Kod Yazmadan RAG ve Playwright ile AI Test Otomasyonu Nasıl Kurulur?
Kod Yazmadan RAG ve Playwright Kod Yazmadan RAG ve Playwright kapsamında, Yapay zeka destekli test otomasyonu, yalnızca Oyun Yazarı veya Selenium komut dosyaları oluşturmanın ötesine geçiyor. İçindekilerKod Yazmadan RAG ve PlaywrightTasarım ve teknik ayrıntılarBugünden bakınca ne…
Kod Yazmadan RAG ve Playwright
Kod Yazmadan RAG ve Playwright kapsamında, Yapay zeka destekli test otomasyonu, yalnızca Oyun Yazarı veya Selenium komut dosyaları oluşturmanın ötesine geçiyor.
Kod Yazmadan RAG ve Playwright kapsamında, Bir sonraki gelişme, test uzmanlarının kodun her satırını manuel olarak yazmasına gerek kalmadan uygulama gereksinimlerini anlayabilen, test senaryoları oluşturabilen, tarayıcıyla etkileşim kurabilen, testleri yürütebilen, hataları analiz edebilen ve otomasyonun sürdürülmesine yardımcı olabilen bir yapay zeka test otomasyon aracısıdır.
Kod Yazmadan RAG ve Playwright kapsamında, Bunun için pratik bir mimari şunları birleştirir: Muhakeme ve planlama için LLM / AI Aracısı Projeye özel QA bilgisi için RAG Tarayıcı etkileşimi için Playwright MCP Aranabilir proje bilgisi için Vektör Veritabanı Sürekli iyileştirme için Test Yürütme ve Geri Bildirim Sonuç, bir test uzmanının neyin test edilmesi gerektiğini doğal dilde açıklayabildiği, yapay zekanın ise temeldeki otomasyonun çoğunu yönettiği bir iş akışıdır.
Tasarım ve teknik ayrıntılar
Kod Yazmadan RAG ve Playwright kapsamında, Ana fikir basit: RAG, yapay zekaya bilgi veriyor. MCP yapay zeka araçlarını sağlar. Oyun yazarı ona tarayıcı otomasyonu sağlar. Gelin bu parçaların nasıl bir araya geldiğine bakalım.
Kod Yazmadan RAG ve Playwright kapsamında, Mimariye Genel Bakış Kodsuz bir AI test otomasyon aracısı için üst düzey bir mimari şuna benzer: akış şeması TD U[“QA Mühendisi
Doğal Dil İsteği”] K[“QA Bilgi Tabanı
PRD / SRS
Kullanıcı Öyküleri
Test Senaryoları
API Dokümanları
Mevcut Otomasyon
Hata Geçmişi
İş Kuralları”] R[“RAG Pipeline
Parçalama
Yerleştirmeler
Vektör Veritabanı
Anlamsal Geri Alma”] A[“AI QA Aracısı
Akıl Yürütme ve Planlama
S cenario Generation
Test Verileri
Beyanlar
Hata Analizi”] M[“MCP Araç Katmanı
Playwright MCP
API MCP
Jira MCP
Git MCP
Veritabanı MCP”] P[“Playwright
Tarayıcı Otomasyonu”] APP[“Test Edilen Uygulama”] E[“Yürütme Sonuçlar
Geçti/Kaldı
Ekran görüntüleri
Günlükler
Ağ Verileri
Kanıt”] U –> A K –> R R –> A A –> M M –> P P –> UYGULAMA UYGULAMA –> E E –> A E –> R Burada birkaç önemli katman var.
