AI ඒජන්ට්ස් දැන් API පරීක්ෂණ ලියන වැඩේ ඉතා වේගවත් කරලා. Cursor, Copilot, Claude වගේ මෙවලම් එකතුවෙන් පරීක්ෂණ කේතය, අතිරේක කේස්, payloads ආදිය තැනීමට උදව් කරනවා. නමුත් ඒ සියල්ලක් පුරාපුරාම පරීක්ෂණය හෝ CI/CD පද්ධතියේ ගේට්කෑමට පමණක් AI පවරා ගත හැකිද?
ආරම්භක වශයෙන්, AI ඒජන්ට්ස් OpenAPI හෝ endpoint විස්තරයක් ලබා දුන්නාම, ස්වයංක්රීයව HTTP status, අත්යවශ්ය ෆීල්ඩ් ඇස්සර්ෂන්, සාර්ථක payloads වැනි මුලික ටෙස්ට් කේස් ජනනය කරනවා. එමෙන්ම, “ඇරඹුමට පසු කුමන අසාර්ථකතා සිදුවිය හැකිය?” කියලා අතිරේක අත්යවශ්ය කේස්, null value, token ඉකුත් වීම, 429/500 errors වැනි සිදුවීම් ද යෝජනා කරනවා.
එහෙත් මෙහි සීමා පැහැදිළි. AI සෑදූ ටෙස්ට් කේස් එකම commit එකේ සෑම වාරයක්ම එකසේ ක්රියා කරයි කියලා ගැණීමට නොහැක. පරීක්ෂණය deterministic tool එකකින් ක්රියාත්මක කර, CI pipeline එකේ merge block කර, අසාර්ථක වීමේ විස්තර පරීක්ෂා කිරීම යන පියවරවලට මනුෂ්ය විමර්ශනය සහ තීරණය අවශ්ය වේ.
ශ්රී ලංකාවට ඇති වැදගත්කම
ශ්රී ලංකාවේ වැඩි දෙනෙකුට API development හා testing අත්දැකීම අඩුයි. AI ඒජන්ට්ස් භාවිතයෙන් පරීක්ෂණ ලියන කාලය අඩු කර, නවකයන්ට ඉක්මනින් ප්රායෝගික කේස් ගොඩනැගීමට හැකියාව ලැබේ. ඒකම තරමට, deterministic CI tools (GitHub Actions, GitLab CI) භාවිතයෙන් ගුණාත්මක code ගුණාත්මකභාවය රැකගත හැකිය. මෙයින්:
- විශ්ව විද්යාල සිසුන්ට API design සහ testing පදනම ඉගෙන ගැනීමට ප්රායෝගික උදාහරණ ලැබේ.
- ලෝක පරිමාණයේ startup හා මධ්යම පරිමාණ ව්යාපාරවලට testing automation වේගවත් කර, දෝෂ ප්රතිකාර කාලය අඩු වේ.
- DevOps කණ්ඩායම්ට AI‑generated test drafts එකතු කර, code review පියවර තවත් කාර්යක්ෂම කරගත හැක.
අවසානයේ, AI ඒජන්ට්ස් API පරීක්ෂණයේ “ලේඛන” කාර්යය ඉතා හොඳින් කරයි, නමුත් නිරවද්ය, ස්වයංක්රීය, merge‑blocking pipeline සදහා මනුෂ්ය සහ deterministic tool එකක් අත්යවශ්යයි. ඒකම තරමට, ශ්රී ලංකාවේ තාක්ෂණික කාර්යශීලීන්ට AI‑සහයෝගිතාව සමඟ testing culture එක වර්ධනය කරගැනීමේ නව අවස්ථාවක් ලැබේ.
ඉදිරියේදී AI ඒජන්ට්ස් හා CI/CD automation එකතු කර, අපේ සංවර්ධන ක්රමවේදය තවත් වේගවත්, ආරක්ෂිත, සහ තත්ත්වයෙන් පිරිපුන් කරගත හැක.
