线下面授安排
| 直播训练营 |
形式 |
| 大模型本地部署与 AI 应用管理平台 |
项目实战 |
| 基于 RAG 的 AI 业务知识库助理 |
项目实战 |
| ReACT 自动化智能体与工具开发体系 |
项目实战 |
| 人工智能的测试方法与评估指标 |
项目实战 |
| 业务测试用例生成智能体 |
项目实战 |
| Web/App/接口测试自动化智能体 |
项目实战 |
| AI 爬虫与知识图谱 |
项目实战 |
| 基于知识图谱的测试用例生成 |
项目实战 |
| 智能化测试落地经验分享（一）：AI测试应用探索 |
知名企业的智能化测试落地经验分享、架构、技术、流程、效果 |
| 智能化测试落地经验分享（二）：人工智能相关平台 |
知名企业的智能化测试落地经验分享、架构、技术、流程、效果 |
| 智能化测试落地经验分享（三）：大模型性能测试 |
知名企业的智能化测试落地经验分享、架构、技术、流程、效果 |
| 智能化测试落地经验分享（四）：AI驱动的软件研发效能提升方案 |
知名企业的智能化测试落地经验分享、架构、技术、流程、效果 |
大模型与智能体工作流体系
大模型 提示词工程 工具 智能体 工作流，掌握如何私有部署自己的大模型应用体系
L1. 大语言模型与私有部署
价值
本模块系统覆盖主流大语言模型的使用、部署与管理，帮助学员建立完整的大模型技术认知体系。
通过云端调用与本地私有化部署相结合的方式，使学员掌握不同模型在实际场景下的选型与落地方法。
课程结合 AI 应用平台与自动化工作流实践，培养学员将大模型应用到真实业务中的能力。
学习完成后，学员可具备基础的大模型部署、配置及 AI 应用开发能力，为后续 AI 工程与智能化方向发展奠定基础。
章节
| 章节 |
描述 |
标签 |
| openai chatgpt 大语言模型 |
chatgpt 模型体系 提示词 参数 调用方法 |
|
| 阿里 qwen 千问大模型 |
qwen 模型体系 提示词 参数 调用方法 |
|
| google gemini 大模型 |
gemini 模型体系 提示词 参数 调用方法 |
选学 |
| 大模型管理平台 Ollama |
量化模型介绍 本地部署方法 |
|
| llama 大模型私有部署 |
llama 模型下载 本地调用 |
|
| deepseek 大模型私有部署 |
deepseek 模型下载 本地调用 |
|
| 阿里 qwen 千问大模型私有部署 |
qwen 模型下载 本地调用 |
|
| 人工智能应用平台 Dify |
大模型配置 工具管理 知识库管理 ai 应用开发 |
|
| dify AI 聊天助理应用开发 |
大模型对接 参数配置 ai 对话提示词 |
|
| 人工智能应用平台 Coze |
字节跳动 coze studio |
|
| 自动化工作流平台 N8N |
N8N 的一键部署 启动 配置 工作流 智能体 |
|
| google gemma 大模型私有部署 |
gemma 模型下载 本地调用 |
选学 |
| hugging-face 大模型开发平台 |
模型体系 工具 |
选学 |
| 魔搭大模型管理平台 |
国内下载大模型的平台 模型体系 工具 |
选学 |
| 大语言模型微调 LLaMA-Factory |
模型微调 微调配置 |
选学 |
L2.大语言模型提示词工程
价值
本模块系统讲解大语言模型提示词工程的核心方法与推理模式，帮助学员理解模型推理逻辑与能力边界。
通过 ReAct、工具调用与自动推理等实践，使学员掌握构建可控、可复用提示词的能力。
课程进一步结合 RAG、GraphRAG 等检索增强技术，培养学员将外部知识有效引入大模型的工程化能力。
通过业务知识库助理的完整实战，使学员具备将提示词工程应用于真实业务场景的能力，为 AI 应用开发与智能系统构建打下基础。
章节
| 章节 |
描述 |
标签 |
| 提示词工程 |
大模型参数 提示词理解 提示词工程方法 |
|
