Zbuduj własnego agenta: lokalny model, wiedza projektu, RAG i agentowe workflow w praktyce.

Nowość
AGENTY AI LLM ORKIESTRACJA RAG

Agent AI dla testera

Zbudujesz własnego agenta AI wspierającego analizę wymagań, projektowanie testów, analizę defektów i pracę z wiedzą projektową.
Połączysz referencyjne środowisko do budowy agentów z lokalnym modelem LLM i zobaczysz, jak to samo podejście przenieść na inne modele oraz rozwiązania chmurowe.
Poznasz RAG, embedding i, fragmentowanie dokumentów i wyszukiwanie semantyczne, dzięki czemu agent będzie mógł korzystać z kontrolowanej bazy wiedzy projektu.
Rozwiniesz prostego asystenta o pamięć, reguły, narzędzia i kontrolowane działania, ucząc się jednocześnie oceniać jakość jego odpowiedzi, źródła i ograniczenia.
Po szkoleniu będziesz potrafić samodzielnie zbudować, przetestować i bezpiecznie wykorzystywać agenta AI jako wsparcie testera, bez przenoszenia na niego odpowiedzialności za decyzje i jakość.
liczba dni: 2
godziny szkolenia:
formuła: online na żywo / stacjonarna
język materiałów: polski
dla kogo: tester / QA / analityk QA / lider zespołu

Cel nauczania

Celem szkolenia jest praktyczne przygotowanie uczestników do projektowania, budowania, testowania i bezpiecznego wykorzystywania agentów AI wspierających codzienną pracę testera. Program prowadzi od zrozumienia architektury agenta, przez uruchomienie i integrację modelu językowego oraz przygotowanie bazy wiedzy, aż po budowę działającego rozwiązania realizującego konkretne zadania kontroli i zapewnienia jakości.


Uczestnicy poznają kluczowe elementy architektury agenta: instrukcję systemową, model, kontekst, pamięć, bazę wiedzy, mechanizm wyszukiwania informacji, narzędzia oraz kontrolę wyniku. Podstawowy wariant warsztatowy wykorzystuje model lokalny i referencyjne środowisko do budowy agentów, jednak omawiane podejście pozostaje niezależne od konkretnej platformy. Uczestnicy poznają również możliwość wykorzystania innych modeli lokalnych i chmurowych oraz kryteria ich wyboru, takie jak jakość odpowiedzi, prywatność, koszt, wydajność i możliwości integracji.


Istotnym elementem szkolenia jest praca z wiedzą projektową w podejściu RAG. Uczestnicy nauczą się przygotowywać wymagania, przypadki testowe, listy kontrolne, raporty i inne artefakty zapewnienia jakości, a następnie wykorzystywać fragmentowanie dokumentów, reprezentacje wektorowe i wyszukiwanie semantyczne do budowy odpowiedzi opartych na źródłach. Agent będzie wspierał m.in. projektowanie testów, analizę defektów i logów, wyszukiwanie informacji oraz podsumowywanie sesji eksploracyjnych.


Szkolenie kładzie również nacisk na kontrolę jakości i bezpieczeństwo: weryfikowanie źródeł, oddzielanie faktów od założeń modelu, ocenę zachowania przy braku danych, ochronę informacji, ograniczanie uprawnień i human-in-the-loop. Uczestnicy nauczą się traktować agenta jak element systemu podlegający testowaniu i dobierać poziom jego autonomii do rodzaju zadania i ryzyka. Celem nie jest stworzenie „magicznego” bota, lecz zrozumienie, jak budować rozwiązania, których działanie można kontrolować, oceniać i bezpiecznie wykorzystywać w procesie dostarczania jakości.
 

Zakres tematyczny

Przejdziesz od uruchomienia własnego modelu i pierwszego asystenta kontroli i zapewnienia jakości do agenta korzystającego z wiedzy projektowej i narzędzi. Każdy etap szkolenia kończy się praktycznym sprawdzeniem działania oraz oceną, czy odpowiedź agenta jest właściwa w kontekście dostarczonych danych. AI jest w szkoleniu narzędziem wspierającym decyzje testera, a nie źródłem gotowych odpowiedzi.

