課程簡(jiǎn)介
本課程介紹了LLM時(shí)代測(cè)試架構(gòu)師必須掌握的軟件架構(gòu)知識(shí)，包括chatGPT的基本原理和能力范疇、軟件測(cè)試領(lǐng)域LLM大語(yǔ)言模型的各種使用場(chǎng)景、LLM在軟件質(zhì)量保障中的各種使用場(chǎng)景、測(cè)試架構(gòu)師視角的軟件架構(gòu)設(shè)計(jì)、業(yè)務(wù)驅(qū)動(dòng)下的技術(shù)架構(gòu)的技術(shù)演進(jìn)、分布式架構(gòu)和微服務(wù)架構(gòu)、面向功能的測(cè)試 VS 面向架構(gòu)的測(cè)試等。此外，課程還介紹了GUI自動(dòng)化和智能化測(cè)試技術(shù)精要、API自動(dòng)化和智能化測(cè)試技術(shù)精要、人工智能和大數(shù)據(jù)技術(shù)在測(cè)試領(lǐng)域的應(yīng)用與案例解析、LLM加持下的微服務(wù)API測(cè)試精要、自動(dòng)化測(cè)試中測(cè)試數(shù)據(jù)難題的解決思路以及測(cè)試執(zhí)行環(huán)境的設(shè)計(jì)與最佳實(shí)踐等內(nèi)容。
目標(biāo)收益
通過(guò)本課程的學(xué)習(xí)，學(xué)員可以掌握LLM時(shí)代測(cè)試架構(gòu)師必須掌握的軟件架構(gòu)知識(shí)，包括各種使用場(chǎng)景和技術(shù)演進(jìn)，以及GUI自動(dòng)化和智能化測(cè)試技術(shù)、API自動(dòng)化和智能化測(cè)試技術(shù)、人工智能和大數(shù)據(jù)技術(shù)在測(cè)試領(lǐng)域的應(yīng)用等。此外，學(xué)員還可以了解自動(dòng)化測(cè)試中測(cè)試數(shù)據(jù)難題的解決思路以及測(cè)試執(zhí)行環(huán)境的設(shè)計(jì)與最佳實(shí)踐等內(nèi)容，提高測(cè)試質(zhì)量和效率。
培訓(xùn)對(duì)象
本課程適合軟件測(cè)試工程師、測(cè)試架構(gòu)師、測(cè)試經(jīng)理等相關(guān)人員學(xué)習(xí)，可以幫助他們掌握LLM時(shí)代測(cè)試架構(gòu)師必須掌握的軟件架構(gòu)知識(shí)，提高測(cè)試質(zhì)量和效率。同時(shí)，對(duì)于想要了解GUI自動(dòng)化和智能化測(cè)試技術(shù)、API自動(dòng)化和智能化測(cè)試技術(shù)、人工智能和大數(shù)據(jù)技術(shù)在測(cè)試領(lǐng)域的應(yīng)用等內(nèi)容的學(xué)員來(lái)說(shuō)，本課程也是一個(gè)很好的選擇。
課程大綱
| LLM時(shí)代測(cè)試架構(gòu)師必須掌握的軟件架構(gòu)知識(shí) |
1.chatGPT的基本原理和能力范疇 2.軟件測(cè)試領(lǐng)域LLM大語(yǔ)言模型的各種使用場(chǎng)景 3.LLM在軟件質(zhì)量保障中的各種使用場(chǎng)景 4.軟件測(cè)試領(lǐng)域LLM大語(yǔ)言模型的各種使用場(chǎng)景 5.chatGPT在測(cè)試領(lǐng)域的“能”與“不能” 6.測(cè)試架構(gòu)師視角的軟件架構(gòu)設(shè)計(jì) 7.業(yè)務(wù)驅(qū)動(dòng)下的技術(shù)架構(gòu)的技術(shù)演進(jìn) 8.分布式架構(gòu)和微服務(wù)架構(gòu) 9.面向功能的測(cè)試 VS 面向架構(gòu)的測(cè)試 |
| LLM時(shí)代的GUI自動(dòng)化和智能化測(cè)試技術(shù)精要 |