| ReACT 推理模式 |
Thought Action Observation 提示词写法 |
|
| 使用工具的自动推理 |
工具使用提示词 工具函数定义 |
|
| 代码自动生成 |
生成代码 指定语言 |
选学 |
| 数据自动生成 |
生成数据 格式要求 |
选学 |
| 检索增强生成(RAG) |
RAG 提示词 上下文 提示词策略 |
|
| 微软 GraphRAG 框架 |
GraphRAG 体系 提示词 文档生成知识图谱 |
|
| 香港大学 LightRAG 系统 |
LightRAG 文档扫描 可视化 检索 |
|
| 业务知识库助理应用开发 |
知识库 文档上传分割 RAG 提示词 应用开发 |
|
L3. 智能体应用
价值
本模块系统讲解 AI 智能体的核心架构与工作机制，帮助学员理解智能体在复杂任务中的执行与协作方式。
通过 AI 工作流与 Agent 实战，培养学员将提示词、工具与推理过程组合成可执行智能体的能力。
课程结合 MCP 协议及 Web / App 自动化场景，使学员掌握自然语言驱动系统执行的工程实现方法。
学习完成后，学员将具备构建 Web、App 与接口自动化智能体的能力，为智能测试与智能化应用开发提供实践基础。
章节
| 章节 |
描述 |
| AI 工作流应用开发 |
工作流介绍 节点类型 流程编排 |
| 智能体 Agent 介绍 |
智能体核心要素 提示词工程 推理方法 记忆体 |
| AI 智能体应用开发 |
工具体系 智能体 ReAct 提示词工程 |
| mcp 协议介绍 |
mcp 协议 inspector 开发框架 |
| playwright mcp 工具 |
原理 关键工具 集成 自然语言驱动 web 执行 |
| browser-use 智能体 |
原理 应用 mcp 工具 集成 自然语言驱动 web 执行 |
| 腾讯 AppAgent 智能体 |
app 智能体介绍 腾讯 app appgent |
| 霍格沃兹 App 智能体 |
霍格沃兹 app 智能体原理 mcp 结合 adb 自动化 |
| 接口自动化智能体工具 |
swagger 自定义工具 |
L4. 智能体开发
价值
本模块聚焦智能体的工程化开发方法，系统讲解基于 Web、App 与接口自动化场景的智能体构建实践。
通过主流智能体开发框架的学习，使学员掌握提示词、工具、记忆体与工作流的结构化组织方式。
课程强调复杂智能体的上下文管理与能力组合，提升学员构建可扩展、可维护智能体系统的能力。
学习完成后，学员将具备独立开发多场景智能体应用的能力，为企业级智能测试与 AI 应用开发奠定技术基础。
章节
| 章节 |
描述 |
标签 |
| Web 自动化智能体 |
基于 Web 自动化框架的智能体 |
|
| App 自动化智能体 |
基于 App 自动化框架的智能体 |
|
| 接口自动化智能体 |
基于接口自动化框架的智能体 |
|
| Dify 插件开发体系 |
自定义工具 接口开发 swagger 规范 |
|
| 大模型开发框架 LangChain |
大模型 提示词 结构化输出 工具 技能 智能体 |
|
| 智能体开发框架 LangGraph |
工具 结构化输出 智能体 工作流 图式 Api 记忆体 |
|
| 复杂智能体开发框架 DeepAgents |
本地文件访问 上下文管理 命令执行 Skills |
|
| 测试用例生成智能体开发 |
langchain langgraph rag vectorstore embedding |
|
| 测试用例执行智能体开发 |
langchain langgraph mcp playwright |
|
L5. AI Agent 智能体方案
价值
本模块聚焦业界主流 AI Agent 智能体方案与平台实践，帮助学员理解智能体在真实业务与测试场景中的落地形态。
通过多模态智能体、自动编码智能体及云端智能体平台的学习，拓展学员对智能体应用边界的认知。
