Введение · Предисловие
Предисловие: С чего начать
Этот курс — про профессиональный рост тестировщика в эпоху ИИ. Не про «ChatGPT как волшебная кнопка», а про осознанное усиление: когда вы сами решаете, что делегировать модели, а где ваш профессиональный суд незаменим.
| Вопрос | Ответ курса |
|---|---|
| Зачем мне промпт-инжиниринг? | Чтобы работать быстрее без потери качества |
| Заменит ли ИИ тестировщика? | Нет — но тестировщик, умеющий работать с ИИ, обгонит того, кто не умеет |
| Это только для синьоров? | Нет — курс для junior+ и middle, практика с первого дня |
| Когда увижу результат? | После первого же применённого шаблона из раздела с шаблонами (Глава 7) |
Добро пожаловать в курс! Этот материал создан для того, чтобы превратить вас из пользователя, который просто «спрашивает у чат-бота», в профессионала, использующего ИИ как мощный инструмент усиления своих навыков.
🛠 Что понадобится для обучения
Браузер
Любой современный браузер — единственное обязательное «железо» для чтения курса и веб-интерфейсов LLM.
Ollama + Open Web UI
Локальная установка: промпты и ответы не покидают ваш компьютер.
- Подходит для всего курса и упражнений
- Полный контроль temperature и max_tokens
- Мультимодальность — при выборе подходящей модели
Облачные варианты — только для синтетических данных и с учётом политики компании. Для полного курса предпочтительна локальная среда.
Настройка окружения
Сценарий 1: Ollama + Open Web UI (рекомендуется)
# Шаг 1: установить Ollama
# macOS / Linux:
curl -fsSL https://ollama.com/install.sh | sh
# Windows: установщик с https://ollama.com/download
# Шаг 2: скачать модель (рекомендуем Qwen 3.5 9B — текст + изображения, 256K контекст)
ollama pull qwen3.5:9b
# Шаг 3: проверить, что модель отвечает
ollama run qwen3.5:9b
# Введите любой текст, нажмите Enter. Ctrl+D — выйти.
# Шаг 4: установить Open Web UI через Docker
docker run -d -p 3000:8080 \
--add-host=host.docker.internal:host-gateway \
-v open-webui:/app/backend/data \
--name open-webui \
--restart always \
ghcr.io/open-webui/open-webui:main
# Если Docker не установлен: https://docs.docker.com/get-docker/
# Шаг 5: открыть браузер → http://localhost:3000
# → зарегистрироваться (локальный аккаунт, данные не уходят в сеть)
# → в меню выбрать модель: qwen3.5:9bСценарий 2: только Ollama (терминал, без GUI)
ollama pull qwen3.5:9b
ollama run qwen3.5:9b
# Вводите промпты прямо в терминале — достаточно для упражнений курсаqwen3:1.7b / llama3.2:3bМинимальные требования, короткие промпты
qwen3.5:4b / qwen3:8bБаланс скорости и качества
qwen3.5:9bКурсРекомендуем для курса: QA + скриншоты (256K)
qwen3:14b / deepseek-r1:14bСложный анализ, рассуждения
qwen2.5-coder:7b / qwen3.5:9bКод, автотесты, SQL
llama3.3:70bМаксимум качества при мощном железе
📖 Мини-глоссарий (Слова, которые встретятся в курсе)
Чтобы не потеряться в первой главе, запомните эти термины. Полный глоссарий — в Приложении A.
- LLM (БЯМ)
- Большая языковая модель — ИИ, генерирующий текст.
- Промпт
- Ваш запрос или инструкция для модели.
- Токен
- Единица текста (часть слова), на которую модель делит информацию.
- Temperature
- Параметр «креативности» (0 — точнее, 1 — свободнее).
- Галлюцинация
- Уверенная выдумка фактов, которых нет в контексте.
- RTCCO
- Структура промпта: Роль, Задача, Контекст, Ограничения, Вывод.
- Контекстное окно
- Объём текста, который модель удерживает за один диалог.
🆘 Частые проблемы и что делать
10 из 10 ситуаций
Сжатая карта; подробная схема с вкладками — в главе 0.
Порядок глав
Как пользоваться материалом
Читайте по порядку
Фундамент курса — не пропускайте. Глава 4 (RTCCO)
Делайте упражнения
Теория без практики не работает — фиксируйте результат в заметках или Prompt Book.
Используйте чек-листы
Внедряйте их в работу сразу — см. Приложение B
Следите за значками в тексте
- Совет
Короткий практический приём
- Внимание
Типичная ошибка или риск
- Пример для QA
Мини-кейс из тестирования