عاملهای هوش مصنوعی و GenAI برای اتوماسیون تضمین کیفیت - Copilot و Claude Code
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- یاد بگیرید چگونه از مدلهای زبانی بزرگ Gen AI بهطور مؤثر استفاده کنید تا با مهارتهای هوشمندانه مهندسی پرامپت بهرهوری تضمین کیفیت خود را به حداکثر برسانید.
- درک کنید چگونه با پلاگینهای Gen AI مانند GitHub Copilot و موارد مشابه، کد تست را تولید و بهینه کنید تا با استانداردهای فریمورک هماهنگ شود.
- درک کنید سرورهای MCP چگونه کار میکنند و چگونه میتوانند مدل زبانی بزرگ را به عاملهای هوش مصنوعی تخصصی برای اتوماسیون تبدیل کنند.
- بررسی ابزارهای تست مبتنی بر هوش مصنوعی در بازار فعلی و قابلیتهای آنها برای متحول کردن اتوماسیون تست بدست آورید.
- یاد بگیرید عاملهای هوش مصنوعی چگونه کار میکنند و چگونه میتوان از آنها برای انجام اتوماسیون مرورگر بدون کدنویسی با کمک مدلهای زبانی بزرگ استفاده کرد.
- قدرت هوش مصنوعی را در سطح ترمینال با Claude Code با یک مثال عملی از فریمورک سلنیوم یاد بگیرید.
- مبانی n8n را یاد بگیرید و گردش کارهای اتوماسیون مبتنی بر عاملهای هوش مصنوعی بسازید.
- یاد بگیرید چگونه با مدلهای زبانی بزرگ آفلاین و با حفظ کامل حریم خصوصی کار کنید و مدل زبانی بزرگ را متناسب با نیازهای پروژه خود سفارشیسازی کنید.
- یاد بگیرید چگونه آرتیفکتهای تست، مانند برنامه تست، مورد تست، داده تست و قالبهای باگ را برای نیازمندیهای معین کسبوکار بهصورت لحظهای تولید کنید.
پیشنیازهای دوره
نیازی به تجربه برنامهنویسی نیست.
توضیحات دوره
آخرین بروزرسانی دوره در آوریل 2026 با موضوع گردش کارهای Claude Code Skill System است.
هوش مصنوعی دیگر فقط یک واژه پرزرقوبرق در تست نرمافزار نیست. این فناوری در حال تبدیل شدن به یک افزاینده واقعی بهرهوری برای مهندسان تضمین کیفیت، تسترهای اتوماسیون و تیمهای مهندسی کیفیت است. این دوره طراحی شده تا به شما کمک کند از مرحله تئوری فراتر بروید و یاد بگیرید چگونه واقعاً از ابزارهای هوش مصنوعی، عاملهای هوش مصنوعی، سرورهای Claude Code ،GitHub Copilot ،MCP، گردش کارهای n8n و پلتفرمهای تست هوش مصنوعی با کدنویسی کم در سناریوهای عملی تست استفاده کنید.
ما با اصول شروع میکنیم و اصطلاحات تست هوش مصنوعی، ملاحظات حریم خصوصی و امنیت، مهندسی پرامپت، مفاهیم توکن، محدودیتهای context window و تکنیکهای تولید پاسخهای بهتر از هوش مصنوعی را پوشش میدهیم. شما یاد میگیرید چگونه از هوش مصنوعی بهصورت مؤثر برای ایجاد برنامه تست، موارد تست، استراتژیهای تست و ترکیبهای داده تست بر اساس نیازمندیهای کسبوکار استفاده کنید.
سپس، دوره وارد بخش پیادهسازی عملی میشود. خواهید دید GitHub Copilot چگونه میتواند به فیکس کردن مشکلات کد و سرعت بخشیدن به توسعه اتوماسیون در محیطهای واقعی کدنویسی کمک کند. از آنجا، بهصورت عمیق وارد Model Context Protocol (MCP) میشویم و نشان میدهیم چگونه عاملهای قدرتمند اتوماسیون بسازید که بتوانند با مرورگرها، APIها، پایگاه دادههای اس کیوال، فایلهای محلی، شیتهای اکسل و گردش کارهای Git تعامل داشته باشند.
یکی از بخشهای مهم این دوره، ساخت هوش مصنوعی عاملی برای مهندسی کیفیت با Claude Code است. شما یاد میگیرید چگونه با Claude Code skill system کار کنید، domain knowledge skill بسازید، مهارتهای عامل را طراحی کنید، با ارجاعهای هوشمند از context bloat جلوگیری کنید و عاملهایی بسازید که بتوانند مستندات پروژه را درک کنند، سناریوهای تست تولید کنند، استراتژیهای تست طراحی کنند، تست بنویسند، تستها را اجرا کنند و حتی با ارجاع به مستندات دامنه به فیکس کردن تستهای ناموفق کمک کنند.