Kod Yazmadan RAG ve Playwright kapsamında, Bilgi Katmanı Bu, yapay zekanın uygulamayı ve iş kurallarını anlamak için ihtiyaç duyduğu her şeyi içerir: Gereksinimler Kullanıcı öyküleri Kabul kriterleri Test senaryoları API belgeleri Mevcut otomasyon Önceki kusurlar İş kuralları Test verileri İstihbarat Katmanı Yapay zeka aracısı, alınan bilgileri aşağıdaki amaçlar için kullanır: Gereksinimleri anlamak Test senaryoları oluşturmak Test yürütmeyi planlama Uygun eylemleri seçin Hataları analiz edin Sonraki adımda ne yapılacağına karar verin Araç Katmanı MCP, yapay zeka aracısını aşağıdakiler gibi harici araçlara bağlar: Oyun Yazarı API’leri Jira Git Veritabanları Test çalıştırıcıları Yürütme Katmanı Gerçek uygulama test edilir ve üretilir: Test sonuçları Ekran görüntüleri Günlükler Ağ bilgileri Hata mesajları Kanıt Sonuçlar daha sonra yapay zeka iş akışına geri gönderilebilir.
Bugünden bakınca ne kadar güvenilir?
Kod Yazmadan RAG ve Playwright kapsamında, RAG Ne Yapar? RAG, Almayla Artırılmış Üretim anlamına gelir. RAG olmadan bir yapay zeka modeli öncelikle istemine ve genel eğitim bilgisine dayanır. Bu ciddi bir test için yeterli değil övgü.
Kod Yazmadan RAG ve Playwright kapsamında, Bir yapay zeka, Playwright kodunun nasıl yazılacağını biliyor olabilir ancak otomatik olarak şunu bilemez: Uygulamanız nasıl çalışır Hangi iş kuralları uygulanır Hangi test senaryoları zaten mevcuttur Hangi API’ler kullanılabilir Hangi test hesapları kullanılmalıdır Hangi hatalar daha önce keşfedildi Hangi iş akışları yüksek riskli Ekibinizin izlediği hangi otomasyon modelleri RAG, yapay zekanın kuruluşunuzun QA bilgisine erişmesini sağlayarak bu sorunu çözer.
Kod Yazmadan RAG ve Playwright kapsamında, Bir QA bilgi tabanı şunları içerebilir: QA Bilgi Tabanı │ ├── Gereksinimler │ ├── PRD │ ├── SRS │ └── Kullanıcı Hikayeleri │ ├── Test etme │ ├── Test Durumları │ ├── Regresyon Paketleri │ └── Otomasyon │ ├── Uygulama │ ├── API Belgeleri │ ├── Kullanıcı Arayüzü Özellikleri │ └── Mimarlık │ ├── Kusurlar │ ├── Açık Hatalar │ ├── Kapalı Hatalar │ └── Kök Neden Analizi │ ├── İş │ ├── İş Kuralları │ ├── Roller │ └── İş Akışları │ └── Test Verileri ├── Test Hesapları ├── Ürünleri Test Et └── Test Senaryoları Şimdi basit bir isteği düşünün: “Ödeme için otomasyon oluşturun.” Genel bir yapay zeka, temel bir ödeme testi oluşturabilir.
Okuyucu için pratik anlamı
Kod Yazmadan RAG ve Playwright kapsamında, RAG destekli bir yapay zeka aracısı öncelikle şunları alabilir: Ödeme gereksinimleri Mevcut ödeme test senaryoları Ödeme kuralları Desteklenen ödeme yöntemleri Önceki ödeme kusurları Mevcut otomasyon İlgili test verileri Daha sonra varsayımlarda bulunmak yerine gerçek uygulamaya dayalı bir test planı oluşturabilir.
Kod Yazmadan RAG ve Playwright kapsamında, Genel yapay zeka tarafından oluşturulan otomasyon ile projeye duyarlı yapay zeka otomatları arasındaki fark budur iyon. Oyun Yazarı MCP Ne Yapar? Model Bağlam Protokolü (MCP), yapay zeka uygulamalarının harici araçlarla etkileşime girmesi için standartlaştırılmış bir yol sağlar. Tarayıcı otomasyonu için Playwright MCP, tarayıcı yeteneklerini bir yapay zeka aracısına sunabilir.
