Skills i agenci AI w pracy QA Automation

Dlaczego warto

Większość zespołów QA, które „wdrożyły AI”, tak naprawdę wdrożyły dostęp do czatu. Każdy tester rozmawia z modelem na własną rękę, wyniki są jednorazowe, nie ma powtarzalności, nie ma kontroli jakości, nie ma governance. To działa na poziomie indywidualnym, ale nie skaluje się na poziomie zespołu i organizacji.

Następny krok to przejście od rozmowy do systemu:

• Skills — wyspecjalizowane, przetestowane instrukcje, które dają przewidywalne wyniki dla określonego typu zadania.
• Agenci — skonfigurowane instancje AI, które działają według zdefiniowanych reguł, z określonymi granicami i mechanizmami kontroli.
• Workflow — połączenia skilli i agentów w procesy, które można wdrożyć w zespole i mierzyć ich efektywność.

To szkolenie uczy, jak zaprojektować i wdrożyć takie mechanizmy w realiach pracy zespołu QA Automation — z uwzględnieniem bezpieczeństwa, governance i realistycznych ograniczeń.

Czego się nauczysz

Po ukończeniu szkolenia uczestnik będzie potrafił:

1. Wyjaśnić, czym są skills i agenci AI w kontekście QA i kiedy mają sens (a kiedy nie).
2. Zaprojektować skill QA: zdefiniować cel, wejścia, wyjścia, ograniczenia i kryteria jakości.
3. Zbudować działające skille do: analizy błędów, generowania testów, review kodu testowego, walidacji wymagań.
4. Napisać AGENTS.md i instrukcje systemowe definiujące zachowanie agenta AI w projekcie testowym.
5. Zaprojektować workflow QA łączący wiele skilli w spójny proces.
6. Zdefiniować granice odpowiedzialności agenta: co agent może robić autonomicznie, a co wymaga weryfikacji człowieka.
7. Wdrożyć mechanizmy governance: kontrola jakości wyników, audyt, wersjonowanie, feedback loop.
8. Ocenić gotowość zespołu i organizacji do wdrożenia agentów AI w procesy QA.

Certyfikat i egzamin

Uczestnicy otrzymują imienny certyfikat ukończenia szkolenia.
Szkolenie nie kończy się egzaminem zewnętrznym.
Opcjonalnie: uczestnicy mogą przygotować projekt zaliczeniowy
(zaprojektowany skill + AGENTS.md) do peer-review z trenerem po szkoleniu.

Dla kogo

Szkolenie jest przeznaczone dla doświadczonych specjalistów QA i architektów testowych, którzy chcą przejść od używania AI ad hoc do budowania systemów:

• Senior Automation QA / SDET — osoby z wieloletnim doświadczeniem w automatyzacji, gotowe do projektowania mechanizmów AI
• Architekci testów (Test Architects) — odpowiedzialni za strategię i narzędzia testowe w organizacji
• QA Tech Leadzi — prowadzący zespoły techniczne i szukający sposobów na skalowanie AI w zespole
• QA Managerowie z zapleczem technicznym — podejmujący decyzje o wdrożeniu AI w procesach QA

To jest szkolenie dla osób, które już używają AI w pracy z kodem i chcą zbudować z tego system, nie zbiór indywidualnych praktyk. Wymagane jest doświadczenie w automatyzacji testów i swobodna praca z kodem.

Zakres szkolenia

Dzień 1: Skills — od promptu do powtarzalnego mechanizmu

Cel dnia: Zrozumieć koncepcję skilli AI i różnicę między promptem a skillem. Nauczyć się projektować, budować i testować skille QA. Stworzyć działające skille do kluczowych zadań testowych.

• Od promptu do skilla
  Czym jest skill: definicja, anatomia, różnica vs. zwykły prompt vs. szablon.
  Kiedy skill ma sens, a kiedy wystarczy prompt.
  Składniki skilla: cel, rola, kontekst, format, ograniczenia, przykłady, kryteria jakości.
  Cykl życia skilla: draft → test → iteracja → produkcja → utrzymanie.
  Demo: prompt ad hoc vs. skill — ten sam problem, różna powtarzalność i jakość.
• Projektowanie skilli QA
  Metodyka projektowania: identyfikacja zadania → analiza wejść/wyjść → zdefiniowanie ograniczeń → prototyp → test.
  Skille do typowych zadań QA: analiza błędów (stack trace → root cause + fix proposal), generowanie testów (user story → test cases z edge cases), review kodu testowego (kod → lista problemów + rekomendacje).
  Ćwiczenie: każdy uczestnik projektuje skill do jednego z 3 zadań.
  Dokumentacja według szablonu: cel, wejścia, wyjścia, ograniczenia, przykłady użycia.
• Budowanie i testowanie skilli
  Implementacja skilli: custom instructions, system prompts, szablony z zmiennymi.
  Testowanie skilli: jak sprawdzić czy skill działa poprawnie na różnych danych wejściowych.
  Iteracja: analiza wyników, identyfikacja słabych punktów, poprawa.
  Wersjonowanie skilli: jak śledzić zmiany i utrzymywać historię.
  Ćwiczenie: implementacja zaprojektowanego skilla.
  Testowanie na 3–5 różnych scenariuszach (w tym edge cases).
  Dokumentowanie wyników i iteracja.
• Biblioteka skilli i współdzielenie
  Struktura biblioteki skilli zespołu: kategorie, metadane, wersjonowanie.
  Format opisu: skill card (cel, właściciel, wejścia/wyjścia, znane ograniczenia, historia zmian).
  Proces wdrożenia: review, zatwierdzenie, publikacja.
  Integracja z narzędziami: Confluence, repo Git, Slack snippets.
  Ćwiczenie: każdy uczestnik finalizuje swój skill, tworzy skill card i prezentuje grupie.
  Peer-review: ocena skilla kolegi według kryteriów jakości.

