🔵 عنوان مقاله
Software Testing with AI And AI Agents

🟢 خلاصه مقاله:
**این ارائه یک دمو یک‌ساعته و کاربردی از سوی Karthik K.K. است که نشان می‌دهد چگونه می‌توان AI و AI Agents را در مراحل مختلف تست نرم‌افزار به‌کار گرفت. تمرکز اصلی بر سرعت‌بخشیدن به تولید تست، افزایش پوشش، کاهش نگه‌داری، و استفاده از عامل‌های هوشمند برای تست اکتشافی و UI است. همچنین به تولید داده‌های تست، ایجاد سناریوهای مرزی و منفی، پایدارسازی تست‌ها هنگام تغییرات UI/API، رفع خطا و مدیریت flaky tests در CI/CD می‌پردازد. نکات کلیدی شامل مهار خروجی‌ها با ساختاردهی و گاردریل‌ها، انتخاب مدل با توجه به هزینه و تأخیر، ملاحظات حریم خصوصی، و ارزیابی و اعتمادسازی با داده‌های معیار است. نتیجه، نقشه‌راهی عملی برای تقویت فرآیندهای موجود تست توسط AI—بدون جایگزین‌کردن آن‌ها—و حفظ کیفیت و کنترل است.

#SoftwareTesting #AIinTesting #AIAgents #QualityEngineering #TestAutomation #LLM #CICD

🟣لینک مقاله:
https://cur.at/DDxkXyi?m=web

➖➖➖➖➖➖➖➖
👑 @software_Labdon

🔵 عنوان مقاله
The Day I Became an AI "Babysitter" (And Why I'm Not Ashamed of It)

🟢 خلاصه مقاله:
** این مقاله از Santhosh Siddegowda نشان می‌دهد به‌کارگیری AI در تست به‌جای جایگزینی کامل، به معنای «نظارت هوشمندانه» است. او توضیح می‌دهد چگونه کیس‌های کلاسیک QA به جریان‌های AI-assisted تبدیل می‌شوند: بازنویسی بر پایه قصد کاربر و پرامپت، تعریف گاردریل‌ها و اوراکل‌های تست، و افزودن بازبینی Human-in-the-Loop برای مهار ناپایداری و خطاهای مدل. نویسنده بر عملیات‌پذیری تأکید می‌کند—نسخه‌بندی پرامپت‌ها، لاگ‌برداری و ارزیابی مداوم کیفیت—و نتیجه می‌گیرد که هرچند AI سرعت و پوشش تست را افزایش می‌دهد، موفقیت به سنجش‌پذیری، محرمانگی داده، معیارهای پذیرش روشن و نقش فعال انسان وابسته است. جمع‌بندی او: با موارد مناسب شروع کنید، گاردریل و اوراکل شفاف بسازید، اثر را اندازه‌گیری کنید و قضاوت انسانی را در مرکز نگه دارید؛ «AI babysitting» رویکردی مسئولانه برای قابل‌اعتماد کردن AI در QA است.

#AIinTesting #QA #TestAutomation #LLM #HumanInTheLoop #PromptEngineering #SoftwareQuality

🟣لینک مقاله:
https://cur.at/PnnqBWN?m=web

➖➖➖➖➖➖➖➖
👑 @software_Labdon

🔵 عنوان مقاله
Intelligent QA Orchestration with Large Language Models — A modern approach to Quality Assurance

🟢 خلاصه مقاله:
**
این رویکرد با تکیه بر Large Language Models (LLMs) پیشنهاد می‌کند که از یک لایه ارکستریشن هوشمند برای پیوند دادن نیازمندی‌ها، کد، تله‌متری و ابزارهای موجود استفاده شود تا تست‌ها به‌صورت هوشمند و تا حدی خودمختار تولید، اولویت‌بندی و نگهداری شوند. در این مدل، عامل‌های AI کارهایی مانند آماده‌سازی محیط، داده‌گذاری، اجرای تست، عیب‌یابی و ثبت خودکار باگ را هماهنگ می‌کنند و با اتصال به CI/CD و ابزارهای رهگیری، پوشش و ریسک را به‌صورت پیوسته بهبود می‌دهند. طرح پیشنهادی بر معماری مرجع با کانکتورها، پایگاه دانش مشترک و ریل‌های حاکمیتی تمرکز دارد و بر ارزیابی خروجی‌های AI، human-in-the-loop، بازتولیدپذیری و حفظ حریم داده تأکید می‌کند. چالش‌هایی مانند هالوسینیشن، تعیین‌پذیری، هزینه و امنیت با تکیه بر گراند کردن مدل در منابع معتبر، خروجی‌های ساختاریافته و سنجش ROI مدیریت می‌شوند. به‌گفته Sam Treweek مسیر عملی از موارد استفاده محدود مانند انتخاب رگرسیون هوشمند، تشخیص تست‌های flaky و نگهداری خودترمیم‌کننده آغاز می‌شود و با بلوغ ابزارها و حاکمیت گسترش می‌یابد.

#QA #SoftwareTesting #LLM #AIinTesting #TestAutomation #QualityEngineering #CICD

🟣لینک مقاله:
https://cur.at/ONc5Qkn?m=web

➖➖➖➖➖➖➖➖
👑 @software_Labdon