Aracı, herhangi bir şey olmadan önce yapay zekanın bir Oyun Yazarı senaryosunun tamamını oluşturmasını gerektirmek yerine, mevcut araçlar aracılığıyla tarayıcıyla etkileşime girebilir. Kavramsal olarak iş akışı şuna benzer: AI QA Agent │ ├── Gezin │ ├── Sayfayı İncele │ ├── Öğeyi Bul │ ├── Tıkla │ ├── Tür │ ├── Güncellenmiş Durumu İnceleyin │ └── Sonucu Doğrula Bu, geleneksel otomasyon modelini değiştirir.
Bunun yerine: Gereksinim ↓ İnsan otomasyon kodunu yazar ↓ Oyun yazarı ↓ Gidebileceğiniz tarayıcı: Doğal Dil Gereksinimi ↓ AI QA Temsilcisi ↓ Oyun Yazarı MCP ↓ Oyun yazarı ↓ Tarayıcı Test cihazı istenen davranışı tanımlarken yapay zeka aracısı uygulamayla nasıl etkileşime geçileceğini belirler. RAG + MCP: Neden Bunları Birleştirmeliyiz? RAG ve MCP rakip teknolojiler değildir. Farklı sorunları çözüyorlar.
Farkı hatırlamanın yararlı bir yolu şudur: RAG şöyle yanıt verir: “Yapay zeka ne biliyor?” MCP yanıtlıyor: “Yapay zeka ne yapabilir?” Örneğin: akış şeması LR R[“RAG
Gereksinimler
Test Senaryoları
Test Verileri
Önceki Kusurlar”] A[“AI QA Aracısı
Sebep + Plan”] M[“Oyun Yazarı MCP
Tarayıcı Araçları”] B[“Uygulama
Tarayıcı”] R –> A A –> M M –> B Testi hayal edin bir giriş sayfası.
RAG, AI’ya şunu söyleyebilir: Geçerli kullanıcı: qa-user@example.com Beklenen davranış: Başarılı kimlik doğrulama yönlendirmeleri kullanıcıyı kontrol paneline yönlendirir. Önceki sayı: Oturum açma zaman zaman HTTP 500 döndürdü.
MCP, yapay zekanın şunları yapmasına olanak tanır: Oturum açma sayfasını açma ↓ Sayfayı incele ↓ Kullanıcı adını girin ↓ Şifreyi girin ↓ Oturum aç’ı tıklayın ↓ Sonucu inceleyin ↓ Doğrulama kontrol paneli RAG bağlamı sağlar. MCP eylemleri sağlar. Yapay zeka aracısı onları birbirine bağlar. Kodsuz Kullanıcı Deneyimi Oluşturmak Testi yapan kişinin Oyun Yazarı kodu yazması gerekmemelidir.
Bunun yerine arayüz basit bir girdi sağlayabilir: Neyi test etmek istiyorsunuz? Testi yapan kişi şunu girer: “Mevcut bir kullanıcının geçerli kimlik bilgileriyle oturum açabildiğini ve kontrol paneline yönlendirildiğini doğrulayın.” Yapay zeka aracısı daha sonra şunları yapabilir: İlgili gereksinimleri alabilir. Mevcut oturum açma testlerini alın. Uygun test verilerini tanımlayın. Bir test planı oluşturun.
Uygulamayı inceleyin. Tarayıcı iş akışını yürütün. Sonucu doğrulayın. Kanıt yakalayın. Sonucu bildirin. Test uzmanı, uygulama ayrıntılarını yönetmek yerine test iş akışını görür.
