#proQuality_books #ai
📖 AI Prompt Engineering & AI Agents Bible (12 Books in 1) (2026)
Автор: Tomasz Dylik
Количество страниц: 333
Язык издания: Английский
Руководство из 12 частей для перехода от базового промтинга к построению AI-агентов и автоматизации без кода. Охватывает 7 областей промтинга (текст, визуал, аудио, видео, RAG, монетизация) и работу с Custom GPTs, n8n и Make.com.
Плюсы:
➕ Доступное изложение без избыточной технической сложности — подходит для новичков и не-программистов.
➕ Практические фреймворки CROFTC и A-CROFTC для создания точных структурированных запросов.
➕ Бонусный стек: сотни готовых промптов, шаблоны воркфлоу для n8n и чек-листы для внедрения.
➕ Фокус на реальной бизнес-ценности и практической окупаемости (ROI).
Минусы:
➖ Объём материала требует времени на последовательное освоение — не для беглого чтения.
➖ Глубина проработки отдельных тем ограничена форматом «12 в 1».
Для кого книга:
✔️ Для новичков и IT специалистов, осваивающих генеративный ИИ и промтинг.
✔️ Для предпринимателей и операционных специалистов, автоматизирующих бизнес-процессы.
✔️ Для маркетологов и преподавателей, ускоряющих рутинные задачи с помощью AI-агентов.
Об авторе:
Tomasz Dylik — эксперт по генеративному ИИ, специализирующийся на создании AI-агентов и автоматизации рабочих процессов без кода.
📖 AI Prompt Engineering & AI Agents Bible (12 Books in 1) (2026)
Автор: Tomasz Dylik
Количество страниц: 333
Язык издания: Английский
Руководство из 12 частей для перехода от базового промтинга к построению AI-агентов и автоматизации без кода. Охватывает 7 областей промтинга (текст, визуал, аудио, видео, RAG, монетизация) и работу с Custom GPTs, n8n и Make.com.
Плюсы:
➕ Доступное изложение без избыточной технической сложности — подходит для новичков и не-программистов.
➕ Практические фреймворки CROFTC и A-CROFTC для создания точных структурированных запросов.
➕ Бонусный стек: сотни готовых промптов, шаблоны воркфлоу для n8n и чек-листы для внедрения.
➕ Фокус на реальной бизнес-ценности и практической окупаемости (ROI).
Минусы:
➖ Объём материала требует времени на последовательное освоение — не для беглого чтения.
➖ Глубина проработки отдельных тем ограничена форматом «12 в 1».
Для кого книга:
✔️ Для новичков и IT специалистов, осваивающих генеративный ИИ и промтинг.
✔️ Для предпринимателей и операционных специалистов, автоматизирующих бизнес-процессы.
✔️ Для маркетологов и преподавателей, ускоряющих рутинные задачи с помощью AI-агентов.
Об авторе:
Tomasz Dylik — эксперт по генеративному ИИ, специализирующийся на создании AI-агентов и автоматизации рабочих процессов без кода.
❤4
#ProQuality_interview
🤖 Ищете способы прокачать навыки работы с ИИ в тестировании? Делимся с вами двумя отличными подборками!
Обе полны полезных инструментов, бесплатных курсов, статей в блогах и других ресурсов, которые помогут вам оставаться в тренде. Забирайте в сохранёнки:
1️⃣ Awesome AI Testing (GitHub)
Глобальный курируемый репозиторий, в котором собраны самые актуальные ИИ-инструменты, фреймворки и платформы для QA.
🔹 Что внутри?
🔹 Генерация тестов и Test Data: инструменты от EvoMaster до Qodo и CodiumAI.
🔹 Self-healing: библиотеки для «самоисцеляющихся» тестов, которые автоматически чинят сломанные локаторы (Healenium, CodeceptJS).
🔹 Тестирование через MCP (Model Context Protocol): решения вроде Playwright MCP и Chrome DevTools MCP, позволяющие ИИ-агентам напрямую управлять браузером.
🔹 Оценка ИИ (LLM-as-Judge): фреймворки для тестирования самих нейросетей, проверки галлюцинаций и безопасности.
👉 Все тулзы удобно промаркированы: легко отличить Open Source от платных коммерческих продуктов.
