AI與現代測試的QA基礎（ISTQB Foundation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
• 七項測試原則（ISTQB CTFL v4.0）
• 測試與除錯、品質控制的區別
• 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的測試方法
• 測試層級：單元、整合、系統、驗收
• 左移與右移測試策略
• 需求與測試案例之間的追蹤性

靜態測試技術

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

測試技術

• 黑盒技術：等價分割、邊界值分析
• 決策表測試與狀態轉換測試
• 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
• 經驗基礎技術與錯誤推測

缺陷管理

• 缺陷生命週期：偵測、回報、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

測試管理與風險基礎測試

• 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）
• 測試自動化的益處與風險
• 工具選擇：開源與商業解決方案
• Selenium、Playwright與Cypress介紹
• 建立基本的自動化測試套件

AI在品質保證中的應用

• 針對測試人員的AI與機器學習概念
• 分類：用於測試的AI vs. 測試AI系統
• 當前AI測試景況：機會與限制
• 基於AI系統的品質特徵
• ISTQB CT-AI大綱概述與相關性

AI輔助測試案例生成

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

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外掛程式的Selenium以實現堅固的自動化
• 使用智慧型定位器減少維護開銷

AI用於缺陷預測與分析

• 使用Launchable與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輔助根本原因分析
• 品質風險評分與測試缺口分析
• 利用歷史缺陷數據優先處理測試

AI工具評估與CI/CD整合

• 評估AI測試工具的標準
• ROI分析與採用策略
• 將AI測試工具整合至Jenkins、GitHub Actions、GitLab CI
• 管線設計：何時何處執行AI驅動的測試
• 使用指標衡量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差與公平性
• 使用雲端AI工具的隱私問題
• AI測試決策的透明性與可解釋性
• 治理與合規考量
• QA團隊的負責任AI實踐

ISTQB CTFL考試準備

• CTFL v4.0考試結構、時長與計分
• 題型與答題策略
• CTFL大綱章節的主題權重分配
• 包含ISTQB風格樣題的模擬考試
• 學習路線圖與推薦資源

綜合專案：端到端AI增強測試工作流

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