Никаких записей курсов — только живое общение
Курсы
Наши курсы
Программирование
Тестирование
Анализ данных
TeachMeSkills в Ютубе
Здесь мы публикуем годный контент, подробные разборы и практический опыт учителей
Дистанционный курс — 2 месяца
Тестирование с AI: полный курс
От первых промптов до собственных AI-агентов, пайплайнов и тестирования самих LLM
Phone
Свяжемся в течение рабочего дня
Нажимая на кнопку, я соглашаюсь на обработку персональных данных
Старт групп
QAI07-onl — 10 ноября
Дни и время занятий
ВТ, ЧТ, 19:00 — 22:00
Кем ты станешь?
AI-тестировщик — это специалист, который превращает искусственный интеллект в рабочий инструмент QA. Ты не просто пользуешься готовыми сервисами: ты строишь собственных AI-ассистентов и агентов, автоматизируешь рутину в пайплайнах и умеешь тестировать сами AI-системы. Полный курс проводит тебя через весь путь — от основ работы с LLM и промпт-инжиниринга до продвинутых агентных сред, N8N-автоматизации и тестирования LLM на безопасность. После него ты закрываешь задачи, которые раньше были доступны только senior-инженерам и SDET-ам.
Чему ты научишься?
- Получать unit, API и UI-тесты из требований с параметрами, ассертами и моками за минуты.
- Писать продвинутые промпт-системы: Prompt Chaining, Structured Output, Tree of Thoughts, ReAct, Reflexion.
- Строить собственных AI-агентов под QA: Requirement, Test Design, Automation и Review Agent.
- Автоматизировать процессы в N8N: документация, баг-репорты, анализ логов, интеграции с Jira и CI/CD.
- Создавать AI-ассистентов в Dify и работать с агентными средами Codex и Antigravity 2.0.
- Тестировать сами AI-системы и LLM: качество генерации, устойчивость, Prompt Injection, Jailbreak, Guardrails.
- Считать метрики качества AI и собирать Eval-пайплайны (Golden Dataset, LLM-as-a-Judge, Human Evaluation).
Зарплаты тестировщиков с AI-навыками
Источник данных: HH.ru
1400 $ - 2000 $
Junior
Middle
Senior
На рынке резко вырос спрос на QA-инженеров, которые умеют работать с AI-инструментами: от генерации тестов до построения агентов и пайплайнов.
354Спрос превышает предложение: бизнесу нужны QA, которые работают быстрее, глубже и закрывают задачи, раньше доступные только SDET-ам. AI-специализация стала конкурентным преимуществом и напрямую влияет на доход.
Программа курса Тестирование с AI: полный курс
56 академических часов
Составлена практикующими IT-специалистами.
Основы AI
Занятие 1. Введение в AI и LLM для тестировщиков
- Что такое AI, Machine Learning и LLM
- Как работает LLM: базовые принципы (обучение, токены, контекст, ограничения)
- Возможности и ограничения современных языковых моделей
- Галлюцинации и критическое мышление при работе с AI
- Отличие LLM от классических инструментов автоматизации тестирования
- Обзор экосистемы AI-инструментов для QA
- LLM как часть SDLC
- Подходы к использованию AI в ежедневной работе тестировщика
- Применение AI для анализа требований, создания тестовой документации и поиска дефектов
- Использование AI в ручном и автоматизированном тестировании
- Сравнение ChatGPT, Claude, Gemini, Copilot и локальных моделей. Облачные и локальные модели: преимущества и ограничения
- Безопасность и конфиденциальность при использовании AI
Занятие 2. Промпт-инжиниринг: как правильно «общаться» с AI
- Что такое промпт-инжиниринг и почему качество промпта влияет на результат
- Структура эффективного промпта. Шаблон: роль – контекст – задача – формат – ограничения
- Промпты для GPT 5.5 и особенности работы с современными reasoning-моделями
- Основные техники промпт-инжиниринга. Few-shot prompting. Self-consistency. Critic-Reflection. Chain-of-Thought
- Оптимизаторы и улучшатели промптов
- Типовые ошибки при написании промптов. Плохие и хорошие примеры промптов
- Создание плейбука промптов для QA-инженера
- Промпты для анализа требований, генерации тест-кейсов и чек-листов, API-тестирования, UI-диффов и визуального тестирования, анализа логов и баг-репортов