🔗 Ссылка на репозиторий awesome-ai-testing
2️⃣ AI Learning Plan for Testers
Пошаговый и практичный план обучения. Отличная точка входа для тех, кто хочет структурировать свои знания.
🔹 Что внутри?
🔹 Бесплатные курсы: расставлены в правильном порядке — от базового курса «Gen AI for Testers» до погружения в ИИ-агенты и автоматизацию.
🔹 Полезные сообщества: где искать единомышленников (например, AI Chapter от Ministry of Testing).
🔹 Навыки для агентов (Agent Skills): готовые наборы инструкций (например, Caveman или Ponytail), которые учат правильно ставить задачи ИИ, чтобы он не писал лишний код.
🔹 Чит-листы (Cheat Sheets): огромная база шаблонов по промпт-инжинирингу и фреймворкам выбора LLM.
🔗 AI Learning Plan for Testers
💬 А как вы развиваетесь в AI? Используете нейросети (Copilot, Claude, ChatGPT) в своих ежедневных QA-задачах? Какие курсы или инструменты можете посоветовать коллегам? Делитесь находками в комментариях! 👇
🤖 Ищете способы прокачать навыки работы с ИИ в тестировании? Делимся с вами двумя отличными подборками!
Обе полны полезных инструментов, бесплатных курсов, статей в блогах и других ресурсов, которые помогут вам оставаться в тренде. Забирайте в сохранёнки:
1️⃣ Awesome AI Testing (GitHub)
Глобальный курируемый репозиторий, в котором собраны самые актуальные ИИ-инструменты, фреймворки и платформы для QA.
🔹 Что внутри?
🔹 Генерация тестов и Test Data: инструменты от EvoMaster до Qodo и CodiumAI.
🔹 Self-healing: библиотеки для «самоисцеляющихся» тестов, которые автоматически чинят сломанные локаторы (Healenium, CodeceptJS).
🔹 Тестирование через MCP (Model Context Protocol): решения вроде Playwright MCP и Chrome DevTools MCP, позволяющие ИИ-агентам напрямую управлять браузером.
🔹 Оценка ИИ (LLM-as-Judge): фреймворки для тестирования самих нейросетей, проверки галлюцинаций и безопасности.
👉 Все тулзы удобно промаркированы: легко отличить Open Source от платных коммерческих продуктов.
🔗 Ссылка на репозиторий awesome-ai-testing
2️⃣ AI Learning Plan for Testers
Пошаговый и практичный план обучения. Отличная точка входа для тех, кто хочет структурировать свои знания.
🔹 Что внутри?
🔹 Бесплатные курсы: расставлены в правильном порядке — от базового курса «Gen AI for Testers» до погружения в ИИ-агенты и автоматизацию.
🔹 Полезные сообщества: где искать единомышленников (например, AI Chapter от Ministry of Testing).
🔹 Навыки для агентов (Agent Skills): готовые наборы инструкций (например, Caveman или Ponytail), которые учат правильно ставить задачи ИИ, чтобы он не писал лишний код.
🔹 Чит-листы (Cheat Sheets): огромная база шаблонов по промпт-инжинирингу и фреймворкам выбора LLM.
🔗 AI Learning Plan for Testers
💬 А как вы развиваетесь в AI? Используете нейросети (Copilot, Claude, ChatGPT) в своих ежедневных QA-задачах? Какие курсы или инструменты можете посоветовать коллегам? Делитесь находками в комментариях! 👇
GitHub
GitHub - tugkanboz/awesome-ai-testing: A curated list of AI-powered testing tools, frameworks, and resources for QA engineers.…
A curated list of AI-powered testing tools, frameworks, and resources for QA engineers. From test generation to self-healing automation, MCP-based testing, LLM evaluation, and more. - tugkanboz/awe...
❤1
#automationTesting #ai
100 упавших автотестов совсем не обязательно означают 100 разных проблем. Но если отправлять каждый результат в нейросеть независимо, легко получить именно 100 отдельных объяснений и оставить инженеру ручную работу по их разбору.
В материале автор на практическом примере покажет, зачем группировать падения до AI-анализа, как с этой задачей справляются современные RCA-подходы и чем здесь могут помочь возможности Allure Report. Полезный взгляд на AI в тестировании не со стороны промптов и моделей, а со стороны инфраструктуры и подготовки данных.