Agenda szkolenia

  • Agent AI w pracy testera
    • Różnice między modelem językowym, chatbotem, asystentem, workflow i agentem oraz zadania testera, które warto wspierać AI
    • Przykładowy dzień pracy z agentem: analiza wymagania, projektowanie testów, wyszukiwanie informacji, analiza błędu i podsumowanie sesji eksploracyjnej
  • Modele lokalne i chmurowe – świadomy wybór
    • Porównanie modeli uruchamianych lokalnie z usługami chmurowymi pod kątem jakości, prywatności, kosztu, dostępności, wydajności i wymagań sprzętowych
    • Środowisko uruchamiania modeli lokalnych i dobór modelu warsztatowego do możliwości komputera
  • Konfiguracja środowiska
    • Uruchamianie lokalnego modelu i łączenie go z dostawcą modelu wykorzystywanego przez aplikację AI
    • Budowa pierwszego prostego asystenta kontroli i zapewnienia jakości oraz sprawdzenie przepływu: polecenie – model – odpowiedź – weryfikacja
  • Instrukcja agenta, kontekst i pamięć
    • Przygotowanie roli agenta, zasad odpowiedzi, formatu rezultatu i kryteriów odmowy zgadywania zamiast opierania działania na pojedynczych, przypadkowych promptach
    • Wpływ kontekstu rozmowy i pamięci na kolejne odpowiedzi oraz sytuacje, w których przechowywanie historii pomaga lub wprowadza ryzyko
  • Wiedza projektowa i podstawy RAG
    • Rola dokumentów, embeddingów, dzielenia treści na fragmenty, bazy wektorowej, retrievalu i generowania odpowiedzi na podstawie znalezionego kontekstu
    • Budowa bazy wiedzy z przykładowych wymagań, przypadków testowych, checklist i eksportów danych oraz weryfikacja, czy agent potrafi wskazać źródło odpowiedzi
  • Warsztat: agent znający projekt
    • Przygotowanie agenta odpowiadającego na pytania o wymagania i istniejące testy oraz wykrywającego brak informacji zamiast dopowiadania nieistniejących faktów
    • Porównanie odpowiedzi bez RAG i z RAG oraz ocena, czy problem wynika z modelu, wyszukania niewłaściwego fragmentu czy jakości dokumentacji
  • Generowanie i przegląd artefaktów testowych
    • Wykorzystanie agenta do przygotowania szkicu przypadków testowych na podstawie historyjki użytkownika i kryteriów akceptacji, z rozdzieleniem wymagań od założeń modelu
    • Generowanie checklist regresyjnych, danych testowych, raportów i podsumowań z zachowaniem określonej struktury oraz obowiązkowego przeglądu rezultatów
  • Agent jako analityk informacji testowych
    • Analiza chaotycznego zgłoszenia błędu, logu lub notatek z sesji eksploracyjnej i przygotowanie uporządkowanego wyniku: obserwacje, brakujące dane, hipotezy i dalsze kroki
    • Wykorzystanie bazy wiedzy do wyszukiwania powiązanych przypadków testowych, wymagań i wcześniejszych informacji bez ręcznego przeglądania wielu plików
  • Workflow agentowy – od odpowiedzi do procesu
    • Budowa przepływu obejmującego wejście użytkownika, warunki, wyszukanie wiedzy, wywołanie modelu, walidację i formatowanie rezultatu
    • Różnice między przewidywalnym workflow a agentem samodzielnie wybierającym kolejne działania oraz dobór właściwego podejścia do poziomu ryzyka
  • Narzędzia, integracje i kontrolowane działania
    • Możliwości wykorzystania przez agenta narzędzi, wtyczek i API, np. do pobierania danych lub przygotowania działania w zewnętrznym systemie
    • Zasada najmniejszych uprawnień, potwierdzanie operacji przez człowieka oraz rola MCP jako sposobu udostępniania agentom kontrolowanych narzędzi i kontekstu
  • Jak testować własnego agenta
    • Przygotowanie zestawu pytań referencyjnych i weryfikacja trafności odpowiedzi, poprawności źródeł, stabilności, zachowania przy braku danych i odporności na błędny kontekst
    • Przypadki negatywne: halucynacje, sprzeczne dokumenty, nieaktualne dane, prompt injection w dokumencie oraz próby wykonania działania bez odpowiedniego potwierdzenia
  • Warsztat końcowy: własny Agent AI dla testera
    • Budowa mini-projektu agenta realizującego wybrany proces, np. analizę wymagania i generowanie testów, przegląd regresji, analizę defektu lub podsumowanie sesji eksploracyjnej
    • Definiowanie źródeł wiedzy, instrukcji, kryteriów poprawności, ograniczeń, zasad bezpieczeństwa i planu dalszego rozwoju rozwiązania w realnym projekcie

