Câu chuyện quen thuộc: 23h đêm trước ngày release
Một tester tại team ShopGo nhận task: chuẩn bị 200 đơn hàng test cho tính năng áp dụng mã giảm giá, bao gồm đơn hàng hợp lệ, đơn hàng vượt hạn mức, đơn hàng có mã hết hạn, và đơn hàng với số lượng sản phẩm bằng 0.
Cách làm cũ: mở Excel, gõ tay từng dòng, copy-paste, sửa lỗi định dạng ngày tháng, rồi convert sang file import. Mất gần 3 tiếng và vẫn thiếu case “mã giảm giá áp dụng cho đơn hàng đã hủy”.
Cách làm với AI: mô tả schema đơn hàng, liệt kê 4 nhóm case cần test, yêu cầu AI xuất ra 200 dòng SQL INSERT. Toàn bộ quá trình mất 8 phút, bao gồm cả bước AI tự đề xuất thêm 2 edge case mà tester ban đầu chưa nghĩ tới.
Đây không phải là AI “thông minh hơn tester” mà là AI xử lý phần việc lặp lại, để tester dành thời gian cho phần khó hơn: xác định case nào thực sự cần test.
Vì sao test data là điểm nghẽn của Manual Tester?
Trước hết cần hiểu rõ 3 lý do khiến việc tạo test data thủ công mất nhiều thời gian:
- Khối lượng lớn, tính lặp lại cao: một test case về validate form thường cần 10–20 bộ dữ liệu khác nhau (hợp lệ, thiếu trường, sai định dạng, vượt giới hạn ký tự…)
- Dễ bỏ sót edge case: con người có xu hướng tập trung vào “happy path” và quên các trường hợp biên
- Định dạng khác nhau theo hệ thống: SQL cho database, JSON cho API testing, CSV cho import hàng loạt, mỗi định dạng lại cần thao tác chuyển đổi riêng
Vì thế, AI giải quyết cả ba vấn đề này cùng lúc, chỉ cần tester biết cách yêu cầu đúng.
5 thành phần tạo nên cấu trúc prompt chuẩn để AI tạo test data tự động
Nguyên tắc gốc để viết một prompt tạo test data tốt không phải nhờ may mắn, mà có cấu trúc chuẩn, và cấu trúc đó lặp lại được cho mọi tác vụ. Đây là 5 thành phần chuẩn cho prompt QA:
🔹 Role: Giao vai trò cho AI: Bạn là QA Engineer đang test hệ thống e-commerce.
🔹 Context: Bối cảnh và schema dữ liệu: Bảng orders gồm các cột: order_id, customer_id, total_amount, discount_code, status.
🔹 Task: Yêu cầu cụ thể cần sinh: Sinh 50 bản ghi test data cho bảng trên.
🔹 Constraint: Ràng buộc, tỷ lệ từng loại case, giới hạn cần tuân thủ (thành phần quan trọng nhất để giảm hallucination): 30 bản ghi hợp lệ, 10 bản ghi discount_code không tồn tại, 10 bản ghi total_amount = 0.”
🔹 Output Format: Định dạng đầu ra:Trả về dạng SQL INSERT / JSON / CSV, kèm comment phân nhóm theo từng loại case.
Nguyên tắc thực tế: Không phải lúc nào prompt cũng cần đủ 5 thành phần.
Nếu trường hợp chỉ cần một vài test đơn giản thì thành phần chỉ cần: Context, Task, Output Format.
Nếu cần sinh dữ liệu số lượng lớn, nhiều nhóm case, cần độ chính xác cao thì cần dùng đủ 5 thành phần, đặc biệt không được bỏ qua Constraint.
Đây là nguyên nhân phổ biến nhất khiến AI sinh sai tỷ lệ case hoặc tự suy luận ngoài yêu cầu ban đầu.
Kỹ thuật bổ sung: Example-Driven Method: Với các trường hợp cần AI bám sát một format cụ thể (VD: một dòng dữ liệu mẫu đã có sẵn trong hệ thống), hãy đưa thêm 1 ví dụ thực tế vào cuối prompt và yêu cầu AI tạo dữ liệu tương tự. Cách này giúp AI calibrate đúng định dạng ngay từ lần đầu, thay vì phải sửa qua nhiều vòng.
Cách AI tạo test data tự động theo từng định dạng
1. Sinh dữ liệu SQL INSERT
Áp dụng đủ 5 thành phần ở trên thì một prompt hoàn chỉnh sẽ được viết như sau:
Ví dụ prompt:
“Role: Bạn là QA Engineer test hệ thống e-commerce.
Context: Bảng orders gồm: order_id (int, auto increment), customer_id (int), total_amount (decimal, > 0), discount_code (varchar, có thể null), status (enum: pending/completed/cancelled).
Task: Tạo 50 câu lệnh SQL INSERT.
