В статье разбирается два кейса. Первый кейс – разбор чужой обработки. Второй – сценарии тестирования, которые я пишу для заданий на разработку. В конце я также расскажу еще о нескольких способах использования искусственного интеллекта в работе аналитика.
Разбор чужой обработки: вводные условия
В компании с прошлого проекта осталась внешняя обработка – загрузчик для миграции остатков и взаиморасчетов с покупателями и клиентами. На новом проекте появилась задача выполнить эту загрузку. Инструкции не было, Excel-шаблонов для загрузчика тоже не было, комментариев в коде – не было.
Было непонятно, что вообще происходит при запуске загрузчика, что создается и что должно подаваться на вход. Кроме того, при запуске возникала ошибка: не найден реквизит. Предыдущая конфигурация была переписана, в ней были какие-то доработки, и загрузчик перестал работать на обычной типовой конфигурации.
Шаг 1. Загружаем в ИИ код и скриншот формы
Я почти нигде не видела, чтобы аналитики лезли в код и что-то с ним делали. Я как раз тот аналитик, который туда лезет и пытается понять, как это можно использовать. Искусственный интеллект – мощный инструмент, и грех не воспользоваться им, чтобы попробовать прочитать код или даже немного его дописать.
Первая задача была простой: понять, что делает загрузчик.
Я открыла обработку через конфигуратор и сделала скриншот формы. Затем зашла в код, скопировала его, добавила в текстовый файл и загрузила в искусственный интеллект. Поскольку это внешний загрузчик, весь нужный код находился в одном месте.
Это первые два шага. Во-первых, искусственный интеллект должен понимать, как выглядит интерфейс обработки. Во-вторых, он должен видеть код, иначе дальше мы не сдвинемся.
Шаг 2. Загружаем в ИИ скрин ошибки
Затем я передала ему ошибку. В режиме предприятия я открыла доработку, и у меня появилась ошибка: «Не найден реквизит. Отсутствует код JDE». Важно не ограничиваться коротким сообщением, а провалиться в подробный текст ошибки. Его можно полностью заскриншотить и также передать искусственному интеллекту.
Он хорошо считывает текст с изображений, но можно и просто скопировать текст ошибки. Это третий вид входных данных, который нужен, чтобы начать работу.
Шаг 3. Понять обработку «языком аналитика»
После этого я попросила: «А теперь расскажи, что здесь происходит». Сначала я не уточнила, что я аналитик, поэтому искусственный интеллект стал построчно описывать код языком разработчика. Я его остановила и сказала: «Нет, я аналитик. Расскажи, пожалуйста, языком аналитика, что здесь происходит. Я хочу понять, для чего нужна эта обработка». Инструкции у меня не было, поэтому нужно было с чего-то начать.
В результате мы с искусственным интеллектом поняли, что делает доработка. В целом он рассказал, для какой системы предназначена обработка, указал исходную систему и объяснил, что именно она делает.
Обработка загружала четыре разных вида документов: авансы клиентов, задолженность клиентов, авансы поставщикам и задолженность поставщикам. Соответственно, для загрузки требовалось четыре вида шаблонов.
Это был достаточно хороший результат, чтобы поверхностно понять, что находится внутри, не читая код самостоятельно и не приходя к разработчику с вопросом: «Что там происходит? Подскажи, я не знаю, с чего начать». На этом этапе затраты разработчика составили ноль минут.
Я использовала ChatGPT. Компания приобрела платную версию, и у меня там есть отдельный проект, в котором я постоянно отрабатываю задания на разработку.
Мы поняли, что делает загрузчик, и могли двигаться дальше.
Шаг 4. Excel-шаблоны из кода
В коде было прописано, как должны считываться Excel-шаблоны и как затем происходит загрузка.