课程以平台化与方案化视角，培养学员进行智能体技术选型、架构设计与方案组合的能力。
学习完成后，学员将具备评估与落地 AI Agent 智能体解决方案的能力，为企业级智能测试与智能化系统建设提供参考与实践基础。
章节
| 章节 |
描述 |
标签 |
| midsence.js 智能体 |
多模态大模型 视觉识别 测试用例 断言 |
|
| MAgenticUI Web 智能体平台 |
大模型配置 浏览器环境配置 任务执行 mcp |
|
| Cursor 自动编码智能体 |
大模型 mcp 网站批量生成 |
|
| Codex 编码智能体 |
利用编码大模型实现自动代码生成、代码补全与任务式编程，构建自动化开发智能体 |
|
| agent-skills智能体技能 |
构建智能体技能库，通过模块化 Skill 设计扩展 Agent 能力，实现复杂任务自动化 |
|
| openclaw 开源智能助理平台 |
开源智能体自动化框架，通过多工具协作实现复杂任务执行与自动化操作 |
|
| 霍格沃兹爱测智能化测试平台 |
大模型 智能体 测试用例组织 测试报告 测试调度 |
|
人工智能应用开发体系
掌握大模型开发的基本框架，LangChain LangGraph 等框架，为后续打造自己的智能体夯实基础
L1. 大语言模型开发框架 LangChain
| 章节 |
描述 |
| 大语言模型应用开发框架 LangChain |
生态介绍 关键组件 快速应用 |
| LangChain 大模型调用 |
生成模型 对话模型 提示词 消息列表 输出 |
| LangChain 结构化输出 |
json pydantic 模型 |
| LangChain 工具调用 |
function/tool calling 工具定义调用 |
| LangChain 智能体 |
智能体流程 工具调用 输出解析 多步迭代 |
| LangChain 记忆 |
短期记忆 长期记忆 |
L2. RAG 应用开发框架
| 章节 |
描述 |
| 文档加载器 |
pdf word excel office 文档处理 网页 markdown |
| 文本分割器 |
html 分割 分割策略 |
| 嵌入模型与嵌入搜索 |
嵌入模型 嵌入检索 topk |
| 向量存储与语义检索体系 |
向量存储方案 语义检索支持 |
| 网页数据检索智能体 |
网页加载 文档分割 RAG 检索 |
| 代码检索智能体 |
代码读取 代码分割 RAG 检索 |
L3. 智能体 AI Agent 开发框架
| 章节 |
描述 |
标签 |
| AI 智能体开发框架 LangGraph |
langgraph 介绍 生态 快速开发 部署 |
|
| LangGraph 工作流体系 |
工作流 基于图的 api 功能 api 路由 |
|
| LangGraph 多智能体开发 |
自主规划 任务协同 路由 |
|
| LangGraph 记忆管理 |
短期记忆 长期记忆 |
|
| DeepAgent 框架 |
上下文管理 文件处理 网络请求 子智能体 |
|
L4. AI 应用平台开发框架
| 章节 |
描述 |
标签 |
| Web 自动化智能体框架开发 |
Web 自动化操作 控件树识别 推理 |
|
| app 自动化智能体框架开发 |
app 自动化操作 控件树识别 推理 |
|
| 接口自动化智能体框架开发 |
app 自动化操作 结构化识别 推理 |
|
L5. 自动化智能体开发
| 章节 |
描述 |
标签 |
| API 开发框架 FastAPI |
|
|
| 大模型前端开发框架 Gradio |
|
选学 |
| 数据交互应用开发框架 Streamlit |
|
选学 |
| 全栈开发框架 Flask |
|
选学 |
| 全栈开发框架 Dash |
|
选学 |
| 霍格沃兹爱测智能体平台 |
|
选学 |
智能化测试体系
测试用例生成智能体、测试用例执行智能体、业务知识图谱，利用 Ai 赋能软件测试