1.如何構(gòu)建高效，低維護(hù)成本的GUI自動(dòng)化測(cè)試用例 2.GUI自動(dòng)化測(cè)試技術(shù)詳細(xì)解讀 3.如何提高GUI自動(dòng)化測(cè)試的穩(wěn)定性 4.測(cè)試用例腳本封裝粒度的問(wèn)題 5.從頁(yè)面對(duì)象模型到業(yè)務(wù)流程模型 6.GUI測(cè)試腳本的自動(dòng)生成技術(shù)初探 7.使用chatGPT輔助GUI自動(dòng)化測(cè)試腳本的自動(dòng)生成 8.使用chatGPT實(shí)現(xiàn)GUI層面的Monkey測(cè)試 9.使用chatGPT實(shí)現(xiàn)移動(dòng)APP的測(cè)試用例設(shè)計(jì)與執(zhí)行 10.chatGPT的GUI測(cè)試用例設(shè)計(jì)中的啟發(fā)式應(yīng)用 11.影響GUI測(cè)試用例穩(wěn)定性的主要因素與應(yīng)對(duì)策略 12.業(yè)界案例分享：大型軟件產(chǎn)品的GUI自動(dòng)化測(cè)試的最佳實(shí)踐 13.業(yè)界案例分享：chatGPT在移動(dòng)APP智能化測(cè)試中的最佳實(shí)踐 |
| LLM時(shí)代的API自動(dòng)化和智能化測(cè)試技術(shù)精要 |
1.傳統(tǒng)API測(cè)試工具的局限性 2.基于代碼的API測(cè)試的必要性 3.設(shè)計(jì)與構(gòu)建高效的API自動(dòng)化測(cè)試框架 4.數(shù)據(jù)驅(qū)動(dòng)在API測(cè)試中的應(yīng)用 5.使用chatGPT自動(dòng)生成API測(cè)試用例 6.使用chatGPT自動(dòng)生成API測(cè)試的測(cè)試數(shù)據(jù) 7.使用chatGPT實(shí)現(xiàn)API測(cè)試的覆蓋率提升 8.API的并發(fā)測(cè)試和壓力測(cè)試 9.API測(cè)試的數(shù)據(jù)準(zhǔn)備 10.API測(cè)試中的依賴解耦 11.復(fù)雜場(chǎng)景的API測(cè)試（連續(xù)API調(diào)用以及API調(diào)用之間的參數(shù)傳遞） 12.API調(diào)用時(shí)序的測(cè)試難點(diǎn)與應(yīng)對(duì)策略 13.API后向兼容性測(cè)試的難點(diǎn)與解決方案 14.一站式API開(kāi)源測(cè)試工具HttpRunner的架構(gòu)設(shè)計(jì)與使用 15.業(yè)界案例分享：大型軟件系統(tǒng)API自動(dòng)化測(cè)試的最佳實(shí)踐 16.業(yè)界案例分享：使用LLM實(shí)現(xiàn)API自動(dòng)化測(cè)試用例生成的完整案例 |
| 人工智能和大數(shù)據(jù)技術(shù)在測(cè)試領(lǐng)域的應(yīng)用與案例解析 |
1.chatGPT在GUI自動(dòng)化測(cè)試中的應(yīng)用與落地 2.chatGPT在API自動(dòng)化測(cè)試中的應(yīng)用與落地 3.chatGPT在單元測(cè)試中的應(yīng)用與落地 4.chatGPT在變異測(cè)試中的應(yīng)用與落地 5.基于模型MBT在GUI自動(dòng)化測(cè)試中的實(shí)踐 6.基于自然語(yǔ)言處理的自動(dòng)化測(cè)試方案 7.基于特征提取的GUI控件識(shí)別 8.智能化失敗測(cè)試用例的分析 9.性能測(cè)試的自動(dòng)化分析與定位 10.無(wú)頭瀏覽器在GUI測(cè)試中的應(yīng)用 11.行為驅(qū)動(dòng)開(kāi)發(fā)BDD的應(yīng)用與局限 12.探索式測(cè)試和chatGPT的測(cè)試需求啟發(fā) 13.測(cè)試驅(qū)動(dòng)開(kāi)發(fā)（TDD） 14.精準(zhǔn)測(cè)試 15.超越BDD的GUI測(cè)試方案初探 |
| LLM加持下的微服務(wù)API測(cè)試精要 |