Я просто попросила искусственный интеллект прочитать код и сделать мне эти Excel-шаблоны. Конечно, их можно было подготовить вручную: зайти в код и посмотреть все технические наименования колонок. Но с искусственным интеллектом получилось сделать это на 100% корректно и быстро. Он создал рабочие Excel-шаблоны для миграции прямо из кода. Я практически не затратила времени на анализ того, что находится внутри.
В шаблоне были указаны технические наименования полей. Кроме того, я попросила отдельно расписать, какие у полей должны быть типы и какие из них обязательны. Искусственный интеллект подготовил шаблоны в нужном формате и добавил примеры.
Экономия получилась потрясающая. Затраты разработчика по-прежнему составляли ноль минут.
Шаг 5. Минимальная правка кода и запуск
Разобравшись с загрузчиком, я решила попробовать исправить ошибку. Это не была ситуация, в которой я всерьез рассчитывала сразу получить рабочий результат. Я подумала: «Есть ошибка – попробую ее исправить. Вдруг получится».
Код у искусственного интеллекта уже был. Ошибка, которая появлялась в режиме предприятия, тоже была. Я просто попросила исправить код.
Первая попытка оказалась неудачной. Когда задача поставлена неструктурированно, искусственный интеллект может просто обрезать половину кода. Когда я стала копировать результат обратно в обработку, то поняла, что он слишком многое убрал.
После этого я уточнила запрос: попросила не обрезать код и внести минимальные правки – только те, которые нужны, чтобы убрать ошибку. И, к моему удивлению, обработка запустилась.
В результате у меня были Excel-шаблоны и рабочий загрузчик. Единственный минус – загрузчик не смог найти объект расчета, который был показан на изображении. Документ ввода начальных остатков авансов создался, но объект расчетов не подтянулся. В моем случае объектом расчетов был договор.
Я сделала примерно пять попыток заставить искусственный интеллект исправить и это, но не получилось. Здесь все-таки нужен более детальный анализ и понимание кода.
Тем не менее результат был очень хорошим. Не обратившись к разработчику ни разу, получилось прочитать код, понять его, минимально починить загрузчик, чтобы он стал рабочим, и сделать Excel-шаблоны.
Итоги: что получилось и где граница ИИ
Кроме того, у нас была задача искать контрагентов по собственным правилам. В любом случае участие разработчика понадобилось бы. Но суть в том, что не пришлось с нуля писать техническое задание или полное задание на разработку.
Не пришлось бежать к разработчику в самом начале. В итоге я смогла точечно поставить задачи: исправить конкретную ошибку, которая видна на изображении, и сделать поиск по новым правилам.
Когда я рассказывала об этом кейсе в компании, меня спросили: «Что сказал разработчик, когда увидел, что искусственный интеллект написал в коде?» На самом деле разработчик ничего не сказал, потому что он и не знал, что искусственный интеллект что-то доработал. Все же работало.
По факту я протестировала задачу еще до того, как она ушла разработчику. Разработчик не увидел каких-то ошибок, допущенных искусственным интеллектом. По сути, тот просто вычистил поле, которого не было в текущей конфигурации.
Сценарии тестирования с помощью ИИ
Второй кейс связан не столько с разработкой, сколько с тем, как я использую искусственный интеллект для описания сценариев тестирования.
Здесь важны два момента: промпт с форматом сценария и образец – тот самый эталон, который мы хотим получить после выполнения промпта.
На изображении приведен пример, но это не единственно правильный вариант, а просто промпт, который использую я.
В нашей компании принято в конце задания на разработку всегда писать сценарий тестирования. Примерно на 90% я довольна тем, как это делает искусственный интеллект.
Когда задание на разработку уже написано, сценарий тестирования писать немного лень. Ты и так понимаешь, что будешь тестировать, потому что сам писал это задание. Если тестированием занимается аналитик, разработчик не всегда проходит по сценариям тестирования: это, вероятно, зависит от сроков проекта. Очень часто задача просто передается аналитику, и он начинает тестирование.
