AI Revoluce v automatizaci testování: Claude Code a Superpowers

1. Kdo stojí za touto technologií? 

Nástroj Claude vyvíjí společnost Anthropic, kterou v roce 2021 založili bývalí zaměstnanci OpenAI s cílem tvořit bezpečnou, spolehlivou a pro firmy připravenou (enterprise-ready) AI. Claude v době vydání tohoto článku nabízí tři modely: 

• Haiku 4.5: Nejrychlejší model pro velmi jednoduché úkoly. 
• Sonnet 4.6: Vyvážený model, který je pro většinu dobře definovaných úkolů „zlatou střední cestou“. 
• Opus 4.8: Nejsilnější a nejkomplexnější model pro složitější problémy, ale je o trochu pomalejš. 

Claude Code je potom nadstavba pro práci se zdrojovým kódem, přičemž se mimo standardních programovacích úkolů velice dobře hodí i pro práci se skripty automatizovaných testů. Je to agentní nástroj, který rozumí projektu, může pracovat napříč soubory, spouštět příkazy v terminálu a navazovat na výsledek předchozího kroku. Použít ho lze v terminálu, v IDE, v desktopové aplikaci i ve webovém prostředí. V rámci tohoto webináře Lucie ukázala práci s rozšířením pro VS Code. 

Pro testery je klíčové, že Claude dokáže následovat instrukce mnohem přesněji než konkurence a zvládá pracovat s větším kontextem informací, aniž by se v nich ztratil. Navíc klade velký důraz na bezpečnost. Vaše data se standardně nepoužívají k trénování modelů, což je zásadní rozdíl oproti většině jiných nástrojů, kde si uživatel tuto možnost musí vypnout sám v nastavení. 

2. Claude Code: AI agent v akci 

Na rozdíl od dnes již běžně používaných AI chatbotů (jako třeba ChatGPT) je Claude Code skutečným AI agentem. Nejenže odpovídá na prompty, ale má přímý přístup ke zdrojovému kódu (codebase) vašeho systému či aplikace, rozumí celému projektu a dokáže skutečně vykonat úkoly, které mu zadáte. Mezi jeho schopnosti patří: 

• Manipulace se soubory: Vytváření, úpravy, ale i mazání souborů. 
• Práce v terminálu: Spouštění PowerShell nebo Bash příkazů. 
• Orchestrace testů: Spouštění testů v Playwrightu, K6 či jiných nástrojích a analýza jejich výsledků. 
• Interakce s webem: Skrze Playwright MCP nebo CLI (rozhraní příkazové řádky) je možné procházet webové stránky, pořizovat screenshoty a analyzovat jejich zdrojový kód (DOM). Díky tomu je možné provádět i průzkumné testování (exploratory testing) a vytahovat ze stránek informace potřebné pro vytváření a úpravu automatizovaných testů. 

3. Framework Superpowers a sedmifázové workflow 

Superpowers je framework a plugin pro Claude Code, který přidává připravené pracovní postupy pro vývoj, debugging, TDD, brainstorming, práci se subagenty a psaní vlastních skills. Tento open-source framework se stal během krátké chvíle natolik populárním, že byl zařazen mezi oficiální pluginy v Marketplace pro Claude Code. Jeho síla spočívá v tom, že nutí AI agenty dodržovat strukturované sedmifázové workflow, čímž eliminuje náhodné generování nekvalitního kódu: 

1. Analýza: AI funguje jako test analytik a doptává se na nejasnosti. 
2. Specifikace: Vytvoření jasného zadání pro následnou přípravu automatizačních skriptů. 
3. Plánování: Návrh postupu realizace. 
4. Design: Architektonický návrh řešení. 
5. Vývoj: Samotné psaní kódu skriptů. 
6. Review: Spouštění testů a code review. 
7. Dokončení: Finální odevzdání práce. 

Tento přístup výrazně zlepšuje výsledky, protože AI agent díky němu nejdříve promyslí logiku, doptá se na nejasnosti a teprve poté programuje, stejně jako člověk-automatizér. 

4. Pokročilé nástroje: Skills, Commands a Agenti 

Aby automatizér nemusel AI stále dokola vysvětlovat stejné instrukce a pravidla, využívá Claude Code následující tři dedikované struktury: 

• Skills: soubory SKILL.md, které popisují konkrétní pracovní postup pro AI agenta. Hodí se pro opakované úkoly, checklisty nebo delší instrukce, které nechceme neustále vypisovat do promptu. Claude je umí použít automaticky, když na základě kontextu vyhodnotí, že je vhodné konkrétní skill použít, případně ho lze spustit ručně, např. /write-test. 
• Slash Commands: příkazy začínající lomítkem. Typickým příkladem je příkaz /init, který v projektu pomůže vytvořit úvodní CLAUDE.md se základním kontextem a instrukcemi pro práci s daným repozitářem. Dříve se pro vlastní workflow často vytvářely samostatné custom slash commandy, které mohly kombinovat více kroků, skillů nebo agentů do jednoho příkazu. Dnes už je vhodnější připravit takové workflow jako Skill (viz výše).  
• Agenti/subagenti: specializovaní pracovníci s vlastním kontextem, promptem, nástroji a oprávněními. Claude jim může delegovat dílčí úkoly, aby hlavní konverzace neztrácela kontext v dlouhých výpisech, rešerších nebo logs. U větších úprav mohou běžet paralelně a s využitím worktrees pracovat v oddělených git checkoutech, takže si navzájem nepřepisují změny. 

