QA基礎與現代AI測試（ISTQB認證準備）培訓

模塊1：質量保證和測試基礎

• 定義質量、質量保證和測試
• 七項測試原則（ISTQB CTFL v4.0）
• 測試與調試與質量控制的區別
• 測試心理學
• QA團隊中的角色和職責

模塊2：軟件開發生命週期與測試

• 軟件測試生命週期（STLC）的各階段
• 瀑布、敏捷、DevOps及CI/CD測試方法
• 測試層級：單元、集成、系統、驗收
• 左移和右移測試策略
• 需求與測試用例之間的追溯性

模塊3：靜態測試技術

• 審查、走查和檢查
• 使用自動化工具進行靜態分析
• 基於清單和基於角色的審查
• 正式和非正式的審查技術
• 將靜態測試整合到敏捷工作流中

模塊4：測試技術

• 黑盒技術：等價劃分、邊界值分析
• 決策表測試和狀態遷移測試
• 用例測試和探索性測試
• 白盒技術：語句覆蓋和決策覆蓋
• 基於經驗的技術和錯誤猜測

模塊5：缺陷管理

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

模塊6：測試管理與基於風險的測試

• 測試規劃和估算方法
• 風險識別、評估和緩解
• 測試監控、控制和報告
• 定義測試完成標準和退出條件
• 符合ISTQB標準的測試策略和測試政策文件

模塊7：測試工具與自動化基礎

• 測試工具分類（ISTQB工具類別）
• 測試自動化的益處與風險
• 工具選擇：開源與商業解決方案
• Selenium、Playwright和Cypress介紹
• 構建基本自動化測試套件

模塊8：AI在質量保證中的入門

• 針對測試員的AI和機器學習概念
• 分類：用於測試的AI vs. AI系統的測試
• 當前AI測試格局：機遇與限制
• 基於AI系統的質量特徵
• ISTQB CT-AI大綱概覽及其相關性

模塊9：AI輔助測試用例生成

• 使用LLM（ChatGPT、Claude、Copilot）起草測試用例
• 用於生成測試場景的提示工程技術
• 將用戶故事和驗收標準轉換為測試用例
• 審查和驗證AI生成的測試用例
• 平台：Testim、Mabl及AI原生測試生成工具

模塊10：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驅動的对象識別和元素定位
• 使用Applitools Eyes進行視覺回歸測試
• 結合AI插件的Selenium以實現健壯自動化
• 利用智能定位器減少維護開銷

模塊11：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進行失敗聚類和異常檢測
• AI輔助根本原因分析
• 質量風險評分和測試缺口分析
• 利用歷史缺陷數據優先安排測試

模塊12：AI工具評估與CI/CD整合

• 評估AI測試工具的標準
• ROI分析和採用策略
• 將AI測試工具整合到Jenkins、GitHub Actions、GitLab CI中
• 管道設計：何時何地運行AI驅動測試
• 通過指標衡量AI測試的有效性

模塊13：AI驅動測試中的倫理考量

• AI生成測試數據中的偏見與公平性
• 使用基於雲的AI工具時的隱私問題
• AI測試決策的透明度與可解釋性
• 治理與合規考量
• QA團隊的負責任AI實踐

模塊14：ISTQB CTFL考試準備

• CTFL v4.0考試結構、時長和評分標準
• 題型類型與答題策略
• CTFL大綱各章節的主題權重分佈
• 包含ISTQB風格樣本問題的模擬考試
• 學習路線圖及推薦資源

模塊15：綜合專案：端到端AI增強測試工作流

• 從示例需求文件設計測試用例
• 使用AI生成和完善測試場景
• 使用自我修復工具自動化選定測試
• 報告缺陷並運行AI輔助根本原因分析
• 回顧：將AI整合到日常QA實踐中