Хорошо, когда сценарий заранее подготовлен с помощью искусственного интеллекта. Через неделю задача возвращается на тестирование, ты уже не помнишь всех деталей и начинаешь проходить по своему сценарию.
В моем сценарии три части: наименование сценария, шаги и ожидаемый результат.
Первые попытки приводили к тому, что искусственный интеллект создавал настоящую «Войну и мир»: 10–15 сценариев, по отдельному сценарию на каждый реквизит. Чтобы этого не было, нужно сразу поставить ограничение и попросить делать укрупненные сценарии, чтобы в одном сценарии тестировалось сразу несколько доработок, указанных в задании на разработку.
Укрупненный сценарий – наверное, самый важный момент. Кроме того, искусственному интеллекту нужно сказать, что не надо тестировать все подряд, включая ситуации, которые, скорее всего, никогда не произойдут. Иначе он настолько развивает тему, что начинает тестировать до падения метеорита. Такие сценарии никому не нужны, и никто не будет по ним работать.
В одном из примеров у меня было задание на разработку создания счетов-фактур выданных по строкам из Excel.
Я люблю, когда в сценарии используются технические наименования полей и реквизитов. Кто-то предпочитает синонимы. Например, в загрузчике у меня есть колонки «ДатаДокумента», «ВыставленВЭлектронномВиде». В таком формате я лучше воспринимаю сценарий тестирования.
На этапе создания промпта можно прописать, в каком формате нужен результат. Если это пользовательский сценарий, понятно, что пользователь не сможет читать технические наименования таким образом. Это особенно важно, когда в итоге тестируют пользователи и для них тоже готовится сценарий.
Чтение кода перед постановкой задачи
Есть еще один способ использования искусственного интеллекта. Когда я пишу задание на разработку и могу скопировать небольшой фрагмент кода, я делаю это еще до подготовки задания.
Важно понимать, откуда именно его копировать, потому что нельзя взять весь код и целиком загрузить в искусственный интеллект. Сейчас есть много систем, например Cursor. Я пока с ним не работала. Для меня это скорее подручное средство, которое помогает упростить жизнь и написать задание на разработку.
Часто бывает, что я не могу понять, откуда заполняются данные, например при выводе на печать. Если нужный фрагмент можно скопировать, я копирую код, передаю искусственному интеллекту и задаю вопросы. Он объясняет: «Да, ты права, отсюда считывается, а еще данные могут подтянуться оттуда».
Это упрощает подготовку задания на разработку. Я снова не бегу к разработчику и не говорю: «Посмотри, откуда еще это может браться. У меня не получается понять».
Но здесь важно заставить себя зайти в конфигуратор и поискать, где может находиться нужный код. Можно также спросить искусственный интеллект: «Подскажи, откуда я могу скопировать этот фрагмент кода для анализа?» Это значительно упрощает работу. Если речь идет о внешней обработке, все еще проще.
Проверка задания на коэффициент неопределенности
Есть еще одна ключевая фраза, которую я использую, когда задание на разработку уже написано. Сейчас ее хорошо применяют и мои коллеги. Я пишу: «Проверь, пожалуйста, это задание на разработку на коэффициент неопределенности».
Обычно я задаю порог 20%. Искусственный интеллект может ответить: «Здесь коэффициент неопределенности 50%». Это означает, что разработчик может не понять формулировку: где-то не хватает информации, где-то есть совпадение или противоречие. После этого такие места можно переписать. Искусственный интеллект также подсказывает, как именно это сделать.
Я объясняю ему, что задание пойдет разработчику, а до разработчика его, возможно, проверит функциональный или технический архитектор. После этого искусственный интеллект проходит по всем строкам задания и указывает коэффициент неопределенности для каждой из них.
Я ставлю порог 20%, потому что ниже обычно остаются формулировки, которые можно не исправлять: они и так понятны специалистам 1С. Это действительно полезный прием, который мы теперь используем постоянно.
*************
Статья написана по итогам доклада (видео), прочитанного на конференции INFOSTART TEAM EVENT.