Kodsuz bir arayüz, oluşturulan iş akışını görsel olarak görüntüleyebilir: Oturum Açma Testi ┌─────────────┐ │ Girişi Aç │ └──────┬──────┘ ↓ ┌─────────────┐ │ E-postayı Girin │ └──────┬──────┘ ↓ ┌──────────────┐ │ Şifreyi Girin│ └──────┬───────┘ ↓ ┌─────────────┐ │ Oturum Aç’a tıklayın │ └──────┬──────┘ ↓ ┌──────────────────┐ │ Kontrol Panelini Doğrulayın │ └──────────────── ──┘ Temel tarayıcı otomasyonu, testçi onu incelemek istemediği sürece gizli kalabilir.
Örnek İş Akışı: Oturum Açma Testi Tam bir örnek üzerinden geçelim. Kullanıcı İstemi Oturum açma işlevini geçerli kimlik bilgileriyle test edin ve kullanıcının kontrol paneline ulaştığını doğrulayın. Yapay zeka aracısı isteği anlayarak başlar. İlgili QA Bilgisini Alın RAG kanalı bilgi tabanında arama yapar.
Şunları alabilir: Giriş Gereksinimleri ↓ Kimlik Doğrulama Test Durumları ↓ Mevcut Oyun Yazarı Testleri ↓ Geçerli Test Hesabı ↓ Önceki Oturum Açma Kusurları Aracı artık projeye özgü içeriğe sahip. Bu önemlidir çünkü yapay zeka boş bir komut isteminden başlamaz. Uygulamanın ne beklediğini biliyor.
Bir Test Planı Oluşturun Yapay zeka yapılandırılmış bir test senaryosu oluşturur: Test Senaryosu: Geçerli Kullanıcı Girişi Önkoşulu: Geçerli bir kullanıcı hesabı mevcut. Adımlar: 1. Oturum açma sayfasını açın. 2. Kullanıcının e-postasını girin. 3. Kullanıcının şifresini girin. 4. Oturum Aç’a tıklayın. 5. Kontrol panelinin görüntülendiğini doğrulayın.
Beklenen Sonuç: Kullanıcının kimliği başarıyla doğrulandı ve kontrol paneline yönlendirildi. Bu noktada test cihazı hâlâ otomasyon kodunu yazmamıştır. Planı Araç Eylemlerine Dönüştürün Yapay zeka, planı tarayıcı eylemleriyle eşleştirir.
Kavramsal olarak: Gezin ↓ Sayfayı İncele ↓ E-posta Alanını Bul ↓ E-posta Girin ↓ Şifre Alanını Bul ↓ Şifreyi Girin ↓ Giriş Düğmesini Bul ↓ Oturum aç’ı tıklayın ↓ Güncellenen Sayfayı İncele ↓ Kontrol Panelini Doğrulayın Önemli fark, aracının yürütme sırasında uygulama durumunu denetleyebilmesidir. Test oluşturulduğunda yapılan varsayımlara körü körüne güvenmek zorunda değildir.
Testi Yürütün Tarayıcı iş akışını yürütür. AI aracısı, aşağıdakiler gibi mevcut yürütme bilgileri üzerinde mantık yürütebilir: URL Sayfa Durumu Eleman Bilgileri Eylem Sonuçları Ekran görüntüleri Ağ Bilgileri Test İddiaları Örneğin: Eylem: Giriş Sonucuna tıklayın: Giriş isteği gönderildi. Gözlemlendi: Kontrol paneli yüklendi. İddia: Kontrol paneli başlığı görünür.
Durum: PASS Sonuç daha sonra test cihazına insan tarafından okunabilir bir test raporu olarak sunulabilir. Başarısızlıkları Analiz Edin Şimdi oturum açma testinin başarısız olduğunu hayal edin. Geleneksel bir otomasyon çerçevesi basitçe şunu bildirebilir: Test Başarısız Oldu Yapay zeka destekli bir sistem potansiyel olarak kanıtları analiz edebilir ve ek bağlam sağlayabilir.
