Нейросеть для тестирования в X5 Tech подключили к wiki и базам через MCP: кейсы больше не нужно писать вслепую

Обычно, когда речь заходит про нейросети для тестирования программного обеспечения, предлагают «скормить модели документацию, а она нагенерит тест-кейсы». Звягинцев, по его словам, быстро убедился, что это «чуть ли не самый бесполезный сценарий». Настоящая проблема автоматизатора не в написании кейсов, а в том, чтобы разобраться, что вообще проверять, где лежат данные и какая логика сейчас актуальна. Его решение: подключить корпоративную LLM (большую языковую модель, программу, которая понимает и генерирует текст) к реальным рабочим источникам через MCP (Model Context Protocol, открытый протокол, по которому ИИ-агент получает доступ к внешним инструментам и данным).

Важная деталь: вся инфраструктура работает внутри корпоративного контура X5 Tech, через VPN, с внутренними токенами (ключами доступа к сервисам) и OpenAI-совместимым API (интерфейсом, через который приложения общаются с языковой моделью). Для русскоязычных QA-инженеров это ценный пример, потому что зарубежные гайды обычно описывают прямое подключение к облачным сервисам, а здесь каждый шаг адаптирован под реальность корпоративной сети.

Что понадобится?

• Редактор VS Code с расширением Roo Code (ИИ-агент прямо в редакторе, который поддерживает MCP)
• Доступ к корпоративной LLM через OpenAI-совместимый API (или любой внешний провайдер с таким API)
• Корпоративная wiki с документацией проекта
• Qdrant как векторная база данных (хранилище, где тексты разбиты на фрагменты и представлены числовыми «отпечатками» для быстрого поиска по смыслу)
• Ollama с моделью эмбеддингов (числовых представлений текста) bge-m3 для работы с русским техническим текстом
• MCP-серверы для каждого источника: wiki, векторной базы, репозитория, базы данных
• VPN, токены, переменные окружения для работы внутри корпоративного контура
• Время: базовая связка «wiki плюс векторный поиск» заняла у автора несколько вечеров

Пошаговая инструкция

1. Установите Roo Code в VS Code и подключите языковую модель. Корпоративную LLM добавьте как OpenAI-совместимого провайдера в настройках расширения. Если корпоративной модели нет, подойдёт любая с таким API.

2. Поднимите MCP-сервер для корпоративной wiki. Это первый и, по словам Звягинцева, самый полезный слой контекста. После подключения ассистент получает страницы документации напрямую, без ручного копирования в чат.

3. Настройте доверие к корпоративному HTTPS. MCP-сервер, скорее всего, не будет доверять внутреннему корпоративному центру сертификации (CA). Добавьте корневой сертификат компании в хранилище доверенных сертификатов среды, где запускается сервер.

4. Защитите секреты. Создайте файл .env для токенов и конфигов MCP. Добавьте его в .gitignore до первого коммита:

# .gitignore
.env
mcp-config.json

Проверьте, что в репозиторий не уедет ничего лишнего. Звягинцев отмечает, что «про это легко забыть в азарте».

1. Добавьте векторную базу для больших страниц. Когда документация не влезает в контекстное окно модели целиком, поднимите Qdrant и проиндексируйте страницы wiki. Связка: Qdrant плюс Ollama с моделью bge-m3 плюс MCP-сервер для индексации и поиска. Модель bge-m3 выбрана потому, что она мультиязычная и корректно обрабатывает русский технический текст.

2. Сверьте выдачу с первоисточником. После индексации обязательно проверьте, что векторный поиск достаёт верную информацию, сравнив ответ ассистента с оригинальной страницей wiki. Только после этого опирайтесь на результаты.

3. Подключите дополнительные источники по тому же принципу. Репозиторий автотестов, трекер тест-кейсов, базы данных: каждый через отдельный MCP-сервер. Чем больше контекста у модели, тем точнее ответы о конкретном проекте.

Что нейросеть для тестирования реально делает после подключения?

По описанию Звягинцева, после подключения источников характер работы изменился. Вместо генерации тест-кейсов «по щелчку» ассистент стал помогать с другими задачами:

• Быстрый разбор незнакомой бизнес-логики: «как работает вот этот расчёт, какие ограничения у сценария, какие роли участвуют»
• Проверка гипотез по данным без перечитывания документации заново
• Ответы на вопросы о ролевой модели: «доступен ли экран этой роли, разрешено ли действие»
• Снижение нагрузки на коллег, которых «совесть не позволяет дёргать по каждому вопросу»

Ускорение онбординга (адаптации нового сотрудника в проекте), по словам Звягинцева, заметил не только он сам, но и вся команда.

Что делать с этим прямо сейчас, по ролям

QA-инженеру и автоматизатору. Попробуйте связку VS Code плюс Roo Code плюс MCP-сервер для вашей wiki. Даже без векторной базы это уже снимает механический поиск по документации. Если модель «не знает ничего про вашу систему», дело не в модели, а в отсутствии контекста.

Тимлиду QA-команды. Обратите внимание на ускорение онбординга. Новый сотрудник с настроенным ассистентом меньше дёргает команду вопросами и быстрее погружается в бизнес-логику. Это измеримый эффект, который Звягинцев фиксирует на уровне всей команды.

Автору Дзена, пишущему про технологии. Сценарий «нейросети для тестирования программного обеспечения» часто подают как магию генерации кейсов. Реальный кейс из X5 Tech показывает другой угол: нейросеть как навигатор по контексту, а не генератор. Это честнее и ближе к тому, что действительно работает.

Если вы автоматизатор или ручной тестировщик и до сих пор копируете куски документации в чат руками, начните с одного MCP-сервера к wiki. Это минимальное вложение, которое, судя по опыту Звягинцева, даёт ощутимый результат уже в первую неделю.