Интенсив для Manual QA

QA AI Upgrade
Автоматизация
тестирования с AI

За 3 недели пройдёшь путь от ручного тест-кейса до автотеста, который запускается в GitHub Actions. Будешь работать с AI на каждом этапе и проверять его решения.За 3 недели напишешь с AI автотест на Python, проверишь код и настроишь запуск в GitHub Actions.

Для первого пилотного потока действует скидка

  • 3 неделипрактического интенсива
  • 6 занятийвживую с преподавателем
  • 2 разав неделю встречаемся онлайн
  • 1 проектс автотестами и запуском в CI/CD
Инструменты курса
Твой стек после курса
Claude CodeOpenAI CodexPythonpytestPlaywrightGitHubGitHub ActionsPostmanSwagger / OpenAPI
Для ручных тестировщиков

Где AI пригодится в твоей работе

Когда меняются требования, приходится заново проходить чек-лист и решать, что ещё проверить. На интенсиве ты научишься поручать AI первый разбор и проверять его выводы как тестировщик.

Знакомая задачаЧто ты сможешь сделать
  • Требования обновили перед релизомСопоставишь новую версию с чек-листом и найдёшь проверки, которые нужно изменить или добавить.
  • AI выдал длинный список тест-кейсовУберёшь дубли, проверишь граничные значения и заметишь сценарии, которые AI упустил.
  • API вернул 200, но в приложении пропали данныеСверишь JSON со спецификацией, найдёшь расхождение и приложишь к баг-репорту запрос и ответ.
  • Перед каждым релизом повторяешь одну проверку рукамиПеренесёшь её в автотест на Python. После изменения кода GitHub Actions запустит его снова и покажет результат.
Программа обучения

От анализа требований до первого автозапуска

Начнёшь со знакомого ручного тест-кейса. Когда дойдёшь до Python, у тебя уже будут шаги и ожидаемый результат. Останется перевести их в код и убедиться, что тест ловит ошибку.Начнёшь с ручного тест-кейса. Затем напишешь автотест на Python и проверишь, что он ловит ошибку.

Как проходят занятия
  • 6 встречдважды в неделю в течение трёх недель
  • На занятииразбираешь задачу и видишь, как меняется ответ AI, когда уточняешь требования
  • На практикезапускаешь проверку, читаешь ошибку и пробуешь исправление
  • Между встречамиприменяешь тот же приём в самостоятельном задании
Блок 1 из 5

AI в работе QA

Что разберём в блоке

  • Анализ требований
  • Чек-листы и тест-кейсы
  • Тестовые данные
  • Баг-репорты
  • Анализ логов и ошибок
  • Проверка и доработка результатов AI

РезультатСоберёшь чек-лист, в котором каждая проверка связана с требованием. Заметишь, если AI пропустил условие или придумал лишнее.

Блок 2 из 5

AI и тест-дизайн

Что разберём в блоке

  • Поиск пропущенных сценариев
  • Позитивные и негативные тест-кейсы
  • Граничные значения и редкие сценарии (edge cases)
  • Расширение тестового покрытия
  • Поиск дублей и лишних проверок

РезультатПолучишь набор сценариев для обычных, ошибочных и пограничных значений. Сможешь объяснить, какую ошибку ищет каждый из них.

Блок 3 из 5

AI в API-тестировании

Что разберём в блоке

  • Swagger / OpenAPI и Postman
  • Позитивные и негативные API-сценарии
  • Анализ JSON и кодов HTTP-ответа
  • Поиск причин ошибок
  • Подготовка дополнительных проверок

РезультатПо запросу и ответу определишь, какое поле или статус расходится со спецификацией. Сможешь воспроизвести проблему в Postman.

Блок 4 из 5

Автоматизация с AI

Что разберём в блоке

  • Работа с Claude Code и OpenAI Codex
  • Создание автотеста из тест-кейса на Python
  • pytest, Playwright и работа с локаторами
  • Поиск ошибок и отладка автотестов с AI
  • GitHub и автоматический запуск через GitHub Actions

РезультатЗапустишь свой автотест и прочитаешь сообщение о падении. Разберёшься, упал ли тест из-за поведения приложения, неверного локатора или ошибки в самом тесте.