1.微服務(wù)架構(gòu)下的API測(cè)試挑戰(zhàn) 2.基于消費(fèi)者契約的API測(cè)試的理論基礎(chǔ) 3.基于消費(fèi)者契約的API測(cè)試的實(shí)踐 4.基于消費(fèi)者契約的契約捕獲 5.基于契約的Mock Service實(shí)現(xiàn)API測(cè)試依賴解耦 6.全新API無(wú)法獲取消費(fèi)者契約的解決思路 7.基于HttpRunner的API消費(fèi)者契約測(cè)試 8.chatGPT在接口調(diào)用鏈路分析中的應(yīng)用 9.案例分享:Spring Cloud Contract實(shí)例 10.業(yè)界案例分享：大型軟件的消費(fèi)者契約測(cè)試的落地案例 |
| 自動(dòng)化測(cè)試中測(cè)試數(shù)據(jù)難題的解決思路 |
1.測(cè)試中數(shù)據(jù)的復(fù)雜性與難點(diǎn) 2.基于實(shí)時(shí)數(shù)據(jù)創(chuàng)建的測(cè)試數(shù)據(jù)準(zhǔn)備策略 3.基于預(yù)先生成的測(cè)試數(shù)據(jù)準(zhǔn)備策略 4.測(cè)試數(shù)據(jù)生成的基本技術(shù) 5.復(fù)雜數(shù)據(jù)的生成技術(shù) 6.性能測(cè)試數(shù)據(jù)的批量生成技術(shù) 7.測(cè)試數(shù)據(jù)一致性，準(zhǔn)確性和及時(shí)性的要求 8.測(cè)試數(shù)據(jù)工具的設(shè)計(jì)與業(yè)界最佳實(shí)踐 9.Test Data Service的架構(gòu)設(shè)計(jì)與實(shí)現(xiàn) 10.測(cè)試數(shù)據(jù)準(zhǔn)備的創(chuàng)新設(shè)計(jì) 11.業(yè)界案例分享：全球化大型電商網(wǎng)站測(cè)試數(shù)據(jù)服務(wù)的設(shè)計(jì) |
| 測(cè)試執(zhí)行環(huán)境的設(shè)計(jì)與最佳實(shí)踐 |
1.測(cè)試執(zhí)行環(huán)境的概念 2.測(cè)試基礎(chǔ)架構(gòu)的概念 3.早期的測(cè)試執(zhí)行環(huán)境 4.測(cè)試執(zhí)行服務(wù)的設(shè)計(jì)與應(yīng)用 5.基于Jenkins觸發(fā)測(cè)試執(zhí)行 6.基于 Selenium Grid 提高測(cè)試并行執(zhí)行能力 7.基于 Jenkins Cluster 提高測(cè)試并行執(zhí)行能力 8.基于 Docker 實(shí)現(xiàn) Selenium Grid 的動(dòng)態(tài)擴(kuò)展與收縮 9.基于 Docker 實(shí)現(xiàn) Jenkins Cluster 的動(dòng)態(tài)擴(kuò)展與收縮 10.構(gòu)建基于私有云（Cloud）的測(cè)試基礎(chǔ)架構(gòu) 11.云測(cè)服務(wù)的設(shè)計(jì)思路與原理 |
| LLM加持下的性能測(cè)試實(shí)踐 |
1.性能測(cè)試的基本方法與應(yīng)用領(lǐng)域 2.后端性能測(cè)試的基本原理和工具 3.前端性能測(cè)試的基本原理和工具 4.LLM在性能測(cè)試場(chǎng)景設(shè)計(jì)中的應(yīng)用 5.LLM在性能測(cè)試腳本開(kāi)發(fā)中的應(yīng)用 6.LLM在性能測(cè)試結(jié)果數(shù)據(jù)分析中的應(yīng)用 7.LLM在性能測(cè)試問(wèn)題定位中的應(yīng)用 8.如何0成本應(yīng)用UI自動(dòng)化測(cè)試腳本和API自動(dòng)化測(cè)試腳本實(shí)現(xiàn)性能告警 9.高并發(fā)情況下單session的Profile方法設(shè)計(jì) 10.Performance Benchmark Kits 的設(shè)計(jì) 11.基于JMeter的全鏈路壓測(cè)系統(tǒng)的設(shè)計(jì) 12.全鏈路壓測(cè)中LLM的使用 |
