چگونه بهترین نتیجه را از AI Test Case Generator در TestRail بگیریم

به AI Test Case Generator مثل یک QA جدید نگاه کنید که تازه استخدام کرده‌اید. هنوز محصول شما را نمی‌شناسد، اما سریع، توانمند و آماده کمک است. هرچه دستورالعمل‌های شما بهتر باشد، test caseهای بهتری برایتان می‌نویسد.

این راهنما نشان می‌دهد چطور با AI مثل یک همکار واقعی کار کنید؛ همکاری که در لحظه یاد می‌گیرد، اما کاملاً به راهنمایی شما وابسته است.

با یک brief روشن شروع کنید #

اگر به یک هم‌تیمی QA جدید فقط بگویید «کاربر somehow وارد سیستم می‌شود»، احتمالاً کلی سؤال از شما می‌پرسد.

با AI مثل یک عضو junior تیم رفتار کنید و همان سطح اطلاعاتی را به آن بدهید که به یک همکار واقعی می‌دهید:

✅ دقیق توضیح دهید feature چه کاری انجام می‌دهد
✅ از زبان روشن، مستقیم و بدون ابهام استفاده کنید
✅ user journey، شرایط و platformهای درگیر را توضیح دهید

مثال: #

🟥 خیلی مبهم:

«کاربر می‌تواند هتل‌ها را با فیلتر قیمت فیلتر کند»

🟩 خیلی بهتر:

«کاربر باید بتواند در mobile appهای iOS و Android، هتل‌ها را هم در نمای hotel list و هم در نمای map با استفاده از price range slider فیلتر کند. این slider به کاربر اجازه می‌دهد مقدار حداقل، از ۴۰ دلار، و مقدار حداکثر، تا ۸۰۰ دلار به بالا، را انتخاب کند. currency نمایش‌داده‌شده ممکن است بر اساس تنظیمات کاربر تغییر کند. price filter می‌تواند به‌تنهایی یا همراه با فیلترهای دیگر، مثل star rating و amenities، استفاده شود.»

چرا این موضوع مهم است: #

اکنون AI، یا هم‌تیمی جدید شما، می‌داند:

• کجا این feature قرار دارد؛ hotel list و & map

• چطور کار می‌کند؛ با price slider

• کدام platformها تحت تأثیر هستند؛ iOS و Android

• بازه و انعطاف‌پذیری ؛ حداقل/حداکثر و currency پویا

• قواعد interaction ؛ ترکیب فیلترها

هرچه requirements شما کامل‌تر باشد، test caseهای تولیدشده دقیق‌تر و مرتبط‌تر خواهند بود.

در requirements چه مواردی را بنویسید #

نکته: با این کار مثل نوشتن یک brief کوتاه برای یک شخص واقعی برخورد کنید؛ چون عملاً همین کار را انجام می‌دهید.

این نوع اطلاعات به AI کمک می‌کند test caseهایی بنویسد که واقعاً منطقی و قابل استفاده باشند:

• نوع device – platformهای هدف را مشخص کنید؛ مثل mobile (iOS/Android)، desktop (Windows/MacOS)، browserها (Chrome/Firefox)، یا hardware خاص.

• جزئیات UX/UI feature – functionality، interactionهای کاربر، عناصر بصری، ملاحظات accessibility و workflowهای کلیدی را توضیح دهید.

• Acceptance criteria – معیارهای موفقیت، عملکرد مورد انتظار، benchmarkهای performance و edge caseهای احتمالی را به‌روشنی تعریف کنید.

• زمینه دامنه کاری – جزئیات مرتبط با صنعت را وارد کنید؛ مثل الزامات compliance، ملاحظات امنیتی، الگوهای رفتار کاربر یا business ruleها.

• وابستگی‌های داده – هر نوع داده ورودی لازم، integration با API یا تنظیمات سیستم را که روی testing اثر می‌گذارد ذکر کنید.

• پرسوناهای کاربر & نقش‌ها – انواع مختلف کاربر، مثل admin، کاربر عادی و guest، و permissionهای هرکدام را مشخص کنید تا تست مبتنی بر نقش پوشش داده شود.

• شرایط شبکه & شرایط محیطی – متغیرهایی مثل حالت offline، شبکه‌های کند، استفاده از VPN/proxy یا محیط‌های cloud/on-premise را مشخص کنید.