- Сравнение эффективности различных подходов к написанию промптов
- Практика: A/B-сравнение промптов
- Практика: оценка качества ответов с помощью мини-eval и таблицы метрик
- Практика: создание собственного набора промптов для повседневной работы тестировщика
Работа с LLM
Занятие 3. Gemini для QA-инженера: API, CLI и интеграция в рабочие процессы
- Экосистема Gemini: Gemini Web, Gemini API, Gemini CLI
- Обзор моделей Gemini и выбор модели под различные задачи тестировщика
- Основы работы с LLM через API. Структура запросов и ответов
- Параметры генерации: Temperature, TopP, TopK, Max Tokens, Thinking Budget
- Получение и настройка API-ключа. Работа с Gemini через Postman и curl
- Установка и настройка Gemini CLI. Использование для анализа требований, генерации тест-кейсов и работы с файлами. Интеграция в VS Code, IntelliJ IDEA, Cursor. Использование контекста проекта для анализа кода и генерации тестов
- Практика: создание проекта фреймворка автоматизации тестирования с помощью Gemini CLI
Занятие 4. AI-помощники разработчика и тестировщика
- Обзор AI-помощников для разработки и тестирования
- GitHub Copilot. Gemini Plugin для IDE Continue
- Основы работы с Ollama. Установка и настройка. Развёртывание локальных LLM-моделей
- Работа с локальными моделями через API. Настройка параметров генерации. Интеграция локальной модели с Continue
- Создание AI-инструмента для ревью кода на основе локальной модели. Автоматизация анализа кода из среды разработки
- Codex. Работа с Codex Desktop и Codex CLI. Использование агентов для анализа требований, тестирования и генерации артефактов
- Практика: настройка локальной модели, интеграция с IDE, реализация AI-ревью кода и работа с Codex
AI для тестирования
Занятие 5. No/Low-code и AI-ассистенты для тестирования
- Подходы No-code и Low-code в тестировании. Преимущества, ограничения и сценарии применения
- Обзор современных AI-инструментов для тестирования
- TestRigor: возможности, архитектура и подходы к созданию тестов
- Katalon Studio и AI-функциональность платформы
- Testim: интеллектуальная автоматизация UI-тестирования
- Использование AI в Postman. Генерация запросов, тестов и коллекций
- Интеграция AI-инструментов с CI/CD-пайплайнами
- Практика: генерация API-тестов на основе Swagger-спецификации
- Практика: создание smoke-набора тестов и запуск в CI
Занятие 6. Создание AI-ассистента для тестирования
- Архитектура AI-ассистентов и многоэтапных AI-пайплайнов
- Подходы к построению AI-решений для автоматизации тестирования
- Обработка требований и подготовка входных данных
- Маскирование чувствительной информации перед отправкой в LLM
- Генерация тестовой модели на основе требований. Трансформация сценариев в JSON-структуры
- Генерация автотестов с помощью LLM. Автоматическое ревью сгенерированного кода
- Анализ результатов выполнения и логов. Автоматическая генерация баг-репортов
- Обзор платформы Dify. Создание AI-ассистентов в Dify. Работа с промптами, переменными и workflow
- Обзор платформы N8N. Основы автоматизации процессов
- Интеграция LLM в бизнес-процессы и тестовые пайплайны
- Практика: создание многоэтапного AI-ассистента для тестирования на языке программирования
- Практика: реализация AI-ассистента в Dify
Занятие 7. Визуальное тестирование + генерация тестовых данных
- Основы визуального тестирования. Подходы к поиску визуальных дефектов с помощью AI
- Обзор платформы Applitools. Создание и сравнение визуальных базовых состояний (Baseline). Анализ визуальных изменений и управление результатами. Интеграция в процессы автоматизации
- Обзор экосистемы Antigravity. Возможности AI-агентов для тестирования
- Генерация тестовых данных в проектах автоматизации. Подходы к созданию реалистичных тестовых данных с помощью AI
- Генерация тестовых данных внутри AI-ассистентов. Интеграция в процессы тестирования
- Практика: настройка визуального тестирования в Applitools