| chatGPT在軟件研發(fā)全生命周期中的應(yīng)用場(chǎng)景與案例 |
1.軟件研發(fā)全流程中LLM擅長(zhǎng)的部分 2.軟件研發(fā)全流程中LLM不擅長(zhǎng)的部分 3.需求分析階段chatGPT的應(yīng)用場(chǎng)景與案例 4.頂層設(shè)計(jì)階段chatGPT的應(yīng)用場(chǎng)景與案例 5.詳細(xì)設(shè)計(jì)階段chatGPT的應(yīng)用場(chǎng)景與案例 6.編碼階段chatGPT的應(yīng)用場(chǎng)景與案例 7.代碼評(píng)審階段chatGPT的應(yīng)用場(chǎng)景與案例 8.單元測(cè)試階段chatGPT的應(yīng)用場(chǎng)景與案例 9.接口測(cè)試階段chatGPT的應(yīng)用場(chǎng)景與案例 10.安全測(cè)試階段chatGPT的應(yīng)用場(chǎng)景與案例 11.持續(xù)集成流水中chatGPT的應(yīng)用場(chǎng)景與案例 12.持續(xù)發(fā)布中chatGPT的應(yīng)用場(chǎng)景與案例 13.性能測(cè)試階段chatGPT的應(yīng)用場(chǎng)景與案例 14.測(cè)試結(jié)果分析中chatGPT的應(yīng)用場(chǎng)景與案例 |
|
LLM時(shí)代測(cè)試架構(gòu)師必須掌握的軟件架構(gòu)知識(shí) 1.chatGPT的基本原理和能力范疇 2.軟件測(cè)試領(lǐng)域LLM大語(yǔ)言模型的各種使用場(chǎng)景 3.LLM在軟件質(zhì)量保障中的各種使用場(chǎng)景 4.軟件測(cè)試領(lǐng)域LLM大語(yǔ)言模型的各種使用場(chǎng)景 5.chatGPT在測(cè)試領(lǐng)域的“能”與“不能” 6.測(cè)試架構(gòu)師視角的軟件架構(gòu)設(shè)計(jì) 7.業(yè)務(wù)驅(qū)動(dòng)下的技術(shù)架構(gòu)的技術(shù)演進(jìn) 8.分布式架構(gòu)和微服務(wù)架構(gòu) 9.面向功能的測(cè)試 VS 面向架構(gòu)的測(cè)試 |
|
LLM時(shí)代的GUI自動(dòng)化和智能化測(cè)試技術(shù)精要 1.如何構(gòu)建高效，低維護(hù)成本的GUI自動(dòng)化測(cè)試用例 2.GUI自動(dòng)化測(cè)試技術(shù)詳細(xì)解讀 3.如何提高GUI自動(dòng)化測(cè)試的穩(wěn)定性 4.測(cè)試用例腳本封裝粒度的問(wèn)題 5.從頁(yè)面對(duì)象模型到業(yè)務(wù)流程模型 6.GUI測(cè)試腳本的自動(dòng)生成技術(shù)初探 7.使用chatGPT輔助GUI自動(dòng)化測(cè)試腳本的自動(dòng)生成 8.使用chatGPT實(shí)現(xiàn)GUI層面的Monkey測(cè)試 9.使用chatGPT實(shí)現(xiàn)移動(dòng)APP的測(cè)試用例設(shè)計(jì)與執(zhí)行 10.chatGPT的GUI測(cè)試用例設(shè)計(jì)中的啟發(fā)式應(yīng)用 11.影響GUI測(cè)試用例穩(wěn)定性的主要因素與應(yīng)對(duì)策略 12.業(yè)界案例分享：大型軟件產(chǎn)品的GUI自動(dòng)化測(cè)試的最佳實(shí)踐 13.業(yè)界案例分享：chatGPT在移動(dòng)APP智能化測(cè)試中的最佳實(shí)踐 |
|