L1. 基于 RAG 的测试用例生成 AI 助理
价值
本模块围绕测试用例与自动化脚本的智能生成方法，系统讲解大模型在测试设计与实现中的应用方式。
通过覆盖手工测试、Web、App 及接口自动化场景，帮助学员掌握从业务理解到可执行脚本生成的完整流程。
课程强调用例结构化、脚本可维护性与工程化落地能力，提升测试效率与一致性。
学习完成后，学员可具备利用 AI 辅助完成测试用例设计与自动化脚本生成的能力，为智能测试体系建设提供核心支撑。
章节
| 章节 |
描述 |
| 手工测试用例生成 |
业务测试用例生成方法 |
| Web 自动化测试用例脚本生成 |
基于网页生成自动化测试用例 |
| App 自动化测试用例脚本生成 |
基于 app 界面生成自动化测试用例 |
| 接口自动化测试脚本生成 |
基于接口文档生成接口自动化用例 |
L2. 软件测试自动化框架
价值
本模块系统讲解软件测试自动化框架的设计思想与核心组成要素，帮助学员建立对自动化测试工程化体系的整体认知。
通过数据驱动与 Web、App、接口自动化的结合实践，使学员掌握可复用、可扩展测试框架的构建方法。
课程强调框架分层设计、数据解耦与维护性，提升自动化测试在真实项目中的落地能力。
学习完成后，学员将具备理解与参与自动化测试框架设计的能力，为测试开发与平台化测试工作打下基础。
章节
| 章节 |
描述 |
标签 |
| 数据驱动测试自动化框架 |
yaml 数据驱动 框架设计与封装 测试框架基本要素 |
选学 |
| web 测试自动化框架 |
数据驱动与 web 自动化结合 |
选学 |
| app 测试自动化框架 |
数据驱动与 app 自动化结合 |
选学 |
| 接口测试自动化框架 |
数据驱动与接口自动化结合 |
选学 |
L3. 软件测试自动化智能体
价值
本模块围绕软件测试自动化与 AI 智能体的深度结合，系统讲解基于 ReAct 推理模式的测试自动化智能体设计方法。
通过 Web、App 与接口三类核心测试场景，帮助学员理解如何将测试工具、断言逻辑与智能体推理过程有机结合。
课程强调测试执行的可解释性与可控性，提升智能体在自动化测试中的稳定性与工程可落地性。
学习完成后，学员将具备构建测试自动化智能体的能力，为智能测试平台与下一代测试体系奠定基础。
章节
| 章节 |
描述 |
| Web 测试自动化智能体 |
ReAct 智能体 Web 自动化工具 断言 |
| app 测试自动化智能体 |
ReAct 智能体 App 自动化工具 断言 |
| 接口测试自动化智能体 |
ReAct 智能体 接口自动化工具 断言 |
L4.专项测试智能体
价值
本模块聚焦测试专项能力与 AI 智能体的深度融合，系统讲解性能、安全、代码质量等方向的智能化测试方案。
通过基于 ReAct 推理模式的专项测试智能体实践，帮助学员掌握将专业测试工具封装为可自动推理与执行的智能体能力。
课程强调测试结果分析、缺陷定位与问题溯源的工程化落地，提升测试效率与问题发现深度。
学习完成后，学员将具备构建多类型专项测试智能体的能力，为企业级质量保障与智能测试体系建设提供技术支撑。
章节
| 章节 |
描述 |
| 性能测试智能体 |
性能测试工具封装 ReAct 智能体 |
| 安全测试智能体 |
安全测试工具封装 ReAct 智能体 |
| 代码静态测试智能体 |
代码静态测试工具 ReAct 智能体 |
| 代码动态测试智能体 |
代码动态测试工具 ReAct 智能体 |
| 代码评审智能体 |
代码评审工具 ReAct 智能体 |
| 用户端性能分析智能体 |
web 性能分析 playwright mcp |
| 智能遍历测试智能体 |
智能探索 智能遍历 智能体 |
| 缺陷溯源智能体 |
ReAct 智能体 服务器日志工具 代码分析工具 |
L5.被测系统领域建模与知识图谱
价值
本模块围绕业务知识图谱在测试智能化中的应用，系统讲解知识建模、模型驱动测试与用例生成方法。