- Практика: использование Antigravity для анализа и тестирования приложения
- Практика: создание генератора тестовых данных для автотестов и AI-ассистентов
Занятие 8. Агентные среды (Codex, Antigravity 2.0)
- Современные агентные среды и их применение в разработке и тестировании ПО
- Обзор возможностей Codex и сценарии использования для QA-инженера
- Codex Desktop и Codex CLI: установка, интерфейс и основные команды
- Работа с контекстом проекта и файлами инструкций (AGENTS.md)
- Генерация чек-листов, тест-кейсов, автотестов и анализ кода с помощью Codex
- Обзор платформы Antigravity 2.0 и её экосистемы
- Antigravity Desktop, Antigravity IDE и Antigravity CLI: возможности и настройка
- Работа с файлом ANTIGRAVITY.md и использование контекста проекта
- Анализ веб-приложений, генерация тестовой документации и автотестов с помощью Antigravity
- Сравнение возможностей Codex и Antigravity. Преимущества, ограничения и сценарии применения
Продвинутый AI
Занятие 9. Advanced промпт-инжиниринг
- Prompt Engineering vs Context Engineering. Современные подходы к работе с LLM
- Проектирование многоэтапных AI-сценариев (Prompt Chaining) и декомпозиция сложных задач
- Structured Output. Работа с JSON Schema, XML и YAML. Гарантированная структура ответов
- Продвинутые техники: Tree of Thoughts, ReAct, Self-Refine, Reflexion, Debate Prompting
- Управление контекстом: длинные документы, ограничения контекстного окна, оптимизация токенов и стоимости запросов
- Создание и сопровождение Prompt Library. Версионность промптов и организация корпоративной базы промптов
- Оптимизация AI-пайплайнов и внедрение Prompt Engineering в процессы разработки и тестирования
Занятие 10. AI Agents
- Что такое AI Agent и чем он отличается от обычного LLM, чат-бота и AI-ассистента
- Архитектура современного AI Agent: Planner, Memory, Tools, Executor и Critic
- Одноагентные и многоагентные (Multi-Agent) системы. Подходы к разделению ролей между агентами
- Tool Calling и Function Calling. Подключение внешних инструментов и API
- Memory в AI Agents: краткосрочная, долгосрочная и векторная память
- Планирование задач и автономное выполнение действий агентом
- Построение специализированных QA-агентов: Requirement Agent, Test Design Agent, Automation Agent и Review Agent
- Использование AI Agents для анализа требований, генерации тест-кейсов, автотестов и анализа логов
- Ограничения AI Agents, Human-in-the-Loop и контроль качества работы агентов
- Современные фреймворки и платформы для создания AI Agents. Перспективы развития Agent Engineering
Занятие 11. N8N в тестировании
- Обзор платформы N8N и её применение для автоматизации процессов тестирования
- Архитектура Workflow. Основные типы Nodes и принципы построения сценариев
- Работа с Trigger, Webhook, HTTP Request, Variables, Conditions и Loops
- Интеграция N8N с LLM (ChatGPT, Gemini, Claude и локальными моделями через API)
- Автоматизация анализа требований и генерации тестовой документации с помощью AI
- Построение AI Workflow для генерации тест-кейсов, чек-листов и тестовых данных
- Интеграция N8N с GitHub, Jira, Telegram, почтовыми сервисами и CI/CD
- Автоматизация анализа логов, формирования баг-репортов и уведомлений
- Построение многоэтапных AI-пайплайнов для задач QA
- Лучшие практики разработки, отладки и сопровождения Workflow в N8N
Тестирование самого AI
Занятие 12. Тестирование AI-инструментов
- Особенности тестирования AI-приложений и отличия от тестирования классического ПО
- Жизненный цикл AI-систем и роль QA-инженера в разработке AI-продуктов
- Подходы к тестированию AI: функциональное, нефункциональное и исследовательское тестирование
- Проверка качества генерации: корректность, полнота, релевантность, консистентность и воспроизводимость
- Тестирование устойчивости AI-систем: граничные случаи, некорректные входные данные и стрессовые сценарии
- Тестирование безопасности AI: Prompt Injection, Jailbreak, утечка данных и обход ограничений
