品質保證與 AI 輔助現代化測試基礎（ISTQB 基礎級認證準備）培訓

品質保證與測試基礎

• 定義品質、品質保證與測試
• 七大測試原則（ISTQB CTFL v4.0）
• 測試與除錯及品質控制的区别
• 測試的心理學
• QA 團隊中的角色與職責

軟體開發生命週期與測試

• 軟體測試生命週期（STLC）的階段
• 瀑布式、敏捷、DevOps 及 CI/CD 測試方法
• 測試層級：單元、整合、系統、驗收
• 左移（Shift-left）與右移（Shift-right）測試策略
• 需求與測試用例之間的追溯性

靜態測試技術

• 審查、走查與檢查
• 使用自動化工具進行靜態分析
• 基於清單與基於角色的審查
• 正式與非正式審查技術
• 將靜態測試整合至敏捷工作流程

測試技術

• 黑盒技術：等價分區、邊界值分析
• 決策表測試與狀態遷移測試
• 使用案例測試與探索式測試
• 白盒技術：語句覆蓋與決策覆蓋
• 經驗式技術與錯誤猜測

缺陷管理

• 缺陷生命週期：偵測、報告、分級、解決、關閉
• 使用 JIRA 撰寫有效的缺陷報告
• 缺陷嚴重程度與優先級分類
• 根本原因分析技術
• 缺陷指標與趨勢分析

測試管理與風險驅動測試

• 測試規劃與估算方法
• 風險識別、評估與緩解
• 測試監控、控制與報告
• 定義測試完成標準與退出條件
• 符合 ISTQB 標準的測試策略與測試政策文件

測試工具與自動化基礎

• 測試工具分類（ISTQB 工具類別）
• 測試自動化的好處與風險
• 工具選擇：開源 vs. 商業解決方案
• Selenium、Playwright 和 Cypress 介紹
• 建構基礎的自動化測試套件

AI 在品質保證中的應用介紹

• 適合測試人員的 AI 與機器學習概念
• 分類：用於測試的 AI vs. 對 AI 系統的測試
• 當前 AI 測試領域：機會與限制
• 基於 AI 系統的品質特性
• ISTQB CT-AI 大綱概覽及其關聯性

AI 輔助測試用例生成

• 使用 LLMs（ChatGPT、Claude、Copilot）起草測試用例
• 生成測試情境的提示工程（Prompt Engineering）技術
• 將使用者故事與驗收標準轉換為測試用例
• 審查與驗證 AI 生成的測試用例
• 平台：Testim、Mabl 及原生 AI 測試生成工具

AI 輔助測試自動化

• 使用 Katalon Studio AI 進行自我修復測試自動化
• AI 驅動的物件識別與元素定位
• 使用 Applitools Eyes 進行視覺回歸測試
• 結合 AI 外掛件的 Selenium 以實現彈性自動化
• 利用智慧定位器降低維護成本

AI 用於缺陷預測與分析

• 使用 Launchable 和 Sealights 進行預測性測試選擇
• 使用 ReportPortal 進行失敗聚類與異常偵測
• AI 輔助的根本原因分析
• 品質風險評分與測試差距分析
• 利用歷史缺陷數據優先排序測試

AI 工具評估與 CI/CD 整合

• 評估 AI 測試工具的標準
• 投資回報率（ROI）分析與採用策略
• 將 AI 測試工具整合至 Jenkins、GitHub Actions、GitLab CI
• 管道設計：何時及何處執行 AI 驅動的測試
• 透過指標衡量 AI 測試的有效性

AI 驅動測試的倫理考量

• AI 生成測試數據中的偏見與公平性
• 使用雲端 AI 工具時的隱私問題
• AI 測試決策的透明度和可解釋性
• 治理與合規性考量
• QA 團隊的負責任 AI 實踐

ISTQB CTFL 考試準備

• CTFL v4.0 考試結構、時長與評分
• 題目類型與答題策略
• CTFL 大綱章節中的主題權重分布
• 包含 ISTQB 樣式題目的模擬考試
• 學習路線圖與推薦資源

終極專案：端到端 AI 增強測試工作流程

• 從樣本需求文件設計測試用例
• 使用 AI 生成並優化測試情境
• 使用自我修復工具自動化選定的測試
• 報告缺陷並執行 AI 輔助的根本原因分析
• 回顧：將 AI 整合至日常 QA 實踐