Örneğin: Test: Oturum Açma Durumu: BAŞARISIZ Hata: Kontrol paneli görüntülenemedi. Gözlemlendi: HTTP 500 /api/login’den döndürüldü. Değerlendirme: Başarısızlığın olma olasılığı daha yüksektir konum belirleyiciden ziyade uygulama/API sorunu veya senkronizasyon sorunu. Tavsiye: Kimlik doğrulama API’si için bir kusur oluşturun. Önemli olan yapay zekanın yalnızca testi yürütmemesidir.
Aynı zamanda sonuç hakkında akıl yürütmedir. Sürekli Öğrenme Döngüsü Olgun bir yapay zeka test sistemi, test bittiğinde durmamalıdır. Test sonuçları gelecekteki testler için ek bilgi haline gelebilir.
akış şeması TD T[“Test E xecution”] R[“Test Sonuçları”] P[“Başarılı Test”] F[“Başarısız Test”] A[“AI Kök Neden Analizi”] D[“Kusur / Düzeltme Bilgisi”] K[“QA Bilgi Tabanı”] T –> R R –> P R –> F F –> A A –> D P –> K D –> K K –> T Örneğin: Gereksinim ↓ Test Senaryosu ↓ Yürütme ↓ Başarısızlık ↓ Kök Neden ↓ Kusur ↓ Düzeltme ↓ Regresyon Testi Zamanla sistem, uygulamaya ilişkin daha zengin bir anlayış geliştirebilir.
Gelecekteki test oluşturma işlemi, önceki hatalardan ve düzeltmelerden elde edilen bilgileri kullanabilir. RAG’ın özellikle değerli hale geldiği yer burasıdır.
Önerilen Teknoloji Mimarisi Pratik bir uygulamada aşağıdaki bileşenler kullanılabilir: Katman Örnek Teknoloji Ön Uç React / Next.js Yapay Zeka Aracısı Yüksek Lisans + Temsilci Düzenlemesi RAG Gömmeler + Geri Alma Vektör Veritabanı PostgreSQL + pgvector Arka Uç Node.js / Python Tarayıcı Otomasyonu Oyun Yazarı MCP Oyun Yazarı MCP API Testi API MCP / Özel MCP Kusur Yönetimi Jira MCP / Özel Entegrasyon Kaynak Kontrolü Git MCP CI/CD GitHub Eylemleri / GitLab CI / Jenkins Storage S3 / Nesne Depolama Raporlaması Yapay Zeka Tarafından Oluşturulan Kalite Güvence Raporları Tam yığın farklılık gösterebilir.
Mimari, bireysel teknoloji seçimlerinden daha önemlidir. Önemli olan sorumlulukları ayrı tutmaktır: Bilgi ↓ RAG Muhakeme ↓ AI Aracısı Eylemleri ↓ MCP Tarayıcı Otomasyonu ↓ Oyun Yazarı İnfazı ↓ Test Ortamı Sonuçları ↓ Yapay Zeka Analizi Her Şeyi RAG’a Koymayın Yaygın bir hata, RAG’ı şu şekilde ele almaktır: her uygulama bilgisi için bir çöplük.
Bunun yerine, bilgi tabanını QA ekiplerinin gerçekte nasıl çalıştığına göre düzenleyin.
Örneğin: Bilgi Bankası │ ├── Gereksinimler │ ├── PRD │ ├── SRS │ └── Kullanıcı Hikayeleri │ ├── Test etme │ ├── Test Durumları │ ├── Regresyon │ └── Otomasyon │ ├── Kusurlar │ ├── Açık Hatalar │ ├── Kapalı Hatalar │ └── Temel Nedenler │ ├── Uygulama │ ├── API Dokümanları │ ├── Kullanıcı Arayüzü Özellikleri │ └── Mimarlık │ └── İş ├── Kurallar ├── Roller └── İş Akışları Meta Verileri de önemlidir.