Блок 5 из 5

Финальный QA AI-проект

Что разберём в блоке

  • От требований к тестовым сценариям
  • Проверка API и создание автотеста
  • Проект в GitHub
  • Автоматический запуск тестов
  • Безопасная работа с AI и рабочими данными

РезультатОткроешь свой репозиторий, покажешь автотест и его последний запуск в GitHub Actions. По результату объяснишь, какая проверка прошла или упала.

Блок 1 из 5
Финальный проект

Тест, который запускается сам

Соберёшь свой QA-проект с автотестами и автоматическим запуском. Ниже пример того, как может выглядеть одна проверка в таком проекте.

Пример задачи · корзина магазина

Скидка ровно от 1 000 ₽

По требованию магазин даёт 10% скидки при сумме заказа от 1 000 ₽. AI предложил проверить покупки на 900 и 1 100 ₽. Какую проверку добавишь?

Выбери сумму заказа

Проверь, учёл ли AI сам порог скидки.

Что войдёт в твой проект

От сценария до запуска в GitHub

  • Требования и тестовые сценарии с ожидаемыми результатами
  • API-проверки по спецификации
  • Автотест на Python с pytest и Playwright
  • Репозиторий в GitHub и автоматический запуск в GitHub Actions

Отдельно разберём правила безопасной работы с AI и рабочими данными.

Результат для Manual QA

Что изменится в твоей работе

Меньше повторять руками

Настроишь автозапуск повторяющейся проверки. Пока она идёт, сможешь тестировать новую функцию.

Замечать ошибки до релиза

Сверишь сценарии от AI с требованиями и добавишь важную проверку, которую он упустил. Например, попробуешь пароль ровно из восьми символов.

Самому разбирать падения

Прочитаешь лог, найдёшь расхождение и проверишь гипотезу. Команде сможешь показать, на каком шаге сломался сценарий.

Показать, что умеешь, на собеседовании

Для вакансий, где совмещают ручные проверки и автотесты, у тебя будет свой пример в GitHub. Откроешь код и объяснишь, что проверяет тест и как он запускается.

Стоимость

Участие в QA AI Upgrade

Полная стоимость интенсива

50 000 ₽

  • 6 живых занятий за 3 недели
  • Разборы требований, тест-дизайна и API с AI
  • Практика по созданию и отладке автотестов
  • Свой проект в GitHub с автоматическим запуском
Первый поток

Для участников пилота действует скидка

Узнай стоимость со скидкой и расписание шести встреч, чтобы решить, подходит ли тебе этот поток.

Узнать цену и расписаниеНаписать менеджеру в Telegram
Вопросы

Что важно знать до старта

Я тестирую вручную и мало пишу на Python. Смогу начать?

Отправная точка курса знакома ручному QA: прочитать требование, описать шаги и определить ожидаемый результат. К Python переходим на этапе автоматизации. Расскажи, писал ли ты тесты раньше, и команда поможет оценить, подойдёт ли тебе темп интенсива. Обсудить мой уровень

Что я смогу применять, пока работаю в Manual QA?

Начни с ближайшей задачи: попроси AI составить черновик чек-листа, сверь его с требованиями и добавь пропущенные границы. Тот же подход пригодится, когда нужно подобрать тестовые данные, разобрать лог или описать воспроизводимую ошибку.

Как работать с AI, если в задачах есть данные компании?

В программе есть правила работы с данными. Например, для разбора ошибки можно составить учебный JSON с той же структурой и вымышленными значениями. Для рабочих задач учитывай, какие данные и AI-сервисы разрешены в твоей команде.

Чем интенсив отличается от курса «AQA Python»?

QA AI Upgrade длится 3 недели. Здесь ты применяешь AI на разных этапах тестирования и доводишь свой первый автотест до запуска в CI/CD.

AQA Python длится 10 недель. Подойдёт, если хочешь последовательно изучить сам Python, от условий и функций до классов, а затем писать тесты для API и браузера. Посмотреть программу AQA Python

Как совместить занятия с работой?

Две живые встречи в неделю плюс задания между ними. До записи можно уточнить время занятий, нагрузку на самостоятельную работу и порядок действий при пропуске. Уточнить график и нагрузку

Понадобятся ли платные подписки?

В программе есть Claude Code и OpenAI Codex. Условия доступа к ним для пилотного потока можно уточнить до оплаты. Уточнить расходы на инструменты

Пилотный поток

Узнай цену и расписание

Оставь контакт, чтобы уточнить стоимость со скидкой и время занятий.

Написать менеджеру в Telegram