通过 GraphRAG 与模型驱动测试框架实践，帮助学员理解如何将业务知识转化为可执行的测试模型。
课程强调测试模型与业务语义的一致性，提升测试用例生成的系统性与可覆盖性。
学习完成后，学员将具备基于业务知识图谱开展模型驱动测试与智能用例生成的能力，为复杂系统测试提供高阶解决方案。
章节
| 章节 |
描述 |
标签 |
| 知识图谱介绍 |
spo neo4j cypher memgraph |
|
| neo4j 图数据库 |
neo4j cypher |
|
| memgraph 图数据库 |
memgraph opencypher |
|
| 知识图谱查询语言 |
cypher opencypher |
|
| 知识图谱编程 |
pyneo neo4j ogm gql |
|
| 被测系统的业务知识图谱构建 |
爬虫 图谱结构定义 图谱保存 |
|
| 智能探索遍历测试 |
核心逻辑 图谱结构定义 |
|
| GraphRAG 测试智能体 |
知识图谱 用例生成算法 |
|
| 模型驱动测试体系介绍 |
模型驱动测试 领域建模 映射 用例生成 |
选学 |
| 模型驱动测试框架 altwalker |
基于 python 的模型驱动测试实践 |
选学 |
| 模型驱动测试框架 graphwalker |
基于 java 的模型驱动测试实践 |
选学 |
人工智能产品测试
L1.人工智能概念基础
价值
本模块系统讲解人工智能与机器学习的基础概念，帮助学员建立对智能系统工作原理的正确认知。
通过特征、模型与典型算法的讲解，使学员理解数据如何转化为可计算、可决策的模型结果。
课程结合信用卡反欺诈与推荐系统等真实业务案例，强化理论与实际场景的联系。
学习完成后，学员将具备理解和分析 AI 系统基本逻辑的能力，为后续大模型、智能体与智能测试相关内容打下理论基础。
章节
| 章节 |
描述 |
| 机器学习概念介绍 |
专家系统与机器学习的概念 |
| 特征的概念 |
特征概念 离散与连续 |
| 模型介绍 |
特征 权重 数据类型 |
| 逻辑回归的介绍 |
逻辑回归 概念 示例 |
| 参数与超参数 |
参数 超参数 mini batch 梯度下降 |
| 信用卡反欺诈案例 |
信用卡反欺诈详解 相关技术 |
| 推荐系统详解 |
推荐系统案例 技术体解读 |
L2.人工智能系统架构
价值
本模块系统讲解人工智能系统的整体架构与关键组成部分，帮助学员理解 AI 系统在工程层面的运行方式。
通过人工智能与大数据、云计算及边缘计算的结合分析，使学员掌握不同计算架构在 AI 场景中的作用与取舍。
课程重点介绍数据闭环与模型持续学习机制，强化对数据质量与模型演进的工程认知。
学习完成后，学员将具备分析与理解复杂 AI 系统架构的能力，为 AI 应用设计、测试与运维奠定基础。
章节
| 章节 |
描述 |
| 人工智能与大数据 |
人工智能与大数据有着何种关系 大数据模块作用 |
| 人工智能中的云计算与边缘计算 |
讲解云计算与边缘计算在人工智能场景中的设计 |
| 自学习与数据闭环 |
自学习 数据质量 构建数据闭环 数据质量监控。 |
| 模型的实时训练与更新（迁移学习） |
parameter server，实时训练与迁移学习 |
L3.数据质量
价值
本模块系统讲解数据在人工智能系统中的核心作用，帮助学员建立对训练集、验证集与测试集的正确认知。
通过数据采集、数据分布与性能差异的分析，使学员理解数据质量对模型效果的直接影响。
课程结合数据质量保障方法与工具实践，强化数据评估与验证的工程能力。
学习完成后，学员将具备分析与保障数据质量的能力，为模型训练、评测与智能系统测试提供可靠数据基础。
章节
| 章节 |
描述 |
| 数据的重要性：训练集，验证集，测试集 |
数据集使用场景 拆分 |
| 选取数据的注意点 |
讲解采集数据集时的注意事项。 |
| 详解数据分布带来的性能差异 |
从原理上讲解应该如何设计性能测试场景 |
| 数据质量保证 |