همچنین یاد میگیرید عاملهای فرعی، همکاری چندعاملی و راهحلهای هوش مصنوعی عاملی چگونه میتوانند مسئولیتهای پیچیده تضمین کیفیت را به نقشهای تخصصی تقسیم کنند. علاوه بر این، دوره نشان میدهد چگونه عاملهای هوش مصنوعی را با گردش کارهای اتوماسیون n8n بسازید، با ابزارهایی مانند Jira و گوگل شیت یکپارچه کنید و جریانهای اتوماسیون عملی و کسبوکارمحور ایجاد کنید.
یادگیری به اینجا ختم نمیشود. تست API مبتنی بر هوش مصنوعی، ابزارهای low-code اختصاصی هوش مصنوعی برای تست، مفاهیم اتوماسیون self-healing و راهاندازیهای مدل زبانی بزرگ آفلاین با رویکرد مبتنی بر حریم خصوصی آشنا میشوید تا دانش محدوده پروژه را بهصورت ایمن در محیطهای سازگار با نیازهای سازمانی مدیریت کنید.
این دوره برای افراد زیر ایدهآل است:
- مهندسان تضمین کیفیت
- تسترهای اتوماسیون
- SDETها
- تسترهای دستی که میخواهند وارد تضمین کیفیت مبتنی بر هوش مصنوعی شوند.
- مهندسانی که درباره Claude Code ،Copilot ،MCP ،n8n و هوش مصنوعی عاملی برای تست کنجکاو هستند.
اگر میخواهید بدانید آینده تضمین کیفیت به کدام سمت میرود و یاد بگیرید چگونه بهرهوری تست را با گردش کارهای عملی مبتنی بر هوش مصنوعی افزایش دهید، این دوره یک نقشه راه کامل همراه با دموها، مثالها و ابزارهای مدرنی در اختیار شما قرار میدهد که آینده مهندسی کیفیت را شکل میدهند.
این دوره برای چه کسانی مناسب است؟
- تسترهای نرمافزار
- مهندسان تضمین کیفیت
- توسعهدهندگان
- تحلیلگران کسبوکار
- افراد تازهکار
- مالکان محصول
- اسکرام مسترها
عاملهای هوش مصنوعی و GenAI برای اتوماسیون تضمین کیفیت - Copilot و Claude Code
-
آشنایی با اصطلاحات هوش مصنوعی و دستور کار دوره - بخش 1 11:57
-
ادامه دستور کار دوره - بخش 2 04:00
-
حریم خصوصی و امنیت اپلیکیشنهای هوش مصنوعی - شرکتها چگونه در حال تطبیق و تکامل هستند؟ 05:18
-
چرا مهندسی پرامپت اهمیت دارد؟ - تسلط به آن یک هنر است 06:04
-
افزودن محدودیتها برای بهرهگیری از پرامپتنویسی Zero-shot و دستیابی به نتایج بهتر از هوش مصنوعی 09:19
-
سناریوهای تمرینی برای ساخت پرامپتهای بهتر و تکنیک پرامپتنویسی Few-shot 06:09
-
بهبود پاسخهای هوش مصنوعی با زمینه و محدودیتها None
-
پرامپتنویسی زنجیره افکار - اجازه دهید هوش مصنوعی روند فکر کردن خود را توضیح دهد 06:29
-
توکنها چه هستند؟ چرا هنگام تعامل با مدلهای هوش مصنوعی اهمیت دارند 06:59
-
درک کنید محدودیت Context Window چگونه کار میکند - نکتههایی برای صرفهجویی در توکنها 06:53
-
بهینهسازی تولید تست با هوش مصنوعی: گفتوگویی با مدیر پروژهتان None
-
تولید برنامه تست برای نیازمندیهای کسبوکار پروژه با هوش مصنوعی 14:12
-
تولید موارد تست برای نیازمندیها با هوش مصنوعی 10:11
-
تولید استراتژی تست (تست Shift Left) با موارد تست دادهشده و استفاده از هوش مصنوعی 09:11
-
تولید ترکیبهای داده تست برای تستهای معین با هوش مصنوعی 10:19
-
این بخش چگونه پلاگینهای هوش مصنوعی را در زبانها و ویرایشگرهای مختلف پوشش میدهد؟ 02:04
-
Copilot - بررسی AI Buddy برای کمک به کدنویسی در ویرایشگر ویژوال استودیو کد برای Playwright و Cypress 19:33
-
پلاگین GenAI GitHub Copilot برای فریمورک سلنیوم جاوا در ویرایشگر IntelliJ 36:24
-
MCP چیست؟ این MCP چگونه به مدل زبانی بزرگ کمک میکند بسیار قدرتمند شود؟ 28:09
-
ساخت یک عامل که مرورگر وب را با سرور MCP سلنیوم و Playwright خودکار میکند 14:36
-
توجیه استفاده از MCP برای مدیر پروژهتان None
-
ساخت یک عامل که بتواند با نوشتن کوئریهای پیچیده داده را از پایگاه داده اس کیوال استخراج کند 23:40
-
ساخت یک عامل که بتواند تست API انجام دهد و با سیستم فایلهای محلی برای داده تعامل کند 18:29
-
ساخت یک عامل که بتواند برای هر سناریوی معین فایل اکسل را بخواند و در آن بنویسد 12:49