• بومی‌سازی & بین‌المللی‌سازی – مواردی مثل پشتیبانی از زبان‌ها، فرمت تاریخ، مدیریت ارز، متن راست‌به‌چپ (RTL) و محدودیت‌های منطقه‌ای را در نظر بگیرید.

• سازگاری رو به عقب & سازگاری رو به جلو – وابستگی به سیستم‌های قدیمی، نسخه‌های قبلی نرم‌افزار یا سازگاری با releaseهای آینده را مشخص کنید.

• سناریوهای خرابی & مکانیزم‌های بازیابی – رفتار مورد انتظار سیستم را هنگام خرابی مشخص کنید؛ از جمله مدیریت خطا، fallback strategy و مکانیزم‌های retry.

• بار سیستم & نیازمندی‌های هم‌زمانی – بار مورد انتظار کاربران، شرایط اوج ترافیک و تعاملات چندکاربره را تعریف کنید تا performance سیستم ارزیابی شود.

• امنیت & ملاحظات compliance – مکانیزم‌های authentication، رمزنگاری، compliance با GDPR/PCI/SOC2 یا تهدیدهای امنیتی احتمالی مثل XSS و SQL injection را مشخص کنید.

خروجی را درست درک کنید #

نیروی QA تازه‌استخدام‌شده شما ممکن است بسته به requirementهایی که به او داده‌اید، ۲۰ یا ۵۰ test case تحویل دهد. AI هم همین‌طور عمل می‌کند.

AI معمولاً سعی می‌کند برای هر رفتار متمایز، یک test case تولید کند. اگر انتظار ۱۰۰ test case داشتید اما فقط ۳۸ مورد دریافت کردید، دلیلش می‌تواند این باشد:

• requirementهای شما فقط ۳۸ رفتار را توضیح داده‌اند.

• اطلاعات زمینه‌ای یا تنوع کافی ارائه نکرده‌اید.

• این مدل برای تضمین استفاده منصفانه، جلوگیری از سوءاستفاده، و حفظ پایداری و عملکرد سیستم‌های backend، محدودیت‌هایی برای توکن و خروجی اعمال می‌کند.

بازبینی خروجی AI؛ درست مثل کار با پیش‌نویس اول #

بعد از اینکه product requirements خود را ارسال کردید، TestRail AI یک فهرست پیش‌نویس از test caseهای پیشنهادی به شما می‌دهد؛ هرکدام با یک عنوان و توضیح کوتاه.

این مرحله کنترل کامل را در اختیار شما می‌گذارد و همین موضوع TestRail را متمایز می‌کند. ابزارهای دیگر ممکن است ده‌ها test case را به‌صورت خودکار اضافه کنند و بعد مجبور شوید آن‌ها را پاک‌سازی و اصلاح کنید. TestRail از همان ابتدا شما را در جایگاه تصمیم‌گیرنده قرار می‌دهد.

برای کار با این پیش‌نویس، این کارها را انجام دهید:

• عنوان‌ها و توضیحات را ویرایش کنید تا شفاف‌تر شوند یا فرض‌های نادرست اصلاح شوند.

• فقط test caseهایی را انتخاب کنید که می‌خواهید ایجاد شوند.

• در صورت نیاز، requirements خود را دقیق‌تر کنید و دوباره امتحان کنید.

مثال: #

🟥 عنوان تولیدشده توسط AI:

«تست ورود موفق با ایمیل»

🟩 نسخه بهبودیافته:

«در صورت فعال بودن multi-factor authentication (MFA)، ورود با ایمیل ثبت‌شده و رمز عبور را verify کنید»

نکته پایانی: مثل یک mentor فکر کنید #

AI می‌تواند خروجی بسیار خوبی بدهد؛ اما فقط وقتی آن را درست راهنمایی کنید. در اینجا شما نقش senior QA را دارید. با تخصص و راهنمایی شفاف شما، AI به دستیاری قدرتمند تبدیل می‌شود که workflow شما را سریع‌تر می‌کند.

به آن ساختار بدهید. به آن context بدهید. استانداردهای خودتان را به آن بدهید. در نتیجه، test caseهایی دریافت می‌کنید که بسیار بیشتر از خروجی شروع از یک صفحه خالی، به حالت production-ready نزدیک هستند.