حوّل Alfa-Bank فكرة أحد المختبرين إلى مولّد stubs بالـ AI لفرق الاختبار

Тестировщик Альфа-Банка собрал внутренний ИИ-инструмент, который превращает текстовое описание в готовые API-заглушки для проверки сервисов. Проект начинался как вечерний эксперимент внутри AI-комьюнити, а в итоге дорос до MVP, отдельного домена и тестирования внутри банка.

Как появился проект

История началась весной 2025 года, когда инженер по тестированию Стас Зайцев решил глубже разобраться в нейросетях и посмотреть, как их можно применить в повседневной QA-работе. После нескольких экспериментов, включая Telegram-бота для оценки английского, он подключился к внутреннему AI-комьюнити вокруг платформы AlfaGen. На одной из встреч участникам показали список полезных идей, до которых у команд пока не доходили руки.

Среди них была и задача, хорошо знакомая тестировщикам: автоматически создавать заглушки для API. Идея была практичной и очень приземлённой. Когда фронтенд уже готов, а серверная часть ещё в разработке, тестирование нередко тормозится из-за отсутствия рабочих ответов от сервиса.

Заглушки решают эту проблему, но их подготовка требует времени, ручной настройки и понимания инфраструктуры. В бизнес-требованиях для нового агента описали простой сценарий: пользователь задаёт условия, система уточняет детали и выдаёт код заглушки, которую можно сразу использовать в тестах без долгой подготовки.

Как работает генератор Первую версию Зайцев сделал очень быстро в «Промпт-мастерской»

AlfaGen: настроил сценарий, который по описанию генерировал код заглушки. Но такой формат оказался неудобным для реальной работы и плохо масштабировался на коллег без технической подготовки. Долгий диалог в чате, ручной запуск и необходимость разбираться в деталях делали решение скорее демонстрацией идеи, чем инструментом для повседневной работы QA-команд. Именно поэтому понадобилась вторая версия с отдельным интерфейсом и автоматическим запуском.

«Предполагалось, что на написание проекта уйдёт 3 месяца, но я об этом не знал и сделал всё за вечер».

Во второй версии автор собрал уже полноценный агент из трёх частей: WireMock для запуска заглушек, API-слоя на Kotlin и Spring AI для связки с веб-интерфейсом AlfaGen, а также UI, который можно использовать без глубоких знаний в программировании. Пользователь просто описывает нужный сценарий в окне чата — например, какие ответы вернуть для разных userId, нужна ли задержка и когда надо отдавать ошибку 404. После этого система проходит несколько шагов: определяет тип заглушки — REST или SOAP выбирает нужный HTTP-метод рассчитывает, сколько отдельных заглушек надо создать под разные условия генерирует код и проверяет его на ошибки * поднимает результат в WireMock По словам автора, весь цикл занимает 10–15 секунд, после чего заглушку уже можно подключать в рабочем контуре.

Для тех, кому нужен полный контроль, в интерфейсе оставили и ручной режим, где параметры задаются по отдельности. Это делает инструмент полезным и для опытных инженеров, и для тестировщиков, которые не хотят тратить время на ручную сборку и запуск моков. Фактически агент снимает с пользователя почти всю рутинную механику.

От MVP к запуску

Вечерний прототип быстро перерос в двухнедельный MVP, а затем — в полноценный внутренний продукт. После презентации на демо платформы AlfaGen инструментом заинтересовались другие команды банка, и разработчик объединился с группой, которая занимается QA-агентами уже фуллтайм. Дальше проект начали доводить до промышленного состояния: добавили чатовый режим, папки по проектам, группы заглушек с логикой, исправления по обратной связи от коллег и более удобный пользовательский сценарий.

К концу ноября команда закрыла критичные проблемы и начала подготовку к более широкому запуску. Для решения выделили отдельный домен, настроили доступы, переписали фронтенд под внутренние банковские библиотеки и подготовили документацию. Сейчас генератор тестируют фокус-группы внутри банка, а локальная версия уже используется на реальных задачах в продуктах для малого бизнеса.

По сути, это пример того, как внутренняя AI-платформа превращает частную инженерную боль в прикладной сервис для целой организации.

Что это значит

История Альфа-Банка показывает, что полезные AI-инструменты для разработки могут рождаться не только в выделенных R&D-командах, но и снизу — из конкретной боли тестировщиков. Если такие проекты быстро доводить до интерфейса, документации, внутренних стандартов и реального пилота, они перестают быть демонстрацией возможностей LLM и становятся рабочим инструментом, который экономит часы всей команде и ускоряет выход новых сервисов в тестирование. Для корпоративного AI это важнее любой красивой демо-сцены.