В рамках цикла статей о применении искусственного интеллекта в тестировании автор переходит к задаче, которая остаётся актуальной даже после написания тест-кейсов и создания автотестов, — подготовке тестовых данных для ручного тестирования. Этот этап часто требует значительных временных затрат: необходимо наполнить тестовую базу клиентами с валидными реквизитами и связями между таблицами, собрать коллекцию Postman по Swagger или подготовить файл с десятками записей под конкретный сценарий. Проблема усугубляется, когда данные нужно готовить вручную, особенно если задействовано несколько связанных таблиц. Автор предлагает системный подход, который позволяет использовать ИИ-инструменты для автоматизации этого процесса, и демонстрирует его на практических примерах, начиная с генерации SQL-скриптов для PostgreSQL и заканчивая созданием коллекций для Postman.

Ключевым элементом предлагаемой методики является чёткая формулировка задачи и подготовка входных данных. На старте необходимо определить, что именно генерируется (клиенты, договоры, события, запросы API), куда попадут данные (PostgreSQL, CSV, Postman, мок-сервер), сколько записей или сценариев требуется, а также зафиксировать ограничения, например запрет на использование реальных персональных данных. Автор рекомендует не заполнять все поля самостоятельно, а сначала попросить ИИ-агента перечислить, какие данные и артефакты ему потребуются, и задать уточняющие вопросы. Это позволяет избежать лишних итераций и получить результат с первого раза. Важно также предоставить опорные артефакты: схему базы данных, OpenAPI/Swagger, примеры логов, список полей с типами и правилами валидации, а также эталонный пример итогового документа, чтобы модель меньше фантазировала.

Универсальный процесс состоит из семи шагов, которые автор подробно разбирает на примерах. Первый шаг — формулировка задачи: краткое описание того, что нужно сделать, с указанием типа данных, места назначения, объёма и ограничений. Второй шаг — запрос у агента уточнений по входным данным. Третий — передача запрошенных материалов, причём чем точнее вход, тем меньше правок потребуется после генерации. Четвёртый шаг — подготовка промпт-шаблона для регулярных задач: автор советует попросить ИИ собрать универсальный шаблон с плейсхолдерами, который можно переиспользовать. Пятый шаг — согласование формата результата: SQL-файл, JSON, CSV, curl или коллекция Postman, а также необходимость комментариев и инструкций. Шестой — генерация и проверка результата на тестовой среде, при необходимости точечные исправления. Седьмой — сохранение финального промпта и сгенерированного артефакта в папке проекта для последующего переиспользования.

Для генерации данных для базы данных автор приводит конкретный пример: создание 50 записей для тестовой таблицы в PostgreSQL с указанием столбцов, типов данных и бизнес-правил. В промпте задаются формат id (GUID), number (integer), name (текст, начинающийся со слов «Договор №» и номера от 1 до 100000), start_date (timestamp в интервале от текущей даты минус 2 года до текущей даты), end_date (не позднее текущей даты плюс 5 лет), object (массив из 1–5 объектов с полями code, name, address, isActive), description (строка не более 64 символов), а также created и updated с функцией NOW(). После генерации автор рекомендует провести ревью результата, сделать пробный INSERT на тестовом стенде и только после успешной проверки выполнять полный скрипт. Весь процесс занимает 5–10 минут, что значительно быстрее ручного создания данных.

Отдельно рассматривается генерация коллекций для Postman, которая, по мнению автора, проще, чем работа с БД, и не требует сложного промпта — достаточно обычного объяснения в чате с агентом. Первый вариант — создание коллекции по ссылке на Swagger: агент может автоматически импортировать спецификацию API и сгенерировать коллекцию с примерами запросов. Второй вариант — описание коллекции вручную, если Swagger недоступен. Автор подчёркивает, что для успешной генерации важно указать формат результата (например, JSON-файл коллекции) и требования к примерам данных. Также полезно попросить агента добавить комментарии к запросам и инструкции по запуску. Такой подход позволяет быстро получить готовую коллекцию для ручного тестирования API, экономя время на создании её вручную.

В контексте российского рынка тестирования применение ИИ для генерации тестовых данных становится всё более актуальным, особенно в условиях импортозамещения и перехода на отечественные инструменты. Многие компании уже используют ИИ-ассистентов для автоматизации рутинных задач, и подготовка тестовых данных — одна из областей, где эффект от внедрения ИИ наиболее заметен. Однако остаются открытые вопросы: как обеспечить безопасность данных при использовании облачных ИИ-сервисов, как контролировать качество сгенерированных данных и как интегрировать ИИ-генерацию в существующие процессы тестирования. Автор отмечает, что ИИ не заменяет тестировщика, а лишь снимает с него рутинную нагрузку, позволяя сосредоточиться на более сложных задачах. В будущем можно ожидать появления специализированных инструментов, которые будут теснее интегрированы с популярными платформами тестирования и базами данных.

Перспективы развития этого направления связаны с совершенствованием промпт-инжиниринга и появлением более точных моделей, способных учитывать сложные бизнес-правила и ограничения. Автор рекомендует тестировщикам освоить предложенный семишаговый процесс и адаптировать его под свои задачи. Важно также документировать успешные промпты и артефакты, чтобы накапливать базу знаний внутри команды. В заключение автор напоминает, что ИИ — это инструмент, который требует чёткого управления и валидации результатов, поэтому тестировщик должен сохранять критическое мышление и проверять сгенерированные данные на тестовой среде перед использованием. Таким образом, генерация тестовых данных с помощью ИИ становится практичным и эффективным подходом, который может быть внедрён в повседневную работу QA-инженера уже сегодня.