.png)
.png)
Tesztelés 2.0 – 50%-os költségcsökkentés E2E automatizációval. Egy komplex, banki integrációkat is tartalmazó vállalati szoftverkörnyezetben olyan, Python és LangChain alapú multi-ágens hálózatot terveztünk és vezettünk be, amely képes volt autonóm módon validálni a teljes alkalmazás-ökoszisztémát.A rendszer célja nem pusztán a manuális tesztelés kiváltása volt, hanem egy adaptív, önjavító, folyamatosan tanuló minőségbiztosítási infrastruktúra létrehozása, amely a CI/CD pipeline szerves részeként működik.
.png)
Kiindulási helyzet:
A projekt indulásakor:
- A tesztelési lefedettség 40% körül mozgott.
- A regressziós tesztek döntő része manuálisan történt.
- A UI-változások rendszeresen törtek el automatizált szkripteket.
- A release-ciklusok átlagosan 3–4 hetesek voltak.
- Éles környezetben havonta átlagosan 8–12 kritikus hiba jelent meg.
A rendszer több mikroszolgáltatásból állt, REST és event-driven architektúrával, banki integrációkkal (PSD2 API-k, belső scoring engine-ek, auth-réteg). A minőségbiztosítási folyamatban az emberi hiba kockázata magas volt, különösen regressziós környezetben.
Architektúra: Multi-Ágens QA Hálózat
A megoldás központi eleme egy specializált ágens-hálózat volt, amely különböző szerepkörökre bontva működött:
- Test Designer Agent
- User story-k és acceptance criteriák automatikus feldolgozása
- Tesztesetek generálása Gherkin-szerű formátumban
- Edge case-ek és boundary value analízis automatikus kiterjesztése
- E2E Execution Agent
- Dinamikus UI-interakció (DOM-elemzés, XPath/selector újragenerálás)
- API-hívások validálása
- Session-kezelés, token-újragenerálás
- Valós felhasználói viselkedés szimulálása (randomizált input, hibás adatok, időkésleltetés)
- Logic Validator Agent
- Backend response validálása
- JSON schema és üzleti szabályok összevetése
- Anomália-detektálás (nem determinisztikus válaszok kiszűrése)
- Root Cause Analyzer Agent
- Stack trace és log aggregáció
- CI build-összehasonlítás
- Hibák priorizálása üzleti impact alapján
.png)
.png)
.png)
Technológiai stack
- Backend: Python
- LLM orchestration: LangChain
- API réteg: FastAPI
- Workflow orchestration: n8n
- Konténerizáció: Docker + Kubernetes
- CI/CD integráció: GitLab pipeline
Az orchestrációs réteg lehetővé tette, hogy párhuzamosan 8–12 izolált tesztkörnyezet fusson, külön staging és pre-production instance-okkal.
Egyedi algoritmusok és innováció
A rendszer nem hagyományos szkript-alapú automatizálás volt.
Fejlesztettünk:
- Adaptív selector-regeneráló algoritmust (UI változás esetén új mintát keresett DOM-struktúrában)
- Felhasználói viselkedés-szimulátort (random journey generálás, session-idők manipulálása)
- Logikai inkonzisztencia-detektálót (pl. scoring output vs. adatbázis állapot eltérés)
- Confidence scoring modult, amely minden teszteredményhez megbízhatósági indexet rendelt
Ez tette lehetővé, hogy az ágensek alkalmazkodjanak a változó felületekhez, és ne omoljanak össze egy apró UI-módosítástól.
Banki szintű biztonság és auditálhatóság
A rendszer minden döntési láncot naplózott:
- Input → reasoning → output
- Tesztgenerálási logika
- Hibaanalízis lépések
- Prioritási döntések
A naplózás megfelelt a hazai banki szabályozási elvárásoknak, többek között az OTP Bank és az MBH Bank környezetében szerzett tapasztalatok alapján.
A rendszer támogatja az audit trail exportot és visszakereshető reasoning-láncokat.
Eredmények
Költségcsökkentés
- QA költségek 50%-os csökkenése
- Manuális regressziós tesztelés radikális visszaszorítása
Kapacitásfelszabadulás
- Havi több mint 200 QA munkaóra felszabadítása
- A felszabadult kapacitás exploratory és UX-alapú tesztelésre fordítható
Minőségi mutatók
- Tesztlefedettség: 40% → 95%+
- Éles hibák száma: -70%
- Kritikus production bugok: havi 8–12 → 2–3
Time-to-Market
- Release ciklus: 3–4 hét → 10–14 nap
- Gyorsabb feature rollout és validáció
"The Product builder" szemlélet
A rendszer nem különálló QA-eszközként épült fel, hanem a fejlesztési kultúra részévé vált:
- A fejlesztők már user story szinten gondolkodtak tesztelhetőségben
- A tesztelési logika a pipeline kötelező lépcsőjévé vált
- A hibák nem QA-végén, hanem commit-szinten jelentek meg
Ez a szemlélet biztosította, hogy a megoldás hosszú távon fenntartható és skálázható legyen.
Skálázhatóság és jövőkép
Az orchestrációs réteg lehetővé teszi:
- Több termék párhuzamos validációját
- White-label környezetek kezelését
- Integráció ML-alapú prediktív hibadetektálással
- Cross-platform (web + mobil) E2E automatizációt
A projekt bizonyította, hogy az ágens-alapú rendszerek nem kísérleti megoldások, hanem stabil, auditálható és üzletileg mérhető értéket teremtő infrastruktúrák a komplex vállalati architektúrákban.
Ez a modell nem pusztán költséget csökkentett – hanem versenyelőnyt teremtett.
.png)
.png)
.png)
.png)
.svg)
.svg){kind=small}