ШІ-агенти в QA
Мета курсу
Навчити QA-фахівчинь та QA-фахівців використовувати AI-агентів для автоматизації повсякденних задач тестування: від аналізу вимог та генерації тест-кейсів до створення й запуску автоматизованих тестів, аналізу результатів та роботи з дефектами.
Учасниці та учасники не просто знайомляться з можливостями AI, а створюють власні AI-powered QA workflows та QA agents, які можуть виконувати послідовність тестових задач із мінімальним ручним втручанням.
Для кого курс
- QA Manual та QA Automation Engineers
- Test Engineers
- QA Leads та Test Leads
- SDET
- Software Engineers, які займаються тестуванням
- QA-фахівчині та QA-фахівці, які вже використовують ChatGPT, Claude або Gemini, але хочуть перейти від prompting до agentic workflows
- QA Managerки та QA Managers, які хочуть зрозуміти можливості та обмеження AI Agents у QA
Обов’язково: досвід роботи в тестуванні, написання test cases, баг-репортів та глибоке розуміння SDLC. Для частини практик з автоматизацією необхідно мати досвід роботи з web testing.
Результати курсу
Після курсу учасниці та учасники зможуть:
- розрізняти AI Assistant, AI Agent та Agentic Workflow;
- визначати QA-задачі, які доцільно делегувати AI-агентам;
- використовувати AI для аналізу вимог та пошуку потенційних дефектів;
- генерувати test scenarios, test cases, edge cases та test data;
- створювати AI-assisted exploratory testing workflows;
- використовувати AI для генерації та підтримки automated tests;
- працювати з browser automation через AI agents;
- використовувати MCP для підключення AI-агентів до QA-інструментів;
- застосовувати Playwright у зв'язці з AI agents;
- використовувати AI для аналізу failed tests та первинного root-cause analysis;
- автоматизувати QA workflow від requirement до defect report;
- створювати власного спеціалізованого QA Agent;
- оцінювати якість результатів роботи AI та будувати human-in-the-loop контроль;
- розуміти ризики використання ШІ.
Що ви отримаєте на курсі?
Програма
1
- Як змінюється роль QA в епоху Generative AI
- AI-assisted testing vs AI-driven testing
- AI Assistant, AI Agent та Agentic Workflow
- Що агент може робити самостійно: plan → act → observe → analyze → adapt
- Де AI реально економить час QA, а де створює додаткові ризики
- Human-in-the-loop як частина сучасного QA-процесу
Практика:
- Аналіз власного QA workflow
- Визначення задач, які можна делегувати AI
- Побудова першого AI-powered QA workflow
2
- Аналіз requirements, user stories та acceptance criteria
- Виявлення ambiguities та missing requirements
- Генерація test scenarios
- Positive / negative / boundary / edge cases
- Risk-based test design за допомогою AI
- Traceability між requirements та tests
Практика:
Учасниці та учасники передають AI user story та отримують:
Вимога → Ризики → Тестові сценарії → Тестові випадки → Граничні випадки
3
- Синтетичні тестові дані
- Граничні значення
- Недійсні дані
- Комбінації та граничні випадки
- Масові варіанти тестових даних
- AI як «друга тестувальниця / другий тестувальник»
- Пошук нетипових сценаріїв
Практика:
Створення AI-driven exploratory testing session для реального або demo-продукту.
4
- Генерація автоматизованих тестів
- Перетворення ручних тестових випадків в автоматизацію
- Кодування за допомогою ШІ
- Генерація селекторів та тверджень
- Рефакторинг автоматизованих тестів
- Тестове обслуговування
Практика:
- Створення automated test за допомогою AI
- Генерація тестів з natural language
- Аналіз та покращення тестового коду
5
- Як AI agent взаємодіє з веб-додатком
- Автоматизація браузера
- Сприйняття агента → планування → дія
- Контекст та виклик інструменту
- MCP: що це і навіщо QA
- Сервери MCP для тестування робочих процесів
- Підключення AI-агента до автоматизації браузера
Практика:
Створення workflow:
AI Agent → Браузер → Застосунок → Тестовий сценарій → Результат
Учасниці та учасники дають агенту задачу природною мовою, а агент самостійно виконує послідовність дій у web application.
6
- Планування тестового прогону агентом
- Вибір тестів
- Запуск тестів
- Аналіз результатів
- Робота з невдалими тестами
- Ненадійні тести
- Аналіз першопричин
- Звіти про тести, згенеровані штучним інтелектом
Практика:
AI отримує результати test run та самостійно виконує:
Виявлення → Аналіз → Класифікація → Пояснення → Рекомендація
7
- Оркестровка агента
- Одноагентні та багатоагентні робочі процеси
- Автоматизація повторюваних операцій контролю якості
- Що залишити за людиною
- Галюцинації
- Помилкові спрацьовування / помилкові негативи
- Безпека та конфіденційність
- Контроль доступу
8
Поширені запитання
1
Курс призначений для QA Automation Engineers, Test Engineers, SDET, QA Leads, Test Leads та інших фахівців, які хочуть використовувати AI Agents для автоматизації та оптимізації процесів тестування.Важливо мати базові знання Software Testing, SDLC, тест-кейсів та баг-репортів. Для практичної роботи з автоматизацією - досвід роботи з web testing.
2
Курс виходить за межі використання ChatGPT або Claude для написання тест-кейсів.Учасники вчаться будувати agentic workflows, у яких AI може самостійно виконувати послідовність QA-задач: аналізувати вимоги, формувати тестові сценарії, працювати з browser automation, запускати тести, аналізувати результати та готувати звіти.
3
У програмі використовуються сучасні AI та QA-інструменти, зокрема AI assistants/agents, Playwright, MCP та інструменти для AI-assisted test automation.Конкретний набір інструментів може адаптуватися під рівень групи та технологічний стек компанії.
4
Учасник зможе використовувати AI Agents для аналізу вимог, створення тестових сценаріїв і тестових даних, exploratory testing, генерації та підтримки automated tests, аналізу failed tests і підготовки bug reports.Головний практичний результат — власний AI-powered QA workflow та QA Agent, який можна адаптувати для використання у реальному проєкті.
5
Так. Програма особливо добре підходить для QA-команд, які планують системно впроваджувати AI у процеси тестування.Корпоративну версію можна адаптувати під конкретний стек компанії, рівень учасників та реальні QA-процеси: Jira, Confluence, Git, CI/CD, Playwright та інші інструменти.
6
Навчання поєднує короткі теоретичні блоки, демонстрації та практичну роботу. Основний акцент зроблено на тому, щоб учасники не просто ознайомилися з AI Agents, а навчилися застосовувати їх у реальних QA-сценаріях.
7
Так. Для корпоративних клієнтів можемо адаптувати практичні завдання під реальні продукти, QA-процеси та технологічний стек команди.Також можливе розширення програми до більш глибокого практичного формату з побудовою end-to-end Agentic QA Workflow для конкретної компанії.
Курс
10 занять
6 тижнів
Онлайн
29000 грн
Проводить навчання
Максим Федоров
Консультант з IT-архітектури, впровадження AI, розробки та забезпечення якості ПЗ.