Metody nauczania i formuła szkolenia

Będziesz uczyć się przez budowanie działającego rozwiązania. Każdy blok zaczyna się krótkim wprowadzeniem i demonstracją, po czym przechodzisz do konfiguracji, ćwiczenia oraz wspólnej analizy wyniku.


Pracujesz na materiałach zbliżonych do realnych produktów projektowych: wymaganiach, przypadkach testowych, listach kontrolnych, eksportach źródeł do CSV, opisach defektów, logach czy notatkach z eksploracji. Zobaczysz, jak te same dane zachowują się w prostym czacie, w systemie RAG i w workflow agentowym.


Główne  środowisko warsztatowe określamy bazując na najbardziej dostępnym, otwartym i bezpiecznym rozwiązaniu na rynku. Może się ono zmieniać w czasie.
Wdrażana jest procedura, w ramach której każdy wynik agenta jest oceniany z założeniem, że może się mylić. Sprawdzasz więc źródła, porównujesz odpowiedź z wymaganiami, testujesz przypadki negatywne i uczysz się rozpoznawać sytuacje, w których automatyczny agent  pomaga, ale nie może podejmować decyzji samodzielnie.

Co dostajesz w kursie

Element Opis
Kurs na żywo Dwa dni warsztatów z trenerem-praktykiem obejmujące demonstracje, konfigurację środowiska, ćwiczenia praktyczne oraz bieżącą analizę i omawianie wyników.
Materiały szkoleniowe Prezentacja, instrukcje do ćwiczeń, przykładowe dokumenty projektowe oraz opis architektury agenta AI wspierającego proces zapewnienia jakości.
Instrukcja instalacji środowiska Kroki instalacji i konfiguracji lokalnego modelu, integracji z referencyjnym środowiskiem do budowy aplikacji i agentów AI oraz uruchomienia pierwszego rozwiązania zapewnienia jakości.
Materiały do budowy bazy wiedzy RAG Przykładowe wymagania, przypadki testowe, listy kontrolne, opisy defektów, raporty oraz dane szkoleniowe umożliwiające przygotowanie i przetestowanie własnej bazy wiedzy.
Szablony agentów i przepływów pracy Przykładowe instrukcje systemowe, schematy przepływów, struktury wejścia i wyniku oraz wzorce kontroli rezultatów dla typowych zadań testera.
Zestaw promptów Przykłady i wzorce promptów do analizy wymagań, projektowania testów, regresji, analizy defektów i logów oraz podsumowywania sesji eksploracyjnych, wraz ze wskazówkami dotyczącymi ich dostosowywania do własnego kontekstu.
Lista kontrolna testowania agenta Zestaw kryteriów do oceny jakości odpowiedzi, działania RAG, poprawności źródeł, zachowania przy braku danych, halucynacji, uprawnień, bezpieczeństwa narzędzi oraz mechanizmów human-in-the-loop.
Opieka poszkoleniowa Wsparcie po szkoleniu w zakresie zagadnień, narzędzi i problemów omawianych podczas zajęć.
Dyplom ukończenia Potwierdzenie udziału w szkoleniu po jego zakończeniu.