- Оценка качества AI с помощью Benchmark, Golden Dataset, Human Evaluation и LLM-as-a-Judge
- Метрики тестирования AI: Accuracy, Precision, Recall, Latency, Cost, Hallucination Rate и Toxicity
- Автоматизация тестирования AI-инструментов и построение AI Eval Pipeline
- Лучшие практики тестирования AI-продуктов и организация процесса AI QA
Занятие 13. Тестирование LLM и Prompt Security
- Особенности тестирования больших языковых моделей (LLM) и отличие от тестирования классических информационных систем
- Архитектура LLM-приложений и основные точки возникновения дефектов
- Подходы к тестированию LLM: функциональное, исследовательское, регрессионное и adversarial-тестирование
- Проверка качества ответов: корректность, полнота, фактическая достоверность, консистентность и воспроизводимость
- Галлюцинации LLM: причины возникновения, методы обнаружения и способы минимизации
- Prompt Security: основные угрозы и современные методы защиты AI-систем
- Prompt Injection, Indirect Prompt Injection, Jailbreak и Data Leakage. Методы тестирования и поиска уязвимостей
- Guardrails, системные инструкции и механизмы защиты LLM-приложений
- Построение Golden Dataset и Benchmark Dataset для тестирования моделей
- Метрики оценки качества LLM и автоматизация LLM Evals. Использование LLM-as-a-Judge и Human Evaluation
Защита курсовой работы + Этика, ограничения и будущее AI в тестировании
- Защита курсовой работы
- Этика использования AI в тестировании
- Приватность, лицензии, retention и аудит
- Ограничения современных LLM
- Границы доверия к результатам AI. Галлюцинации и риски использования AI
- Human-in-the-Loop подход
- Prompt Regression. Версионность промптов и моделей
- AI Fatigue
- План внедрения AI в команде QA: от пилота до масштабирования
- Метрики эффективности использования AI
- Будущее AI в тестировании и роль QA-инженера
Учебный процесс
Преподаватели курса Тестирование c AI
Учись у лучших. Все наши преподаватели - практикующие специалисты в международных IT-компаниях
Тимофей
Lead Automation QA в Performance Lab
4+ года опыта коммерческой разработки
Ваше резюме после обучения
Должность
QA-инженер с AI-специализацией
Зарплата от:
2200 $
Профессиональные навыки:
- AI-инструменты в тестировании — Copilot, TestRigor, Katalon, Postman AI, Gemini, Cursor, Codex
- Промпт- и контекст-инжиниринг — Prompt Chaining, Structured Output, ToT, ReAct, Reflexion, Prompt Library
- AI-агенты и агентные среды — Requirement/Test Design/Automation/Review агенты, Codex, Antigravity 2.0
- Автоматизация пайплайнов — N8N, Dify, интеграции с Jira, GitHub, Telegram, CI/CD
- Генерация тестов и данных — unit/API/UI-тесты, тест-данные для функциональных, нагрузочных и security-сценариев
- Визуальное тестирование — Applitools и Visual AI
- Тестирование AI и LLM — качество генерации, устойчивость, Prompt Injection, Jailbreak, Guardrails, LLM Evals
- Метрики и отчётность — Golden Dataset, LLM-as-a-Judge, Human Evaluation, баг-репорты и AI-сводки в стиле Allure
Cертификаты TeachMeSkills
Подтвердит, что вы прошли курс и станет дополнительным аргументом при устройстве на работу.
Помощь в трудоустройстве
Опытные HR-специалисты отвечают на вопросы, готовят к собеседованию и помогают каждому студенту получить работу мечты.
Раз
Рекомендации по составлению портфолио и резюме
Два
Подготовка к собеседованию в компаниях-партнёрах
Три
Персональные консультации по развитию карьеры
Стоимость обучения
Полная разовая оплата
51 900₽
Возможен вариант оплаты по банковской рассрочке от 6 до 18 месяцев. Более подробную информацию по программам рассрочки и кредитования можно узнать у менеджеров.
Оплата в рассрочку
18 000 ₽
до начала занятий
17 000
через 3 недели после начала обучения
16 900
через 6 недель после начала обучения
Запись на обучение
Phone
Свяжемся в течение рабочего дня
Нажимая на кнопку, я соглашаюсь на обработку персональных данных