QA與AI現代測試基礎（ISTQB基礎準備）培訓

模塊1：質量保證與測試基礎

• 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）的階段
• 瀑布、敏捷、DevOps和CI/CD測試方法
• 測試級別：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可追溯性

模塊3：靜態測試技術

• 評審、走查和檢查
• 使用自動化工具進行靜態分析
• 基於檢查表和角色的評審
• 正式和非正式評審技術
• 將靜態測試集成到敏捷工作流程中

模塊4：測試技術

• 黑盒技術：等價類劃分、邊界值分析
• 決策表測試和狀態轉換測試
• 用例測試和探索性測試
• 白盒技術：語句和決策覆蓋
• 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
• 缺陷嚴重性與優先級分類
• 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的測試策略和測試政策文檔

模塊7：測試工具與自動化基礎

• 測試工具分類（ISTQB工具類別）
• 測試自動化的好處和風險
• 工具選擇：開源與商業解決方案
• Selenium、Playwright和Cypress簡介
• 構建基本的自動化測試套件

模塊8：AI在質量保證中的介紹

• 測試員的AI和機器學習概念
• 分類：用於測試的AI與AI系統測試
• 當前AI測試領域的機遇與侷限性
• 基於AI系統的質量特性
• ISTQB CT-AI教學大綱概述及其相關性

模塊9：AI輔助測試用例生成

• 使用LLM（ChatGPT、Claude、Copilot）起草測試用例
• 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爲測試用例
• 審查和驗證AI生成的測試用例
• 平臺：Testim、Mabl和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進行自愈測試自動化
• AI驅動的對象識別和元素定位
• 使用Applitools Eyes進行視覺迴歸測試
• 帶有AI插件的Selenium，實現彈性自動化
• 通過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進行故障聚類和異常檢測
• AI輔助的根本原因分析
• 質量風險評分和測試差距分析
• 利用歷史缺陷數據優先測試

模塊12：AI工具評估與CI/CD集成

• 評估AI測試工具的標準
• 投資回報率分析和採用策略
• 將AI測試工具集成到Jenkins、GitHub Actions、GitLab CI中
• 流水線設計：何時何地運行AI驅動的測試
• 使用指標衡量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和公平性
• 使用基於雲的AI工具時的隱私問題
• AI測試決策的透明性和可解釋性
• 治理和合規性考量
• QA團隊的責任AI實踐

模塊14：ISTQB CTFL考試準備

• CTFL v4.0考試結構、時長和評分
• 題型和答題策略
• CTFL教學大綱各章節的主題權重分佈
• ISTQB風格樣題練習
• 學習路線圖和推薦資源

模塊15：綜合項目：端到端AI增強測試工作流程

• 從示例需求文檔設計測試用例
• 使用AI生成和優化測試場景
• 使用自愈工具自動化選定的測試
• 報告缺陷並進行AI輔助的根本原因分析
• 回顧：將AI集成到日常QA實踐中