В РСХБ используют CheckMateDB для автоматизации Java-тестов: почему это не угрожает профессиям тестировщиков

# Автоматизация регресса в РСХБ: как CheckMateDB меняет работу Java-инженеров

Команда автоматизации тестирования Россельхозбанка работает над масштабированием регрессионных проверок. Основная сложность заключается в том, что между написанием сценария ручным тестировщиком и готовым исполняемым автотестом на Java лежит большой объем инженерной рутины. Для решения этой проблемы в банке внедряют платформу CheckMateDB. Она служит единой точкой входа для работы с данными, генерации кода и управления моделями искусственного интеллекта.

*«Иногда кажется, что половина автотеста уже написана — просто в 17 разных местах и в разное время»*, — рассказывает Михаил Герасимов, главный инженер команды автоматизации в РСХБ. Платформа призвана собрать эти разрозненные фрагменты в единую, управляемую структуру.

Инфраструктурный слой: контроль доступа и контекст

Основа CheckMateDB — это модульная платформа с четким разделением ответственности. Первым шагом становится создание надежного контекста работы с базами данных. Система реализует управление профилями подключений (host, port, тип БД) с соблюдением модели владения: пользователь работает только со своими конфигурациями.

До активации профиля система не генерирует код. Такой подход предотвращает рассинхронизацию между сгенерированным тестом и реальной схемой базы данных. В регрессионном контуре нестабильные подключения часто становятся причиной каскадных сбоев. Поэтому правило простое: сначала валидный контекст соединения, только потом генерация и запуски тестов. SQL-консоль платформы позволяет выполнять длинные асинхронные запросы, анализировать планы выполнения (EXPLAIN) и экспортировать метаданные, обеспечивая проверяемый источник истины для данных.

Генерация кода: от детерминированной базы к ИИ

Процесс автоматизации в CheckMateDB происходит поэтапно. Сначала срабатывает детерминированный генератор (Classic CodeGen), который создает устойчивый каркас артефактов: Entity, DTO, таблицы и Assert-проверки. Этот модуль опирается на библиотеку query-criteria-builder, которая унифицирует стиль работы с запросами. Он подходит для PostgreSQL и обеспечивает предсказуемый результат без «магии».

Далее подключается модуль AI (Tools AI). Он действует как управляемый шлюз (gateway) для работы с большими языковыми моделями. Ключевой особенностью является сессийный контекст: модель выбирается один раз, и все последующие операции проходят через единый активный канал. Это позволяет контролировать расходы, управлять потоком данных и обеспечивать безопасность ключей API.

Центральным элементом генерации становится рабочий стол агента (Codegen Workspace Agent). Здесь ИИ не работает в вакууме, а анализирует реальный код проекта и архитектурные ограничения. Процесс включает этапы инициализации, сбора контекста, генерации, валидации и применения изменений. Важно, что финальное применение (apply) остается за человеком (human-in-the-loop): изменения сначала попадают в предпросмотр, и инженер подтверждает их корректность. Это снижает риски внедрения некорректного кода в продуктивный контур.

Технические термины

* Детерминированный генератор: Алгоритм, выдающий одно и то же решение при одинаковых входных данных, в отличие от генеративных моделей ИИ, результаты которых могут варьироваться. * Human-in-the-loop: Принцип работы, при котором человек участвует в процессе автоматизации на критических этапах (например, валидации кода), обеспечивая контроль качества. * RAG (Retrieval-Augmented Generation): Технология, при которой ИИ дополняет свои ответы внешними данными, подобрав их из конкретной базы знаний или документации проекта. * Fine-tuning (Дообучение): Процесс донастройки предобученной языковой модели на специфическом наборе данных для улучшения ее работы в узкой области.

Эволюция роли инженера и будущее автоматизации

Внедрение CheckMateDB демонстрирует сдвиг парадигмы в разработке. В начале года Дарио Амодеи (CEO Anthropic) предсказывал, что сначала исчезнет написание кода, а затем и вся разработка. Однако открытые данные показывают обратную картину: спрос на высокооплачиваемых инженеров остается высоким.

Герасимов отмечает парадокс: когда написание кода дешевеет благодаря ИИ, появляется больше задач, которые экономически выгодно автоматизировать. Роль специалиста трансформируется. Инженер меньше времени проводит на механическом выполнении синтаксиса и больше занимает себя архитектурой пайплайнов, редактированием результатов ИИ и управлением рисками. Платформа ускоряет выпуск регресса, но ответственность за корректность и качество кода полностью сохраняется на автоматизаторе.

Планы развития платформы

Команда планирует развивать CheckMateDB как capability-платформу. Следующими этапами станут: 1. Внедрение контура дообучения моделей (fine-tuning) на основе подтвержденных патчей и неуспешных кейсов. 2. Использование стратегии PEFT (Parameter-Efficient Fine-Tuning) для быстрого и дешевого внедрения. 3. Построение системы оценки (eval) для метрик инженерного качества перед каждым запуском в продакшн. 4. Разработка дополнительных библиотек для унификации проверок и параметров данных.

Четкая архитектура с разделением на слои генерации, маршрутизации моделей и безопасности позволит команде масштабироваться. ИИ выступает не как замена, а как мощный инструмент, усиливающий возможности инженера по обработке больших объемов данных и кода.