Constraint: 30 bản ghi hợp lệ, 10 bản ghi có discount_code không tồn tại, 10 bản ghi có total_amount = 0. Không tự thêm cột nào ngoài schema đã cho.
Output Format: Trả về script SQL, có comment phân nhóm theo từng loại case.”
Với prompt này, AI sẽ trả về script SQL sẵn sàng chạy, phân nhóm rõ ràng theo comment để tester dễ đối chiếu với từng test case.
2. Sinh dữ liệu JSON cho API Testing
Khi test API, thành phần Context cần là schema request/response thực tế thay vì mô tả chung chung. Đây là phần AI dễ đoán sai nhất nếu thiếu.
Ví dụ prompt:
“Role: Bạn là QA Engineer test API đăng ký người dùng.
Context: Schema request gồm: {name, email, age, phone}.
Task: Tạo 5 request mẫu.
Constraint: 2 request hợp lệ, 1 request thiếu field bắt buộc email, 1 request có age âm, 1 request có phone sai định dạng.
Output Format: Trả về JSON, mỗi request kèm comment mô tả case đang test.”
3. Sinh dữ liệu CSV để import hàng loạt
Với CSV, Output Format cần nói rõ cả định dạng ngày tháng và dấu phân cách. Đây là lỗi thường gặp nhất khi import dữ liệu AI sinh ra vào hệ thống thật.
Ví dụ prompt:
“Role: Bạn là QA Engineer chuẩn bị dữ liệu import khách hàng.
Context: Cột dữ liệu: full_name, email, phone, registration_date.
Task: Tạo file CSV 100 dòng.
Constraint: 5 dòng email trùng nhau để test validate duplicate, 5 dòng phone thiếu số.
Output Format: Định dạng ngày dd/mm/yyyy, phân cách bằng dấu phẩy, dòng đầu là header.”
Trước và sau khi dùng AI tạo test data tự động
AI tạo test data giúp tăng tốc đáng kể, nhưng tester vẫn cần kiểm tra lại logic nghiệp vụ trước khi đưa dữ liệu vào môi trường kiểm thử thực tế.
Sai lầm phổ biến khiến prompt AI tạo test data tự động
Theo tài liệu hướng dẫn viết prompt nội bộ, đây là 4 lỗi tester mới thường mắc và cách sửa ngay:
“Tạo vài test data cho login”
Nêu rõ số lượng và loại case: “Tạo 20 bản ghi test data cho login, gồm 10 hợp lệ, 5 sai password và 5 tài khoản bị khóa.”
“Test data cho bảng users”
Cung cấp schema đầy đủ: tên cột, kiểu dữ liệu, ràng buộc như nullable, unique, độ dài và miền giá trị.
Không nói AI cần trả về định dạng gì.
Luôn chỉ rõ: “Trả về dạng SQL, JSON hoặc CSV, có comment phân nhóm từng loại test case.”
Yêu cầu AI tự đoán format của một hệ thống cũ.
Đưa một dòng dữ liệu mẫu thực tế và yêu cầu AI tạo tương tự theo phương pháp Example-Driven.
Prompt cần có đủ số lượng, ngữ cảnh nghiệp vụ, schema, định dạng output và ví dụ mẫu. Đây là các dữ liệu đầu vào quan trọng giúp AI hiểu đúng yêu cầu và hạn chế sinh test data sai logic.
Nguyên tắc chung: một prompt tạo test data tốt cần cụ thể, có cấu trúc và đầy đủ ngữ cảnh. Nếu thiếu một trong số đó, AI sẽ tự suy luận và đó chính là nơi dễ sinh ra dữ liệu sai lệch nhất.
Rủi ro cần biết: AI có thể sinh dữ liệu "đẹp nhưng sai"
Đây là điểm nhiều tester bỏ qua khi mới dùng AI: AI không hiểu nghiệp vụ thực tế của bạn, nó chỉ dựa vào những gì bạn mô tả trong prompt.
Ví dụ: nếu bạn không nói rõ “mã giảm giá không áp dụng cho đơn hàng đã hủy”, AI hoàn toàn có thể sinh ra một bản ghi test hợp lệ về mặt cú pháp nhưng vi phạm logic nghiệp vụ và nếu tester không kiểm tra lại, test case đó sẽ cho kết quả sai lệch.
Nguyên tắc an toàn: luôn review dữ liệu AI sinh ra trước khi đưa vào test suite, đặc biệt với:
- Ràng buộc nghiệp vụ đặc thù (business rule) mà AI không thể tự biết
- Các trường có liên kết logic với nhau (VD: ngày bắt đầu phải nhỏ hơn ngày kết thúc)
- Dữ liệu nhạy cảm, tuyệt đối không đưa dữ liệu khách hàng thật vào prompt để AI “làm mẫu”
Đây cũng chính là lý do vì sao kỹ năng đánh giá output AI quan trọng ngang với kỹ năng viết prompt, biết AI trả lời đúng cú pháp không đồng nghĩa với đúng nghiệp vụ.