LLM時(shí)代的API自動(dòng)化和智能化測(cè)試技術(shù)精要 1.傳統(tǒng)API測(cè)試工具的局限性 2.基于代碼的API測(cè)試的必要性 3.設(shè)計(jì)與構(gòu)建高效的API自動(dòng)化測(cè)試框架 4.數(shù)據(jù)驅(qū)動(dòng)在API測(cè)試中的應(yīng)用 5.使用chatGPT自動(dòng)生成API測(cè)試用例 6.使用chatGPT自動(dòng)生成API測(cè)試的測(cè)試數(shù)據(jù) 7.使用chatGPT實(shí)現(xiàn)API測(cè)試的覆蓋率提升 8.API的并發(fā)測(cè)試和壓力測(cè)試 9.API測(cè)試的數(shù)據(jù)準(zhǔn)備 10.API測(cè)試中的依賴解耦 11.復(fù)雜場(chǎng)景的API測(cè)試（連續(xù)API調(diào)用以及API調(diào)用之間的參數(shù)傳遞） 12.API調(diào)用時(shí)序的測(cè)試難點(diǎn)與應(yīng)對(duì)策略 13.API后向兼容性測(cè)試的難點(diǎn)與解決方案 14.一站式API開(kāi)源測(cè)試工具HttpRunner的架構(gòu)設(shè)計(jì)與使用 15.業(yè)界案例分享：大型軟件系統(tǒng)API自動(dòng)化測(cè)試的最佳實(shí)踐 16.業(yè)界案例分享：使用LLM實(shí)現(xiàn)API自動(dòng)化測(cè)試用例生成的完整案例 |
|
人工智能和大數(shù)據(jù)技術(shù)在測(cè)試領(lǐng)域的應(yīng)用與案例解析 1.chatGPT在GUI自動(dòng)化測(cè)試中的應(yīng)用與落地 2.chatGPT在API自動(dòng)化測(cè)試中的應(yīng)用與落地 3.chatGPT在單元測(cè)試中的應(yīng)用與落地 4.chatGPT在變異測(cè)試中的應(yīng)用與落地 5.基于模型MBT在GUI自動(dòng)化測(cè)試中的實(shí)踐 6.基于自然語(yǔ)言處理的自動(dòng)化測(cè)試方案 7.基于特征提取的GUI控件識(shí)別 8.智能化失敗測(cè)試用例的分析 9.性能測(cè)試的自動(dòng)化分析與定位 10.無(wú)頭瀏覽器在GUI測(cè)試中的應(yīng)用 11.行為驅(qū)動(dòng)開(kāi)發(fā)BDD的應(yīng)用與局限 12.探索式測(cè)試和chatGPT的測(cè)試需求啟發(fā) 13.測(cè)試驅(qū)動(dòng)開(kāi)發(fā)（TDD） 14.精準(zhǔn)測(cè)試 15.超越BDD的GUI測(cè)試方案初探 |
|
LLM加持下的微服務(wù)API測(cè)試精要 1.微服務(wù)架構(gòu)下的API測(cè)試挑戰(zhàn) 2.基于消費(fèi)者契約的API測(cè)試的理論基礎(chǔ) 3.基于消費(fèi)者契約的API測(cè)試的實(shí)踐 4.基于消費(fèi)者契約的契約捕獲 5.基于契約的Mock Service實(shí)現(xiàn)API測(cè)試依賴解耦 6.全新API無(wú)法獲取消費(fèi)者契約的解決思路 7.基于HttpRunner的API消費(fèi)者契約測(cè)試 8.chatGPT在接口調(diào)用鏈路分析中的應(yīng)用 9.案例分享:Spring Cloud Contract實(shí)例 10.業(yè)界案例分享：大型軟件的消費(fèi)者契約測(cè)試的落地案例 |
|
自動(dòng)化測(cè)試中測(cè)試數(shù)據(jù)難題的解決思路 1.測(cè)試中數(shù)據(jù)的復(fù)雜性與難點(diǎn) 2.基于實(shí)時(shí)數(shù)據(jù)創(chuàng)建的測(cè)試數(shù)據(jù)準(zhǔn)備策略 3.基于預(yù)先生成的測(cè)試數(shù)據(jù)準(zhǔn)備策略 4.測(cè)試數(shù)據(jù)生成的基本技術(shù) 5.復(fù)雜數(shù)據(jù)的生成技術(shù) 6.性能測(cè)試數(shù)據(jù)的批量生成技術(shù) 7.測(cè)試數(shù)據(jù)一致性，準(zhǔn)確性和及時(shí)性的要求 8.測(cè)試數(shù)據(jù)工具的設(shè)計(jì)與業(yè)界最佳實(shí)踐 9.Test Data Service的架構(gòu)設(shè)計(jì)與實(shí)現(xiàn) 10.測(cè)試數(shù)據(jù)準(zhǔn)備的創(chuàng)新設(shè)計(jì) 11.業(yè)界案例分享：全球化大型電商網(wǎng)站測(cè)試數(shù)據(jù)服務(wù)的設(shè)計(jì) |
