Если бы роботы умели жаловаться, они бы сказали: «Тестируйте меня лучше!» — и в этой жалобе был бы здравый смысл. Так думают основатели Cekura (YC F24): Tarush, Sidhant и Shashij. Их идея проста и хитра — вместо ручной проверки, флажков и надежды на доброту пользователей — симулировать тысячи реальных разговоров и проверять сессию целиком.
Cekura строит тест‑сценарии двумя путями: генерирует их из описания агента и «выкачивает» живые диалоги из продакшена, превращая реальные кривые сценарии пользователей в повторяемые кейсы. Это значит, что покрытие тестов живёт вместе с пользователем — и русские команды, которые быстро находят локальную специфику разговоров, получают именно те сценарии, которые важны в их окружении.
Ещё одна аккуратная деталь — мок‑платформа для инструментов. Агент может вызывать внешние API; запускать их в тесте медленно и рискованно. Cekura подменяет реальные сервисы на контролируемые ответы: тренируешь инструмент выбора и логику, но не пробуешь боевые базы данных.
И главное — детерминированность. LLM любят флипать, но CI любит стабильность. Вместо расплывчатых проверок команда строит структурированные деревья условий и фиксированные ответы, чтобы синтетический пользователь вел себя одинаково в каждом прогона. Тогда падение теста — не шальная случайность, а речная регрессия.
Cekura умеет не только симулировать, но и мониторить живые сессии: где накопилась проблема — там и сигнал. Это важный шаг выше обычного трассинга «по одному вызову»: многие баги видны только в связке реплик, а не в отдельных правильно сформулированных ответах.
Попробовать можно на https://www.cekura.ai — есть 7‑дневный триал без карты, тарифы от $30/мес, и наглядное видео: https://www.youtube.com/watch?v=n8FFKv1-nMw.