Checklist nhanh trước khi dùng AI tạo test data tự động
Trước khi đưa dữ liệu vào test suite, dành 1 phút kiểm tra qua 5 điểm sau:
Số lượng bản ghi và tỷ lệ từng loại case đúng như Constraint đã yêu cầu
Định dạng (SQL/JSON/CSV) chạy được ngay, không lỗi cú pháp
Không có bản ghi vi phạm ràng buộc nghiệp vụ mà AI không thể tự biết (business rule đặc thù)
Không có dữ liệu khách hàng thật bị lẫn vào (nếu có dùng dữ liệu mẫu tham khảo)
Đã thử chạy với ít nhất 1 công cụ AI để xác nhận output ổn định, không đổi format giữa các lần chạy
Nếu một trong 5 điểm trên chưa đạt, quay lại chỉnh Constraint hoặc bổ sung Example trước khi chạy lại, thay vì sửa tay từng dòng dữ liệu output.
10 suất học thử miễn phí. Đăng ký sớm để giữ chỗ.
Bạn đang có băn khoăn nào cần được giải đáp?
Không. AI chỉ sinh ra dữ liệu dựa trên mô tả bạn cung cấp. Việc xác định cần loại dữ liệu nào, edge case nào quan trọng vẫn là công việc của tester. Đây là phần AI không tự làm thay được.
ChatGPT và Claude đều xử lý tốt việc sinh SQL, JSON, CSV nếu prompt được viết rõ ràng, có cấu trúc. Với khối lượng dữ liệu rất lớn (hàng nghìn dòng), có thể kết hợp AI viết script Python/Faker để sinh hàng loạt.
Một prompt tốt cần có: cấu trúc dữ liệu cụ thể (tên trường, kiểu dữ liệu), loại case cần (hợp lệ/biên/lỗi), số lượng bản ghi, và định dạng output mong muốn. Thiếu một trong bốn yếu tố này thường dẫn đến kết quả chung chung, phải sửa lại nhiều lần.
Có, nếu đưa dữ liệu khách hàng thật hoặc dữ liệu nội bộ nhạy cảm vào prompt. Nguyên tắc an toàn là chỉ mô tả cấu trúc/schema, không dán dữ liệu thật của hệ thống production.
Lorem ipsum dolor sit amet, consectetur adipisicing elit, sed do eiusmod tempor incididunt ut labore et dolore magna aliqua. Ut enim ad minim veniam, quis nostrud exercitation ullamco laboris nisi ut aliquip ex ea commodo consequat
Lorem ipsum dolor sit amet, consectetur adipisicing elit, sed do eiusmod tempor incididunt ut labore et dolore magna aliqua. Ut enim ad minim veniam, quis nostrud exercitation ullamco laboris nisi ut aliquip ex ea commodo consequat.
Lorem ipsum dolor sit amet, consectetur adipisicing elit, sed do eiusmod tempor incididunt ut labore et dolore magna aliqua. Ut enim ad minim veniam, quis nostrud exercitation ullamco laboris nisi ut aliquip ex ea commodo consequat.
Lorem ipsum dolor sit amet, consectetur adipisicing elit, sed do eiusmod tempor incididunt ut labore et dolore magna aliqua. Ut enim ad minim veniam, quis nostrud exercitation ullamco laboris nisi ut aliquip ex ea commodo consequat.
Lorem ipsum dolor sit amet, consectetur adipisicing elit, sed do eiusmod tempor incididunt ut labore et dolore magna aliqua. Ut enim ad minim veniam, quis nostrud exercitation ullamco laboris nisi ut aliquip ex ea commodo consequat.
Lorem ipsum dolor sit amet, consectetur adipisicing elit, sed do eiusmod tempor incididunt ut labore et dolore magna aliqua. Ut enim ad minim veniam, quis nostrud exercitation ullamco laboris nisi ut aliquip ex ea commodo consequat.
Lorem ipsum dolor sit amet, consectetur adipisicing elit, sed do eiusmod tempor incididunt ut labore et dolore magna aliqua. Ut enim ad minim veniam, quis nostrud exercitation ullamco laboris nisi ut aliquip ex ea commodo consequat.
Lorem ipsum dolor sit amet, consectetur adipisicing elit, sed do eiusmod tempor incididunt ut labore et dolore magna aliqua. Ut enim ad minim veniam, quis nostrud exercitation ullamco laboris nisi ut aliquip ex ea commodo consequat.
Lorem ipsum dolor sit amet, consectetur adipisicing elit, sed do eiusmod tempor incididunt ut labore et dolore magna aliqua. Ut enim ad minim veniam, quis nostrud exercitation ullamco laboris nisi ut aliquip ex ea commodo consequat.
