Przejdź do treści
MK
EN
Wszystkie projekty

Zastosowania AI

Agentowy asystent QA

Lokalny system oparty na LLM do analizy wyników testów, interpretacji raportów i wspierania decyzji QA

Przegląd

Inżynieria jakości to sporo powtarzalnej pracy analitycznej: parsowanie logów, porównywanie przebiegów, pisanie raportów. Ten projekt to lokalnie hostowany asystent oparty na LLM, który analizuje wyniki, interpretuje dane wydajnościowe, podpowiada kierunki dochodzenia i wspiera codzienne decyzje QA. Całe wnioskowanie działa lokalnie przez Ollamę, więc żadne dane nie opuszczają sieci.

Wyzwanie

  1. 01

    Znaczna część pracy QA idzie na przewidywalne, schematyczne zadania: przegląd logów, porównanie z wartościami bazowymi, formatowanie raportów.

  2. 02

    Interpretacja raportów wydajnościowych wymaga wiedzy domenowej, którą trudno przekazać nowym członkom zespołu.

  3. 03

    Chmurowe narzędzia AI budziły obawy o prywatność przy przetwarzaniu wewnętrznych danych testowych i informacji o systemach.

  4. 04

    Ogólne asystenty AI nie mają wiedzy domenowej, aby bez rozbudowanego promptowania dawać sensowne wskazówki QA.

Podejście

  1. Zaprojektowałem architekturę agenta na Ollamie z lokalnym wnioskowaniem. Wszystkie dane pozostają w sieci firmowej, nic nie trafia do usług zewnętrznych.

  2. Zbudowałem wyspecjalizowane szablony promptów dla typowych zadań QA: analizy błędów testów, porównania wydajności, badania regresji i generowania raportów.

  3. Zaimplementowałem warstwę orkiestracji, która łączy kroki analizy w łańcuchy, na przykład: parsowanie wyników, porównanie z wartościami bazowymi, podsumowanie, propozycja kolejnych działań.

  4. Stworzyłem bazę wiedzy o wzorcach QA, typowych rodzajach awarii i punktach odniesienia dla wydajności, z której agent korzysta podczas analizy.

  5. Zaprojektowałem system z myślą o rozszerzalności. Nowe możliwości analityczne dodaje się jako modularne łańcuchy promptów, bez przebudowy rdzenia.

Efekty

  • Praktyczne wdrożenie lokalnego AI w QA bez zależności od chmury i bez ryzyka dla prywatności danych.

  • Mniej czasu na rutynową analizę wyników i interpretację raportów.

  • Framework do budowy domenowych agentów QA, który można dostosować do różnych projektów.

  • Wypracowane wzorce współpracy człowieka z AI w inżynierii jakości: wzmacnianie osądu, a nie zastępowanie go.

Podsumowanie

AI w QA działa najlepiej, gdy przyspiesza analizę, a nie zastępuje osąd. Lokalny asystent z wiedzą domenową ograniczył powtarzalną pracę analityczną, a wszystkie dane pozostały pod kontrolą zespołu.

Powiązane projekty