Группировка ошибок и анализ причин падений (RCA) с помощью ИИ
100 упавших автотестов совсем не обязательно означают 100 разных проблем. Но если отправлять каждый результат в нейросеть независимо, легко получить именно 100 отдельных объяснений и оставить инженеру ручную работу по их разбору.
В материале автор на практическом примере покажет, зачем группировать падения до AI-анализа, как с этой задачей справляются современные RCA-подходы и чем здесь могут помочь возможности Allure Report. Полезный взгляд на AI в тестировании не со стороны промптов и моделей, а со стороны инфраструктуры и подготовки данных.
Группировка ошибок и анализ причин падений (RCA) с помощью ИИ
👍3
#softwareTesting
Проблемы с тестированием часто начинаются ещё до того, как тестировщик получает задачу. Неполные требования, неявные допущения и размытые критерии приёмки быстро превращаются в вопросы, переделки и дефекты.
В статье автор разберёт 5 типичных ошибок при работе с требованиями и покажет, как мышление тестировщика помогает находить их ещё на этапе анализа. Отдельное внимание уделит раннему статическому тестированию, техникам тест-дизайна и проверке критериев приёмки на практическом примере.
5 ошибок аналитика, из-за которых требования не выдерживают тестирования
Проблемы с тестированием часто начинаются ещё до того, как тестировщик получает задачу. Неполные требования, неявные допущения и размытые критерии приёмки быстро превращаются в вопросы, переделки и дефекты.
В статье автор разберёт 5 типичных ошибок при работе с требованиями и покажет, как мышление тестировщика помогает находить их ещё на этапе анализа. Отдельное внимание уделит раннему статическому тестированию, техникам тест-дизайна и проверке критериев приёмки на практическом примере.
5 ошибок аналитика, из-за которых требования не выдерживают тестирования
👍4
#ProQuality_news
🚀 Spec-Driven Development (SDD): Возвращение к Waterfall или будущее тестирования в эпоху ИИ?
Всем привет! 👋 Сегодня обсудим горячий тренд, который может полностью перевернуть привычный нам STLC (Software Testing Life Cycle). В инженерном сообществе всё активнее обсуждают подход Spec-Driven Development (SDD) как ответ на засилье нейросетей.
На Medium недавно вышли две отличные статьи, которые заставляют задуматься о том, как изменится роль QA. Вот их главные мысли:
1️⃣ Хватит писать промпты, начните писать спецификации
В первой статье автор жестко критикует подход «vibe-coding» — когда инженеры хаотично закидывают ИИ промптами в надежде получить рабочие автотесты или код. Он утверждает, что SDD должен стать новым ядром тестирования.
Вместо Code-First подхода мы переходим к Spec-Anchored архитектуре:
🔹 Спецификации становятся исполняемыми (Executable Specifications).
🔹 На основе строгих спецификаций ИИ сам генерирует и код, и тесты.
🔹 Появляется автономное «самоисцеление» тестов (Autonomous Test Healing). Если продукт меняется, тесты чинятся сами, потому что они привязаны к спецификации, а не к хрупким локаторам в коде.
2️⃣ Новый Waterfall?
Автор второй статьи задается логичным вопросом: если мы снова пишем подробные требования до написания кода, не возвращаемся ли мы в эпоху неповоротливого Waterfall?
Его ответ — нет. Это скорее «Новый Agile-манифест для ИИ-агентов». Разница в том, что цикл итераций сохраняется, но человек теперь итерирует спецификации, а не код. Вы вносите правки в требования, а ИИ-агенты мгновенно переписывают реализацию.
🔥 Что это значит для QA?
Наш фокус смещается. Написание сложного кода для фреймворков постепенно берет на себя ИИ. Новой суперсилой тестировщика становится умение формулировать однозначные, логически безупречные и проверяемые спецификации, которые не допустят галлюцинаций у ИИ-агентов.
🔗 Stop Prompting and Start Specifying: SDD as the New Core of the STLC
🔗 Spec-Driven Development: The New Waterfall
💬 Готовы ли вы отложить IDE, перестать писать код руками и стать «инженерами спецификаций»? Или текущие ИИ-инструменты пока слишком глупы, чтобы доверить им весь STLC на основе одной лишь документации? Ждем ваших мыслей в комментариях! 👇
🚀 Spec-Driven Development (SDD): Возвращение к Waterfall или будущее тестирования в эпоху ИИ?