讲解如何使用 spark 技术验证数据质量 |
L4.计算机视觉
价值
本模块系统讲解计算机视觉的核心原理与典型应用场景，帮助学员理解视觉类智能系统的技术基础。
通过神经网络、卷积神经网络及目标检测等内容，使学员掌握视觉模型的基本工作机制与评测思路。
课程结合 OCR 与边缘计算场景，强化对实际业务落地与测试指标的理解。
学习完成后，学员将具备分析与测试计算机视觉系统的能力，为视觉类 AI 应用与智能测试奠定基础。
章节
| 章节 |
描述 |
| 神经网络与深度学习 |
神经网络的概念，它与深度学习是什么关系 |
| 图像处理与卷积神经网络 |
卷积神经网络的概念， 它与普通的神经网络有何不同。 |
| 目标检测 |
讲解常见的计算机视觉的业务场景，计算原理和测试指标。 |
| OCR |
讲解 OCR 的业务场景，实现原理和测试指标。 |
| 再提边缘计算 |
讲解计算机视觉场景下的边缘计算与测试场景。 |
| 大模型（选修） |
介绍大模型的原理以及测试方法。 |
L5.大模型测评与测试
价值
本模块系统讲解大模型及相关 AI 系统的测评与测试方法，帮助学员建立对模型效果与系统质量的量化认知。
通过覆盖文本生成、RAG、多模态与智能体等典型场景，使学员掌握不同 AI 系统的评测指标与评测框架。
课程强调评测数据集构建、结果分析与评测报告输出，提升 AI 系统测试的工程化与规范化能力。
学习完成后，学员将具备独立开展大模型与智能系统测评的能力，为 AI 产品质量评估与安全保障提供技术支撑。
章节
| 章节 |
描述 |
| 大语言模型测评体系 |
评测数据集管理 大模型评测指标 大模型评测框架 |
| 文本生成系统测评 |
文本模型数据集 文本模型评测指标 文本模型评测框架 |
| RAG 相关系统测评 |
RAG 评测数据集 评测指标 评测框架 |
| 多模态大模型系统测评 |
图像测评数据集 评测指标 评测框架 |
| 智能体系统的测评 |
智能体测评方法 测评框架 测评报告 |
| Ai 系统安全测评 |
安全性 鲁棒性 评测框架 评测报告 |
多模态大模型与 AIGC
L1. 多模态大模型
| 章节 |
描述 |
标签 |
| 语音识别模型 |
Whisper 模型介绍 编程调用 |
选学 |
| 多模态大模型 qwen-vl |
图像识别 位置 分类 |
|
| 文生图大模型 |
Dall-E Sora 图像生成 图像修改 |
选学 |
| 文生视频大模型 |
可灵 混元 万相 |
选学 |
| 图生视频大模型 |
|
选学 |
L2. 视觉识别应用
| 章节 |
描述 |
标签 |
| 视频工作流 comfyui |
视觉大模型 节点 工作流 |
|
| 多模态大模型提示词 |
提示词 风格 角色 |
|
| 图像处理工具 opencv |
图像处理 灰度化 |
|
| 视频处理工具 ffmpeg |
视觉分析 拆帧 音频处理 视频处理 |
|
| 视频处理工具 moviepy |
视频处理 多媒体处理 视频剪切 组合 |
|
L3. AIGC 智能体
| 章节 |
描述 |
标签 |
| 办公自动化智能体 |
电脑操作 |
选学 |
| 图文文章生成智能体 |
文生图 图片搜索结合智能体 |
选学 |
| 流程图生成智能体 |
plantuml 图表生成 |
选学 |
| 短视频生成智能体 |
moviepy 视频剪辑工具封装 |
选学 |
L4. 多模态大模型私有部署
| 章节 |
描述 |
标签 |
| 文生图大模型 Stable Diffusion 部署 |
项目介绍 环境 部署 测试 |
选学 |
| 文生图大模型 Flux 部署 |
项目介绍 环境 部署 测试 |
选学 |
| 文生图大模型 CogView 部署 |
项目介绍 环境 部署 测试 |
选学 |
| 文生视频大模型部署 |
项目介绍 环境 部署 测试 |
选学 |
| 图生视频大模型部署 |
项目介绍 环境 部署 测试 |
选学 |
L5. AIGC 解决方案