5. MCP, CLI nebo API? 

Pro efektivní práci AI agenta není důležitý jen prompt, ale i nástroje, které mu pro vykonání úkolu dáme k dispozici.  

Obecně existuje několik možností. Agent může použít MCP, tedy standardizované rozhraní, přes které mu nástroj nabídne konkrétní akce. U některých nástrojů je zase k dispozici CLI, tedy rozhraní příkazové řádky. Nebo může pracovat přes API, pokud ho daný systém nabízí, například u Jiry, Confluence nebo GitHubu. 

U většiny nástrojů je možnost jen jedna, ale některé nástroje nabízí více způsobů, jak je použít. Jedním z nich je Playwright, u něhož si můžeme vybírat mezi MCP a CLI rozhraním. V roce 2025 se u AI agentů používalo hlavně Playwright MCP. Agent přes něj mohl pracovat s prohlížečem, stránkou, její strukturou, screenshoty nebo jednotlivými prvky v UI. To je užitečné hlavně při průzkumném testování (exploratory testingu) a získávání informací o layoutu a struktuře stránky. 

Vedle MCP lze ale použít i Playwright CLI (rozhraní příkazové řádky). To v Playwrightu existuje od chvíle, kdy byl Playwright publikován (např. přes něj spouštíme testy příkazem playwright test), ale pro práci AI agentů začalo být opravdu zajímavé až v lednu 2026, kdy k němu vznikl specializovaný Playwright skill. Ten agentovi popisuje, jak má CLI efektivně používat, jaké příkazy má volat a jak pracovat s jejich výstupy. Díky tomu dnes může mít CLI pro agenta velmi podobnou sílu jako MCP, ale s výrazně nižší spotřebou tokenů. Agent spouští konkrétní příkazy a dostává zpět stručnější výstupy, takže se do kontextu LLM neposílá tolik zbytečných informací. 

6. Bezpečnost a mantinely: AI jako „učeň“ 

Lucie zdůraznila, že AI byste nikdy neměli dát plnou důvěru bez dohledu. Pro bezpečné nasazení doporučuje: 

• Nastavení oprávnění: V souboru settings.json definujte, co AI smí a nesmí (např. editovat určité soubory, mergovat pull requesty atp.). 
• Technické účty: Pro přístup k nástrojům jako Jira nebo Confluence je lepší používat read-only technické účty s omezenými právy, aby AI nemohla omylem smazat důležitá data. 
• Automatičtí hlídači (Husky & GitHooks): Před každým commitem kódu nechte automaticky spustit Linter (statická kontrola funkčnosti) a Formatter (estetika kódu), což omezí odesílání nespustitelného a nepřehledného kódu. Hodně užitečný je i GitHook na ochranu main větve – aby AI agent nemohl pushovat commity přímo do hlavní větve. 
• CLAUDE.md: Speciální soubor s instrukcemi o architektuře a jmenných konvencích projektu, který si AI načte při každém vytvoření nové konverzace.

7. Mentorujte, neopravujte 

Jednou z důležitých metodických rad z webináře je: nesahejte AI do kódu ručně. Pokud AI udělá chybu, napište jí to do konverzace a nechte ji, ať ji opraví sama a zapamatuje si to. Jinak vaše ručně provedené změny v další iteraci opět změní a chybu zopakuje. Tímto způsobem si AI „vychováváte“ jako svého nového kolegu a postupně zlepšujete její schopnosti v kontextu vašeho konkrétního projektu.  

8. Reálné přínosy v praxi 

Webinář ukázal výrazné zrychlení práce, zejména u performance testování v nástroji K6, kde došlo ke zrychlení tvorby skriptů o 90 %. Práce, která dříve trvala hodiny až dny, byla hotová za 20 minut. U mobilního testování může Claude pomoci s přepisem pomalých testů z Appia do nativních frameworků jako Espresso, ke kterým má AI lepší přístup skrze codebase. 

Závěrem: Pokud chcete začít, investujte cca 450 Kč (18 EUR) do měsíční Pro verze. Aktivujte si Auto mód, který je dostatečně chytrý na to, aby věděl, kdy se zastavit a požádat vás o svolení. Pamatujte však, že za finální výsledek a revize pull requestů stále nesete odpovědnost vy, nikoliv stroj.  

Tento článek shrnuje poznatky z webináře Lucie Lavičkové z 21. 5. 2026. Celý záznam je k dispozici na YouTube kanálu společnosti Tesena. 

Pokud se chcete dozvědět více o využití AI v testování a řízení kvality softwaru, podívejte se na stránku ZDE.