Всем привет! 👋 Сегодня обсудим горячий тренд, который может полностью перевернуть привычный нам STLC (Software Testing Life Cycle). В инженерном сообществе всё активнее обсуждают подход Spec-Driven Development (SDD) как ответ на засилье нейросетей.
На Medium недавно вышли две отличные статьи, которые заставляют задуматься о том, как изменится роль QA. Вот их главные мысли:
1️⃣ Хватит писать промпты, начните писать спецификации
В первой статье автор жестко критикует подход «vibe-coding» — когда инженеры хаотично закидывают ИИ промптами в надежде получить рабочие автотесты или код. Он утверждает, что SDD должен стать новым ядром тестирования.
Вместо Code-First подхода мы переходим к Spec-Anchored архитектуре:
🔹 Спецификации становятся исполняемыми (Executable Specifications).
🔹 На основе строгих спецификаций ИИ сам генерирует и код, и тесты.
🔹 Появляется автономное «самоисцеление» тестов (Autonomous Test Healing). Если продукт меняется, тесты чинятся сами, потому что они привязаны к спецификации, а не к хрупким локаторам в коде.
2️⃣ Новый Waterfall?
Автор второй статьи задается логичным вопросом: если мы снова пишем подробные требования до написания кода, не возвращаемся ли мы в эпоху неповоротливого Waterfall?
Его ответ — нет. Это скорее «Новый Agile-манифест для ИИ-агентов». Разница в том, что цикл итераций сохраняется, но человек теперь итерирует спецификации, а не код. Вы вносите правки в требования, а ИИ-агенты мгновенно переписывают реализацию.
🔥 Что это значит для QA?
Наш фокус смещается. Написание сложного кода для фреймворков постепенно берет на себя ИИ. Новой суперсилой тестировщика становится умение формулировать однозначные, логически безупречные и проверяемые спецификации, которые не допустят галлюцинаций у ИИ-агентов.
🔗 Stop Prompting and Start Specifying: SDD as the New Core of the STLC
🔗 Spec-Driven Development: The New Waterfall
💬 Готовы ли вы отложить IDE, перестать писать код руками и стать «инженерами спецификаций»? Или текущие ИИ-инструменты пока слишком глупы, чтобы доверить им весь STLC на основе одной лишь документации? Ждем ваших мыслей в комментариях! 👇
Medium
Stop Prompting and Start Specifying: SDD as the New Core of the STLC
Moving from Code-First to Spec-Anchored Architectures with Autonomous Test Healing and Multi-Agent Orchestration.
❤3
#proQuality_books #automationTesting
📖 Design Patterns: Elements of Reusable Object-Oriented Software (1994)
Авторы: Erich Gamma, Richard Helm, Ralph Johnson, John Vlissides
Количество страниц: 416
Язык издания: Английский
Фундаментальный каталог из 23 проверенных шаблонов проектирования для объектно-ориентированного ПО. Авторы систематизируют решения типичных архитектурных задач, помогая создавать гибкие и легко расширяемые приложения.
Плюсы:
➕ Глубокое понимание принципов ООП и мышления на уровне архитектора.
➕ Каждый паттерн разобран с точки зрения применимости, последствий и компромиссов.
➕ Стандартизированный словарь для обсуждения архитектурных решений в команде.
➕ Концепции актуальны спустя десятилетия в самых разных языках программирования.
Минусы:
➖ Сложна для новичков — требует хорошей предварительной подготовки.
➖ Примеры на устаревших языках и громоздкие диаграммы затрудняют восприятие.
➖ Предметные примеры в начале глав иногда заслоняют суть паттерна.
Для кого книга:
✔️ Для опытных разработчиков и тимлидов, выходящих на уровень системных архитекторов.
✔️ Для инженеров, стремящихся писать более гибкий и поддерживаемый код.
Об авторах:
Erich Gamma, Richard Helm, Ralph Johnson и John Vlissides — известны в сообществе как «Банда четырёх» (Gang of Four), ведущие эксперты в области ООП, внёсшие огромный вклад в развитие современной разработки ПО.