-
راهاندازی پیکربندی Playwright MCP در ویژوال استودیو کد 13:34
-
با یک پرامپت واحد، پروژه اتوماسیون تست بسازید و تست را با locatorها ایجاد کنید 10:17
-
سرور GitHub MCP - جادوی کامیت کردن فایلها و push کردن کد به Git با پرامپتها 09:34
-
ایجاد chatmodeهای سفارشی (عاملهای فرعی) در حالت GitHub Copilot Agent 10:19
-
مزایای چند عامل تخصصی نسبت به یک عامل واحد با نقشهای متعدد 04:42
-
راهحلهای هوش مصنوعی عاملی چه هستند؟ چه تفاوتی با عاملهای هوش مصنوعی دارند؟ 10:17
-
آزمون کوتاه None
-
آشنایی با Claude Code Skill System - بیان مسئله 05:50
-
نصب Claude Code و Claude for Chrome و شروع کار با فایل init 10:58
-
درک Knowledge Skillها و مهارتهای عامل - زمان استفاده از هرکدام همراه با نمونه دمو 07:30
-
ایجاد اسناد مهارت برای اپلیکیشن EventHub و درک چگونگی طراحی آنها 13:14
-
جلوگیری از Context Bloat: استفاده از ارجاعهای هوشمند برای پاسخهای دقیقتر هوش مصنوعی 06:06
-
جادوی عامل در ایجاد سناریوهای تست با خواندن سند محدوده پروژه 09:49
-
جادوی عامل در ایجاد استراتژی تست برای push کردن تستها به لایههای مختلف 15:45
-
ایجاد مهارتها برای بهترین شیوههای Playwright و سپس ساخت عامل برای نوشتن تستها 15:01
-
دمو: اجرای تستها توسط عامل و فیکس کردن تستهای ناموفق با ارجاع به اسناد دامنه 16:50
-
دمو: راهحل عاملی هدفمحور برای تحلیل پوشش تست با گزارش 11:19
-
پیادهسازی CI-CD با عاملهای هوش مصنوعی با GitHub Actions و push کردن کد به Remote Git 07:02
-
دموی CI-CD در عمل با یک راهحل ساده پرامپت با عامل هوش مصنوعی Claude Code 11:26
-
پیادهسازی راهحل داکر برای کانتینرسازی تستها بهصورت محلی با عامل هوش مصنوعی 15:40
-
n8n چیست؟ بررسی گردش کارهای اتوماسیون فرایند کسبوکار 08:15
-
چگونه n8n با کپسولهسازی عاملهای هوش مصنوعی متحول شد؟ - بررسی دمو 07:29
-
ایجاد عامل هوش مصنوعی n8n برای خواندن گوگل شیت و شناسایی باگها در وضعیت New 09:08
-
راهاندازی Jira Cloud و ایجاد یک پروژه برای راهاندازی عامل هوش مصنوعی 06:22
-
اتصال ابزار Jira به عامل هوش مصنوعی و ایجاد گردش کار end-to-end n8n برای یک مورد کاربرد تجاری 13:38
-
ساخت یک رابط چت عمومی برای تعامل با گردش کار هوش مصنوعی n8n از طریق وبهوک 05:09
-
استفاده از Generative AI برای تست API - تجزیه پاسخهای JSON 09:37
-
تولید کلاسهای POJO برای JSON پیچیده و ساخت متدهای جاوا با هوش مصنوعی 11:12
-
تولید تستهای API در Cypress و Playwright بر اساس API contract معین 10:15
-
تولید کوئریهای پیچیده اس کیوال برای جدولهای پایگاه داده با هوش مصنوعی 09:50
-
دانش خود را درباره MCP، مدل زبانی بزرگ و عاملهای هوش مصنوعی بسنجید None
-
درک قابلیتهای ابزارهای تست مبتنی بر هوش مصنوعی 13:06
-
آشنایی با ابزار TestRigor AI و ویژگیهای آن برای ایجاد تست با هوش مصنوعی 12:30
-
تولید خودکار موارد تست بهصورت لحظهای بر اساس نیازمندیهای انگلیسی 13:44
-
درک زبان اسکریپتنویسی TestRigor با یک تست دمو 21:25
-
قابلیتهای self-healing برای فیکس کردن تستها با ابزارهای تست مبتنی بر هوش مصنوعی 09:12
-
آشنایی با GPT4All - چگونه بهصورت آفلاین برای تولید نتایج کار میکند؟ 08:27
-
چگونه هوش مصنوعی میتواند بهترین همراه ما برای تمرین و پیادهسازی کدنویسی باشد؟ 08:26
-
مهارتهای تضمین کیفیت-هوش مصنوعی آینده را بدست آورید - گام بعدی چیست؟ 03:53
مشخصات آموزش
عاملهای هوش مصنوعی و GenAI برای اتوماسیون تضمین کیفیت - Copilot و Claude Code
- تاریخ به روز رسانی: 1405/04/12
- سطح دوره:Alls
- تعداد درس:63
- مدت زمان :11:09:54
- حجم :8.7GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy