Примерно шесть лет назад я впервые познакомился с Vanessa Automation. Написание качественных и воспроизводимых сквозных (E2E) тестов тогда оказалось сложным и долгим процессом. Недавно мне пришлось вернуться к этой задаче, и я решил быстро вкатиться в данный процесс при помощи ИИ. Так появился проект Vanessa_for_AI - комплект правил и навыков для агента с каталогом шагов Vanessa Automation. В статье расскажу, что входит в этот комплект, как подключить его к проекту и чем для меня ценен опыт и для чего им делюсь.

Исходная задача

Мне нужно было за месяц подготовить для заказчика тесты основных процессов закупок, продаж, казначейства и нормативно-справочной информации (НСИ) после внедрения и доработки конфигурации 1С:ERP. Управление холдингом. Заказчику необходимо было показать пройденные тесты по сквозным процессам, которые он смог бы самостоятельно запускать после обновления системы или изменения функционала.

Условия работы

Проект Vanessa_for_AI возник из-за ограничений работы в крупных корпоративных проектах, где нет возможности подключить серверы MCP (Model Context Protocol) или другие средства агентского тестирования к инфраструктуре и базе заказчика. Vanessa_for_AI предназначен для помощи консультанту-аналитику: агент помогает продумать архитектуру тестов, создать качественные сценарии тестирования и исправлять ошибки, которые возникают в процессе тестирования, подбирать правильные шаги из библиотеки шагов для прохождения теста.

От архитектуры к рабочим тестам

Vanessa_for_AI объединяет несколько компонентов для работы ИИ-агента со сценариями Vanessa Automation. Навык — это инструкция агенту для определённого вида работы.

• AGENTS.md — правила работы с проектом; для Claude Code предусмотрен CLAUDE.md

• vanessa-project-bootstrap — навык для согласования структуры нового проекта.

• vanessa-feature-authoring — навык для создания, проверки и разбора ошибок сценариев Turbo Gherkin.

• knowledge/vanessa-automation/steps-library.json — локальный каталог стандартных шагов Vanessa Automation для сверки их наличия и синтаксиса.

Агент работает с файлами и переданными материалами от консультанта. При подготовке теста агент опирается на записанный сценарий, проверенные рабочие сценарии проекта и каталог шагов для используемой версии Vanessa Automation. Если данных недостаточно, агент задействует дополнительный источник — официальная документация Vanessa Automation.

Процесс работы с нуля выглядит так:

1. Склонировать репозиторий на своё устройство Vanessa_for_AI

2. Открыть корень полученного проекта в выбранном ИИ-агенте.

3. Попросить агента использовать навык vanessa-project-bootstrap и предложить архитектуру тестов для вашей задачи.

4. Обсудить предложенную архитектуру.

5. Утвердить её и попросить её создать, а также написать план создания тестов.

6. Записать первый тест штатными средствами Vanessa.

7. Передать данный тест в виде файла либо в сам чат агента.

8. Попросить агента использовать навык vanessa-feature-authoring для доработки записанного теста.

9. Наблюдать за работой агента и участвовать в процессе создания теста. Отвечать на вопросы, предоставлять данные, которые он запросит.

10. Проверить итоговый сценарий. Если есть ошибка, вернуть её агенту на исправление.

Подключение к существующему проекту описано в README.

Для работы рекомендуются фронтирные LLM модели с июля 2026 г.

Работа в команде

В команде каждый участник писал сценарии своих процессов. Агент адаптировал их под общие правила проекта: оформлял экспортные сценарии, добавлял проверки и рекомендовал улучшения. Так из сценариев команды получался набор тестов с общей структурой. Для командной работы рекомендую использовать Git.

Архитектура тестов на примере заказа поставщику

Агент помог мне продумать архитектуру тестов, подсказал, что можно сделать библиотеку тестирования, продумать подготовку данных и автоматически доработать все сценарии верными экспортными вызовами. Подготовка данных вынесена в отдельный исполняемый сценарий. Для заказа поставщику он создаёт связанный набор поставщика, контрагента, договора и номенклатуры, сохраняя реквизиты и ссылки в JSON.

Пример предложенной архитектуры тестов:

features/
├── Сценарии/Закупки/
│   ├── 00_ПодготовкаДанных/ — создание набора
│   ├── 02_Документы/       — тесты заказа
│   └── 03_Регистры/        — проверки движений
└── 90_Библиотека/ПодготовкаДанных/Закупки/
    ├── НСИ/                — создание справочных данных
    ├── Наборы/             — загрузка JSON
    └── Документы/          — подготовка и проведение заказа

@ExportScenarios
Функционал: Загрузка подготовленного набора поставщика

Сценарий: Я загружаю подготовленный набор поставщика из файла "ИмяФайла"
    Дано я запоминаю строку "ИмяФайла" в переменную "ФайлНабораПоставщика"
    И Файл "$ФайлНабораПоставщика$" существует
    И я читаю json файл "$ФайлНабораПоставщика$" в переменную "ДанныеНабораПоставщика"

Его вызов из другого библиотечного сценария:

И Я загружаю подготовленный набор поставщика из файла "$ФайлНабораДанных$"

ФайлНабораДанных содержит путь к подготовленному JSON. Так видны объявление экспортного сценария, передача параметра и переиспользование.

Обработка ошибок

После разбора ошибок я просил агента дополнить SKILL.md, чтобы зафиксировать правило для следующих сценариев, рекомендую и вам наполнять своё решение на базе ваших ошибок, и при необходимости можете прислать PR в github.

Результаты

Первоначально запланированный объём тестов я подготовил за неделю при отведённом месяце. Оставшееся время использовал для расширения набора, улучшения тестов и экспериментов.

Главной пользой для меня стала работа с агентом над структурой тестов. При работе в команде сценарии коллег удавалось адаптировать под общий шаблон тестирования и сделать все тесты понятными для всех участников. Модульность позволила легче сопровождать поддержку, расширение и дальнейшее масштабирование тестов.

Для экспертов тестирования данная статья может показаться слишком поверхностной и простой, я соглашусь, но моя задача была показать возможности инструмента и расширить применение Vanessa Automation на проекты, где нет времени долго писать тесты или отсутствуют люди с таковым опытом. Ранее данный инструмент мог отнимать большой объём времени, которого всегда не хватает, а теперь я вижу возможность его повседневного применения, т. к. появился под рукой ИИ-наставник, который быстрее меня найдет нужный шаг и поймет, как лучше исправить ошибку.