|
測(cè)試執(zhí)行環(huán)境的設(shè)計(jì)與最佳實(shí)踐 1.測(cè)試執(zhí)行環(huán)境的概念 2.測(cè)試基礎(chǔ)架構(gòu)的概念 3.早期的測(cè)試執(zhí)行環(huán)境 4.測(cè)試執(zhí)行服務(wù)的設(shè)計(jì)與應(yīng)用 5.基于Jenkins觸發(fā)測(cè)試執(zhí)行 6.基于 Selenium Grid 提高測(cè)試并行執(zhí)行能力 7.基于 Jenkins Cluster 提高測(cè)試并行執(zhí)行能力 8.基于 Docker 實(shí)現(xiàn) Selenium Grid 的動(dòng)態(tài)擴(kuò)展與收縮 9.基于 Docker 實(shí)現(xiàn) Jenkins Cluster 的動(dòng)態(tài)擴(kuò)展與收縮 10.構(gòu)建基于私有云（Cloud）的測(cè)試基礎(chǔ)架構(gòu) 11.云測(cè)服務(wù)的設(shè)計(jì)思路與原理 |
|
LLM加持下的性能測(cè)試實(shí)踐 1.性能測(cè)試的基本方法與應(yīng)用領(lǐng)域 2.后端性能測(cè)試的基本原理和工具 3.前端性能測(cè)試的基本原理和工具 4.LLM在性能測(cè)試場(chǎng)景設(shè)計(jì)中的應(yīng)用 5.LLM在性能測(cè)試腳本開(kāi)發(fā)中的應(yīng)用 6.LLM在性能測(cè)試結(jié)果數(shù)據(jù)分析中的應(yīng)用 7.LLM在性能測(cè)試問(wèn)題定位中的應(yīng)用 8.如何0成本應(yīng)用UI自動(dòng)化測(cè)試腳本和API自動(dòng)化測(cè)試腳本實(shí)現(xiàn)性能告警 9.高并發(fā)情況下單session的Profile方法設(shè)計(jì) 10.Performance Benchmark Kits 的設(shè)計(jì) 11.基于JMeter的全鏈路壓測(cè)系統(tǒng)的設(shè)計(jì) 12.全鏈路壓測(cè)中LLM的使用 |
|
chatGPT在軟件研發(fā)全生命周期中的應(yīng)用場(chǎng)景與案例 1.軟件研發(fā)全流程中LLM擅長(zhǎng)的部分 2.軟件研發(fā)全流程中LLM不擅長(zhǎng)的部分 3.需求分析階段chatGPT的應(yīng)用場(chǎng)景與案例 4.頂層設(shè)計(jì)階段chatGPT的應(yīng)用場(chǎng)景與案例 5.詳細(xì)設(shè)計(jì)階段chatGPT的應(yīng)用場(chǎng)景與案例 6.編碼階段chatGPT的應(yīng)用場(chǎng)景與案例 7.代碼評(píng)審階段chatGPT的應(yīng)用場(chǎng)景與案例 8.單元測(cè)試階段chatGPT的應(yīng)用場(chǎng)景與案例 9.接口測(cè)試階段chatGPT的應(yīng)用場(chǎng)景與案例 10.安全測(cè)試階段chatGPT的應(yīng)用場(chǎng)景與案例 11.持續(xù)集成流水中chatGPT的應(yīng)用場(chǎng)景與案例 12.持續(xù)發(fā)布中chatGPT的應(yīng)用場(chǎng)景與案例 13.性能測(cè)試階段chatGPT的應(yīng)用場(chǎng)景與案例 14.測(cè)試結(jié)果分析中chatGPT的應(yīng)用場(chǎng)景與案例 |
近期公開(kāi)課推薦