Dzień 2: Agenci AI — workflow, AGENTS.md i governance

Cel dnia: Poznać koncepcję agentów AI i zaprojektować agentowy workflow QA. Napisać AGENTS.md i instrukcje systemowe. Zdefiniować granice odpowiedzialności i wdrożyć mechanizmy governance.

• Czym jest agent AI w kontekście QA
  Definicja: agent = skill + kontekst + reguły + granice.
  Różnica między skillem a agentem.
  Typy agentów: pełna autonomia vs. półautonomia vs. human-in-the-loop.
  Przykłady agentów QA: agent do triagu błędów, agent do review kodu, agent do analizy wyników testów.
  Realistyczne oczekiwania: co agent potrafi dziś, a co jest obietnicą na przyszłość.
  Demo: agent działający w terminalu (Claude Code) z AGENTS.md — analiza błędu i propozycja fixa.
• AGENTS.md i instrukcje systemowe
  Czym jest AGENTS.md: definicja zachowania agenta AI w kontekście repozytorium.
  Struktura: cel, rola, dostępne narzędzia, ograniczenia, konwencje projektu.
  Custom instructions vs. system prompts vs. AGENTS.md — kiedy co stosować.
  Dobre praktyki: jak pisać instrukcje, które działają powtarzalnie.
  Anti-patterns: zbyt ogólne, sprzeczne, zbyt restrykcyjne instrukcje.
  Ćwiczenie: napisanie AGENTS.md dla repozytorium szkoleniowego.
  Testowanie: czy agent zachowuje się zgodnie z instrukcją.
• Projektowanie workflow agentowego
  Workflow = połączenie skilli i agentów w proces.
  Przykładowe workflow QA: (1) triage błędu → analiza root cause → propozycja fixa → wygenerowanie testu regresyjnego, (2) nowy user story → analiza wymagań → generowanie TC → review → dane testowe.
  Granice odpowiedzialności: co agent robi sam, a co wymaga zatwierdzenia człowieka.
  Punkty kontroli: gdzie człowiek wchodzi w loop.
  Ćwiczenie: każdy uczestnik projektuje workflow do swojego kontekstu projektowego. Prezentacja i peer-review w grupie.
• Governance, bezpieczeństwo i kontrola jakości
  Governance AI w QA: kto jest właścicielem agenta, kto go konfiguruje, kto monitoruje wyniki.
  Kontrola jakości: jak mierzyć skuteczność skilla/agenta (precision, recall, false positive rate).
  Bezpieczeństwo: co agent może widzieć (dostęp do kodu, danych, środowisk).
  Polityka AI w zespole: co warto ustalić zanim wdrożymy agenta.
  Audyt i ślad: jak logować działania agenta i weryfikować wyniki.
  Ćwiczenie końcowe: uczestnik tworzy „kartę agenta” dla swojego workflow: cel, granice, mechanizmy kontroli, kryteria sukcesu, ryzyka. Prezentacja i dyskusja.
• Plan wdrożenia
  Wspólna refleksja: co jest gotowe do wdrożenia, a co wymaga dalszej pracy.
  Roadmapa: jak krok po kroku wdrażać skille i agentow w zespole.
  Zasoby do dalszej nauki i społeczności.

Wymagania sprzętowe

• Laptop z zainstalowanym środowiskiem deweloperskim (JDK 17+, Node.js 18+ lub Python 3.11+, IDE)
• Konto w narzędziu AI z dostępem do zaawansowanego modelu (ChatGPT Plus/Team, Claude Pro/Team, Gemini Advanced)
• Dostęp do Claude Code, Codex, Copilot CLI (lub inne narzędzie pozwalające na pracę pół autonomiczną)
• Git + konto na GitHub/GitLab
• Drugi ekran (zdecydowanie zalecany)

Uwaga: Trener udostępnia repozytorium szkoleniowe z przygotowanym projektem, szablonami AGENTS.md, przykładowymi skillami i scenariuszami. Uczestnicy mogą opcjonalnie pracować na własnym projekcie (po uzgodnieniu i anonimizacji).