша даёт зелёный тест с 201 после 307. Под uvicorn схема в адресе редиректа берётся из X-Forwarded-Proto, которому сервер доверяет только от адресов из forwarded-allow-ips, так что за ingress-прокси редирект уедет на http. Автор заключает: TestClient не изображает сеть. Он вызывает приложение напрямую и подстраивает поведение под удобство теста, поэтому для проверки края нужен клиент ближе к серверу. ━━━━━━━━━━━━━━━━━━━━ 📢 QA❤️4Life — канал о тестировании 🤖 SyntxAI — все самые нужные нейросети в одном сервисе 🔒 MaxVpn — Удобный и быстрый VPN 🧠 Google AI Pro — подписка на личный Google-аккаунт на 18 месяцев за 990₽ ━━━━━━━━━━━━━━━━━━━━ 👑 Авторский курс по созданию персональных ИИ-агентов #QA #тестирование #Python #FastAPI

Десять лет навыка обесценились за день: разбор от бывшего разраба Автор этой статьи на Хабре прошёл путь от первой галеры в 23 года до шести офферов за две недели в 2021-м, а в 2026-м описал, что случилось с рынком. Сначала уволили техписов, потому что ИИ генерит тексты в промышленных масштабах, потом дизайнеров, за ними QA и аджайл-коучей. Относительно спокойно себя чувствуют те, кто либо внедряет ИИ прямо сейчас, либо доводит фичи от сырой идеи до релиза. Отдельная деталь, которую стоит знать всем, кто работает с ИИ-выводом: у компаний появился термин «meat proxy» – человек, который пересылает сгенерированное, не разобравшись. Термин популяризировал немецкий инженер Никлас Групн, и в середине августа 2026 года про него писал Business Insider. Пока компании не доверяют нейрогенерации на 100%, часть нажатий на «ок» остаётся за людьми, и именно на этом живут те, кто умеет доводить до результата. Автор не унывает, а раскладывает три ставки для бывших разработчиков. Первая – остаться инженером и углубляться в технологии, но он честно признаёт, что это путь для настоящих гениев, а он посредственный программист, и это не его талант. Вторая – предпринимательство, где нужен навык создавать ценность из воздуха и обменивать её на деньги, навык, которого у бывших винтиков корпоративного IT нет. Третья – блогерство и работа с вниманием реальных людей: ИИ автоматизирует и последнего архитектора, но желание следить за живыми людьми никуда не денется, и в вопросе «за кем вы следите» люди назовут одного-пяти настоящих, а не AI-аватаров. Масштаб процесса виден по цифрам. TechCrunch ведёт список крупных tech-сокращений 2026 года, где компании прямо называют причиной ИИ, – к концу третьего квартала объём сокращений в секторе уже превысил весь 2025 год. В России число вакансий для айтишников в 2026 году сократилось резко, по данным The Moscow Times. То есть волна, о которой пишет автор, – не локальная история, а общий фон рынка. Статья – личное мнение автора, и это стоит оговорить: он сам признаёт, что его оценка может опираться на страх и что прогнозировать будущее занятие бесполезное. Но расклад по направлениям полезен тем, что заставляет сформулировать для себя, что именно ты умеешь делать, а что нет, пока рынок перекраивается. Разбор целиком – в статье на Хабре. ━━━━━━━━━━━━━━━━━━━━ 📢 QA❤️4Life — канал о тестировании 🤖 SyntxAI — все самые нужные нейросети в одном сервисе 🔒 MaxVpn — Удобный и быстрый VPN 🧠 Google AI Pro — подписка на личный Google-аккаунт на 18 месяцев за 990₽ ━━━━━━━━━━━━━━━━━━━━ 👑 Авторский курс по созданию персональных ИИ-агентов #Карьера #AIAgents #ITрынок #Process #QA