📖 Design Patterns: Elements of Reusable Object-Oriented Software (1994)
Авторы: Erich Gamma, Richard Helm, Ralph Johnson, John Vlissides
Количество страниц: 416
Язык издания: Английский
Фундаментальный каталог из 23 проверенных шаблонов проектирования для объектно-ориентированного ПО. Авторы систематизируют решения типичных архитектурных задач, помогая создавать гибкие и легко расширяемые приложения.
Плюсы:
➕ Глубокое понимание принципов ООП и мышления на уровне архитектора.
➕ Каждый паттерн разобран с точки зрения применимости, последствий и компромиссов.
➕ Стандартизированный словарь для обсуждения архитектурных решений в команде.
➕ Концепции актуальны спустя десятилетия в самых разных языках программирования.
Минусы:
➖ Сложна для новичков — требует хорошей предварительной подготовки.
➖ Примеры на устаревших языках и громоздкие диаграммы затрудняют восприятие.
➖ Предметные примеры в начале глав иногда заслоняют суть паттерна.
Для кого книга:
✔️ Для опытных разработчиков и тимлидов, выходящих на уровень системных архитекторов.
✔️ Для инженеров, стремящихся писать более гибкий и поддерживаемый код.
Об авторах:
Erich Gamma, Richard Helm, Ralph Johnson и John Vlissides — известны в сообществе как «Банда четырёх» (Gang of Four), ведущие эксперты в области ООП, внёсшие огромный вклад в развитие современной разработки ПО.
👍3❤2
#ProQuality_case
🚀 ИИ пишет код быстрее, но кто за это расплачивается? Спойлер: QA-инженеры
Всем привет! 👋 Вышел свежий отчет от DeviQA: «State of AI-Generated Code 2026: The QA and Testing Gap». В его основе — опрос более 300 QA-инженеров, SDET и тест-лидов. Исследование дает отрезвляющий взгляд на «реальный» рост продуктивности разработки с помощью ИИ, посмотрев на это не глазами программистов, а с нашей стороны — со стороны QA.
Вот главные цифры из отчета:
🤖 65% QA-инженеров работают в командах, где разработчики активно используют ИИ для написания кода.
📈 58% отмечают, что их рабочая нагрузка на тестирование возросла. При этом штат QA для компенсации никто не расширяет.
🐛 52% сообщают об увеличении количества багов после внедрения ИИ-тулзов (и только 2% видят их уменьшение).
📉 0 из 300 опрошенных тестировщиков поставили высший балл доверия коду, сгенерированному ИИ.
Интересный инсайт о «реальной продуктивности»: 💡
Отчет подчеркивает скрытую цену ИИ-генерации. Иллюзия скорости разработки разбивается об «узкое горлышко» проверок. Время на ревью пулл-реквестов (PR), написанных с помощью ИИ, выросло на 91%, и такие PR простаивают в ожидании проверки в 4.6 раза дольше. В итоге весь сэкономленный разработчиками ресурс просто перетекает вниз по конвейеру — в долгий код-ревью и масштабное регрессионное тестирование.
Какие баги ИИ генерирует чаще всего?
1️⃣ Логические ошибки (58%)
2️⃣ Необработанные корнер-кейсы и граничные условия (52%)
3️⃣ Дублирование кода (42%)
4️⃣ Несоответствие изначальным требованиям (42%)
🔗 State of AI-Generated Code 2026: The QA and Testing Gap
💬 А как обстоят дела на ваших проектах? Ощутили ли вы на себе последствия того, что разработчики стали использовать Copilot/ChatGPT? Стало ли больше «глупых» багов в логике, или наоборот — код стал чище? Делитесь болью (или радостью)! 👇
🚀 ИИ пишет код быстрее, но кто за это расплачивается? Спойлер: QA-инженеры
Всем привет! 👋 Вышел свежий отчет от DeviQA: «State of AI-Generated Code 2026: The QA and Testing Gap». В его основе — опрос более 300 QA-инженеров, SDET и тест-лидов. Исследование дает отрезвляющий взгляд на «реальный» рост продуктивности разработки с помощью ИИ, посмотрев на это не глазами программистов, а с нашей стороны — со стороны QA.
Вот главные цифры из отчета:
🤖 65% QA-инженеров работают в командах, где разработчики активно используют ИИ для написания кода.