Örneğin: { “proje”: “Ödeme Portalı”, “modül”: “Ödeme”, “document_type”: “test_durumu”, “sürüm”: “2.4”, “çevre”: “aşamalama” } Bu, alımın daha hedefli olmasına olanak tanır. Sistem, her istek için her belgeyi aramak yerine aşağıdakilere göre filtreleyebilir: Proje Modülü Özelliği Belge türü Sürüm Ortam Test türü Daha iyi erişim genellikle yapay zeka için daha iyi bağlam anlamına gelir.
MCP Ayrıca Modüler Olmalı Mümkün olan her eylemi içeren dev bir MCP sunucusu oluşturmaktan kaçının.
Daha iyi bir mimari, özelleştirilmiş araç entegrasyonlarını kullanmaktır: akış şeması TD A[“AI QA Agent”] P[“Playwright MCP
Tarayıcı Otomasyonu”] API[“API MCP
API Testi”] J[“Jira MCP
Hata Yönetimi”] G[“Git MCP
Otomasyon Deposu”] D[“Veritabanı MCP
Test Verileri”] A –> P A –> API A –> J A –> G A –> D Örneğin: AI QA Temsilcisi │ ├── Tarayıcı Eylemleri │ ├── API Eylemleri │ ├── Test Verileri │ ├── Def vb Yönetimi │ └── Otomasyon Havuzu Bu, sistemin bakımını kolaylaştırır ve izinler üzerinde daha iyi kontrol sahibi olmanızı sağlar.
Ayrıca ekiplerin kademeli olarak yetenek eklemesine olanak tanır. Şununla başlayabilirsiniz: AI Temsilcisi ↓ Oyun Yazarı MCP Ardından şunu ekleyin: API MCP Jira MCP Git MCP Platform olgunlaştıkça veritabanı MCP’si. Güvenlik Kritiktir Bir AI test otomasyon aracısı potansiyel olarak gerçek uygulamalarla ve harici sistemlerle etkileşime girebilir. Bu, otomatik olarak sınırsız izin almaması gerektiği anlamına gelir.
Yararlı bir izin modeli şöyle görünebilir: Salt okunur ↓ Tarayıcı Testi ↓ Test Oluştur ↓ Kusur Oluştur ↓ Otomasyonu Değiştir ↓ Üretim Eylemleri Yüksek riskli operasyonlar açık onay gerektirmelidir. Örneğin: AI: “Muhtemel bir kusur buldum.
Jira bileti oluşturmamı ister misiniz?” [ Kusur Yarat ] [ İptal ] Üretim düzeyinde bir uygulama aşağıdakileri dikkate almalıdır: Denetim günlükleri Araç düzeyinde izinler Ortam kısıtlamaları Kimlik bilgisi izolasyonu Onay iş akışları Veri maskeleme Oran sınırları Yıkıcı operasyonlar için insan onayı Amaç, yapay zekaya, her şeye sınırsız erişim vermeden, faydalı olması için yeterli erişim sağlamaktır.
Yapay Zeka Halüsinasyonları Nasıl Azaltılır Yapay zeka tarafından oluşturulan otomasyonun en büyük zorluklarından biri yanlış varsayımlardır. Örneğin, bir yapay zeka, oturum açma düğmesinin şunu kullandığını varsayabilir: #login-button, asıl uygulama şunu kullandığında: düğme[data-testid=’login’] RAG, uygulama sağlayabilir
İlgili yazılar
- Erken Dönem Startup’larda Mühendislik Takımları Nasıl Kurulur?
- 2026’da Yapay Zeka Chatbotları Nasıl Kurulur ve Kullanılır
Editörün Notu
Yapay zeka destekli test otomasyonunda kod yazmadan hızlı ve etkili sonuçlar almak için RAG ve Playwright gibi araçları entegre etmek, test süreçlerini hem hızlandırır hem de hata tespitinde doğruluğu artırır. Bu yaklaşım, test uzmanlarının teknik engelleri aşarak doğrudan iş gereksinimlerine odaklanmasını sağlar.