| 章节 |
描述 |
标签 |
| VideoLingo 多语言视频翻译系统 |
外文视频下载 翻译 配音 |
|
| Dify 视频处理工作流 |
视频处理 分层处理 合并 |
|
视觉与图像识别自动化测试
L1.人工智能在音频、视觉、多模态领域的应用
| 章节 |
描述 |
|
| ocr 识别模型 |
ocr 识别原理 常见工具 使用 |
|
| 视觉识别模型 yolo |
图像识别 图像分割 |
|
| transformers 视觉识别应用开发 |
视觉识别 图形分类 多模态大模型 |
|
| 视觉处理框架 opencv |
图像处理 灰度化 |
|
L2.视觉识别在自动化测试中的应用
| 章节 |
描述 |
| 基于视觉模型的目标检测技术在自动化测试中的应用 |
视觉模型、图像目标检测、自动化测试、图片内容断言 |
| 基于图片的可视化测试技术在自动化测试中的应用 |
图像对比、基于图片的功能测试、可视化测试、APP 自动化测试 |
| 基于 OCR 识别方法的自动化测试 |
ocr 识别 调用 自动化集成 |
| Airtest 游戏自动化测试框架 |
图像识别、游戏测试、POCO |
L3.计算机视觉
| 章节 |
描述 |
| 当前 UI 自动化测试技术概览及瓶颈分析 |
常见 UI 自动化框架工具及技术原理，前端 UI 自动化面临瓶颈点讲解：可测性、维护成本、场景理解、召回能力 |
| 基于传统的视觉 CV 处理技术 |
软件工程视角，解读基于传统视觉算法的 CV 技术，包括边缘检测、霍夫曼直线检测、模版匹配、SIFT 尺度不变特征变换检测、图像金字塔模型 |
| 基于机器学习的视觉 CV 处理技术 |
软件工程视角，解读基于深度卷积神经网络的视觉应用场景，图像聚类、图像去噪、目标检测、图像分割 |
L4.UI 视觉分析服务
| 章节 |
描述 |
| UI 页面理解技术介绍 |
为什么要做基于视觉的页面理解技术？UI 页面结构树逆向解析是解决传统自动化瓶颈的关键技术之一。进一步讲解页面理解技术原理。 |
| UI 页面结构树之逆向解析技术 |
介绍页面结构树逆向技术的设计思路和关键步骤，基础切分、属性判断、区域划分、结果封装。 |
| UI 页面理解技术之服务化 |
介绍使用 Python Opencv 搭建 UI 视觉分析程序服务的设计思路，包括服务架构、出入参统一设计，入参多类型、多数量图片下载支持、插件机制等。 |
L5.UI 和自动化结合的案例实践
| 章节 |
描述 |
| 【可测性】基于无监督深度特征的视觉识别技术 |
PyTorch 构建模型，实现无监督的模版匹配技术。 |
| 【场景理解】视觉场景案例之响应时间分析和弹窗检测 |
构建响应时间性能测试解决方案，使用 TensorFlow 完成（弹窗截图）目标检测模型和分类模型的应用，模型推理加速技术尝试。 |
| 【召回技术】视觉召回技术之有参照 UIDiff 检测技术 |
兼容机型下的 App 页面的智能视觉 Diff 检查解决方案，在自研数据集下进行验证有效性。 |
| 【召回技术】视觉召回技术之无参照模型预测技术 |
基于历史数据构建数据集，使用 Pytorch 构建异常页面、元素检测模型，实现异常元素的召回及可视化。 |
| 【综合案例】基于深度学习的遍历动作推荐实践 |
基于开源 RICO 数据集，使用 TensorFlow 和 Keras 构建深度学习网络模型，对时序 App 页面截图进行动作推荐预测，实现拟人化的智能遍历。 |
赠课
| 课程 |
描述 |
| 深度学习应用 |
神经网络基础与经典模型，聚焦计算机视觉、自然语言处理等领域的深度学习算法 |
| Python 编程语言 |
从基础语法到高阶应用 |
| Docker 容器技术 |
镜像、容器核心操作与Docker Compose工具 |
| 用户端 Web 自动化测试 |
基于 Selenium、讲解 Web 端元素定位、用例设计，实现 Web 测试流程自动化提效。 |