📈 58% отмечают, что их рабочая нагрузка на тестирование возросла. При этом штат QA для компенсации никто не расширяет.
🐛 52% сообщают об увеличении количества багов после внедрения ИИ-тулзов (и только 2% видят их уменьшение).
📉 0 из 300 опрошенных тестировщиков поставили высший балл доверия коду, сгенерированному ИИ.
Интересный инсайт о «реальной продуктивности»: 💡
Отчет подчеркивает скрытую цену ИИ-генерации. Иллюзия скорости разработки разбивается об «узкое горлышко» проверок. Время на ревью пулл-реквестов (PR), написанных с помощью ИИ, выросло на 91%, и такие PR простаивают в ожидании проверки в 4.6 раза дольше. В итоге весь сэкономленный разработчиками ресурс просто перетекает вниз по конвейеру — в долгий код-ревью и масштабное регрессионное тестирование.
Какие баги ИИ генерирует чаще всего?
1️⃣ Логические ошибки (58%)
2️⃣ Необработанные корнер-кейсы и граничные условия (52%)
3️⃣ Дублирование кода (42%)
4️⃣ Несоответствие изначальным требованиям (42%)
🔗 State of AI-Generated Code 2026: The QA and Testing Gap
💬 А как обстоят дела на ваших проектах? Ощутили ли вы на себе последствия того, что разработчики стали использовать Copilot/ChatGPT? Стало ли больше «глупых» багов в логике, или наоборот — код стал чище? Делитесь болью (или радостью)! 👇
DeviQA
State of AI-Generated Code 2026: The QA and Testing Gap - DeviQA
New DeviQA report of 300 QA engineers reveals the hidden cost of AI-generated code: rising bug volume, growing test workload, and zero full-trust ratings. Get the data.
👍4❤1
#automationTesting
Автоматизация тестирования — это один из ключевых инструментов для улучшения качества продукта. Она не только упрощает рутинные процессы и экономит время, но и позволяет проверять приложение на десятках и сотнях устройств за считанные минуты.
В статье автор расскажет о переходе от ручного тестирования Android-приложений к автоматизированному: как написать Compose UI-тест, вручную запустить его на устройстве мобильной фермы Selectel, а затем автоматизировать подключение к устройствам через API и встроить запуск тестов в CI/CD.
От ручного тестирования к автоматизированному: пишем compose UI-тест под Android
Автоматизация тестирования — это один из ключевых инструментов для улучшения качества продукта. Она не только упрощает рутинные процессы и экономит время, но и позволяет проверять приложение на десятках и сотнях устройств за считанные минуты.
В статье автор расскажет о переходе от ручного тестирования Android-приложений к автоматизированному: как написать Compose UI-тест, вручную запустить его на устройстве мобильной фермы Selectel, а затем автоматизировать подключение к устройствам через API и встроить запуск тестов в CI/CD.
От ручного тестирования к автоматизированному: пишем compose UI-тест под Android
👍3
#softwareTesting #ai
Анализ инцидентов с продакшена — это процесс изучения сбоев, ошибок или непредвиденных событий, возникших в производственной среде (на продакшене), с целью их устранения, понимания причин возникновения и предотвращения повторения в будущем.
В статье автор расскажет о том, как команда Polymatica интегрировала анализ инцидентов с продакшена в цикл тестирования: от локализации дефекта и создания кейса в TMS до верификации перед регрессом и анализа «старых» кейсов, а также поделится преимуществами подхода и планами по улучшению (теги, метрики, автоматизация логов и AI).
Анализ инцидентов с продакшена: как мы интегрировали этот процесс в тестирование
Анализ инцидентов с продакшена — это процесс изучения сбоев, ошибок или непредвиденных событий, возникших в производственной среде (на продакшене), с целью их устранения, понимания причин возникновения и предотвращения повторения в будущем.
В статье автор расскажет о том, как команда Polymatica интегрировала анализ инцидентов с продакшена в цикл тестирования: от локализации дефекта и создания кейса в TMS до верификации перед регрессом и анализа «старых» кейсов, а также поделится преимуществами подхода и планами по улучшению (теги, метрики, автоматизация логов и AI).
Анализ инцидентов с продакшена: как мы интегрировали этот процесс в тестирование
👍4