Korzyści

Dla uczestnika

  • Zbudujesz własnego agenta i połączysz go z modelem uruchomionym lokalnie.
  • Zrozumiesz, z jakich elementów składa się agent: modelu, instrukcji, pamięci, wiedzy, retrievalu, workflow i narzędzi.
  • Nauczysz się przygotowywać bazę wiedzy projektu i wykorzystywać RAG do odpowiedzi opartych na wymaganiach, testach i dokumentacji.
  • Będziesz potrafić wykorzystać agenta do tworzenia szkiców testów, checklist, raportów, analizy zgłoszeń i porządkowania notatek z eksploracji.
  • Przećwiczysz budowę workflow, w którym AI wykonuje dobrze określone kroki zamiast swobodnie podejmować wszystkie decyzje.
  • Nauczysz się testować własnego agenta: weryfikować źródła, wychwytywać halucynacje, badać zachowanie przy braku danych i oceniać jakość retrievalu.
  • Poznasz zasady bezpiecznej pracy z modelami lokalnymi i chmurowymi, ochrony danych, minimalnych uprawnień i zatwierdzania działań przez człowieka.
  • Będziesz potrafić przenieść poznaną architekturę na inne modele i platformy, zamiast uzależniać rozwiązanie od jednego produktu.

Dla organizacji

  • Rozwinięcie praktycznych kompetencji zespołu w zakresie budowy agentów AI wspierających codzienne zadania testera bez konieczności tworzenia rozwiązania od zera w kodzie.
  • Możliwość wykorzystania lokalnych modeli w scenariuszach wymagających większej kontroli nad sposobem przetwarzania danych i infrastrukturą.
  • Szybszy dostęp do wiedzy projektowej dzięki wykorzystaniu RAG do przeszukiwania wymagań, przypadków testowych, checklist i dokumentacji.
  • Ujednolicenie sposobu wykorzystywania AI do projektowania testów, analizy defektów, dokumentowania sesji i pracy z danymi szkoleniowymi.
  • Ograniczenie ryzyka niekontrolowanego użycia AI poprzez zasady weryfikacji źródeł, human-in-the-loop, minimalnych uprawnień i testowania agentów.
  • Lepsze przygotowanie zespołu do dalszego wykorzystania workflow agentowych, narzędzi, API i MCP w procesach testowych.

Dodatkowe informacje

Jak się przygotować

  • Musisz znać podstawy testowania oprogramowania: przypadek testowy, defekt, dane testowe, oczekiwany rezultat i podstawowe elementy dokumentacji kontroli i zapewnienia jakości.
  • Nie musisz programować. Przyda Ci się podstawowa swoboda w instalowaniu aplikacji, pracy z plikami oraz wykonywaniu prostych poleceń w terminalu.
  • Przed szkoleniem otrzymasz instrukcję przygotowania środowiska.
  • W ćwiczeniach wykorzystujemy wyłącznie materiały szkoleniowe lub zanonimizowane. Nie wprowadzamy danych produkcyjnych, danych klientów, haseł, tokenów ani poufnych dokumentów bez odpowiedniej zgody.

Organizacja i warianty

  • Podstawowy wariant warsztatowy narzędzie wspierające budowę agenta i lokalny model. Wybrane ćwiczenia mogą pokazać podmianę modelu na usługę chmurową, jeśli grupa ma do niej dostęp.
  • W szkoleniu zamkniętym materiały RAG, przykładowe workflow oraz zadania agenta mogą zostać dopasowane do procesu kontroli i zapewnienia jakości organizacji i jej zasad bezpieczeństwa.
  • Używane narzędzie  jest rozwiązaniem referencyjnym. Celem szkolenia jest zrozumienie architektury i wzorca pracy z agentem, dlatego omawiamy też, jak przenieść rozwiązanie do innych platform.

Po tym szkoleniu zainteresują Cię

Skorzystaj z dofinansowania

Sprawdź możliwości otrzymania dofinansowania na udział w szkoleniu.

Trenerzy