آموزش اتوماسیون تست مبتنی بر هوش مصنوعی: Playwright، Selenium، مدل‌های LLM و فراتر از آن - آخرین آپدیت

سرفصل ها و درس ها

مقدمه Introduction

• مقدمه Introduction

اجرای مدل‌های LLM به صورت محلی با Ollama Running LLMs locally using Ollama

• مقدمه Introduction

• درک مدل‌های مختلف هوش مصنوعی Understanding different AI Models

• اجرای مدل‌های LLM به صورت محلی با Ollama Running LLMs locally using Ollama

• استفاده از مدل‌های Ollama در محیط گرافیکی (GUI) Using Ollama Models in GUI

• درک بیشتر Ollama با دستورات خط فرمان (CLI) Understanding Ollama with few more command line interface commands

• راه اندازی Ollama با API برای اجرا به عنوان سرور Starting Ollama with API to run as a API server

مبانی: درک مهندسی پرامپت، مهندسی کانتکست و Vibe Code Fundamentals: Understanding Prompt Engineering, Context Engineering & Vibe Code

• مقدمه Introduction

• درک مهندسی پرامپت Understanding Prompt Engineering

• درک مهندسی کانتکست Understanding Context Engineering

• دموی مهندسی پرامپت Demo on Prompt Engineering

• دموی مهندسی کانتکست Demo on Context Engineering

• درک ایجنت‌های هوش مصنوعی و نحوه عملکرد آن‌ها Understanding AI Agents and how it works !

• کار با سرور MCP (پروتکل کانتکست مدل) در Playwright Working with MCP (Model Context Protocol) Server of Playwright

• Vibe Code: ایجاد برنامه سناریوهای تست دستی با سرور Playwright MCP Vibe Code : Creating Manual Test Scenarios Plan using Playwright MCP Server

• Vibe Code: ایجاد سناریوهای تست اتوماتیک با استفاده از برنامه تست Vibe Code: Creating Automated Test Scenarios using Test Plan

• Vibe Code: ایجاد سناریوهای تست BDD با استفاده از کانتکست تست اتوماتیک Vibe Code: Creating BDD Test Scenarios using the Automated Test Context

• سورس کد Source Code

• سنجش دانش! Check your knowledge!

درک مشکلات فعلی تست اتوماسیون و راهکارها با AI و LLMها Understanding the Current Automation Test Problem and Solution with AI and LLMs

• مقدمه Introduction

• درک اجزای مورد نیاز برای ساخت کد تست هوشمند خودترمیمی Understanding the Components to build for Self Healing Intelligent AI Test Code

• تست اتوماسیون سنتی و مشکلات آن Traditional Automation Test and its Problems

• نحوه خودترمیمی لوکیتورها در Selenium با قدرت هوش مصنوعی How AI will do Self Healing of Locators in Selenium with the Power of AI

• پرامپت‌نویسی برای LLMها جهت دریافت لوکیتورهای جایگزین ترمیم شده Prompting LLMs to get Self Healed Alternative Locators

ساخت اجزای پایه: ارتباط با مدل‌های محلی و ابری AI Building Foundational Component: Talking with Local LLMs and Cloud AI LLMs

• مقدمه Introduction

• دسترسی به مدل‌های محلی با APIهای Ollama Accessing Local LLMs with APIs using Ollama

• ساخت کد دسترسی به مدل‌های محلی از طریق End-pointهای API Ollama Building Code to access Local LLMs via Ollama using API Endpoints

• دسترسی به مدل‌های ابری (مدل‌های OpenAI GPT) با API Accessing Cloud LLMs (OpenAI GPT Models) with APIs

• ساخت کد دسترسی به مدل‌های ابری از طریق End-pointهای API OpenAI Building Code to access Cloud LLMs via OpenAI using API Endpoints

• ایجاد تنظیمات متمرکز برای کنترل مدل‌ها، URLها و Temperature Creating Configurations to control Models, URLs, Temperatures from one place

• خواندن تنظیمات از appSetting و تبدیل آن به LLMConfig Reading Configuration from appSetting and deserializing it to LLMConfig

• جایگزینی مقادیر Hard-coded در LLMClient با تنظیمات پویا Replacing hardcoded values in LLMClient in favor of Configuration

• درک صورت مسئله برای استفاده از استراتژی‌های خودترمیمی Understanding the Problem statement to use Self Healing Strategies

• دریافت نوع و مقدار لوکیتور از کد POM سلنیوم با استفاده از ToString() Getting LocatorType and LocatorValue from POM Code of Selenium using ToString()

• ارسال PageSource و کانتکست لوکیتور به LLMها برای دریافت لوکیتورهای جایگزین Passing PageSource and Locator Context to LLMs to get Alternative Locators

• دریافت لوکیتورهای جایگزین در قالب JSON (برای استفاده در خودترمیمی) Getting Alternative Locators in JSON Format (which can be used for Self Healing)

• سورس کد Source Code

• سنجش دانش! Check your knowledge!

ساخت استراتژی هوشمند لوکیتور با استفاده از AI برای Selenium Building Intelligent Locator Strategy using AI for Selenium

• مقدمه Introduction

• درک Deserialization پاسخ‌های دریافتی از LLMها Understanding Deserialization of response from LLMs

• تبدیل پاسخ LLM به نوع Class Deserialize LLM Response to Class Type

• درک ساخت استراتژی لوکیتور در هر مرحله Understanding building of Locator Strategy of each phase

• ساخت CurrentLocatorStrategy برای دریافت لوکیتور از Selenium POM Creating CurrentLocatorStrategy which gets locator from Selenium POM

• ساخت AlternativeLocatorStrategy از طریق کالکشن Building AlternativeLocatorStrategy from collection

• ساخت AlternativeLocatorStrategy از طریق کالکشن (ادامه) Building AlternativeLocatorStrategy from Collection (Contd.)

• ساخت AI Healing برای دریافت لوکیتور جایگزین از LLMها Building AI Healing to get Alternative Locator from LLMs

• ساخت انواع لوکیتورهای AI Healing برای انواع مختلف (XPath, CSS, ID, Name) Building AI Healing Locator Types for different locators (XPath, CSS, ID, Name)

• ساخت نوع لوکیتور AI Healing (ادامه) Building AI Healing Locator Type (Contd.)

• فراخوانی کد AIHealing در دل منطق خودترمیمی Invoking AIHealing Code within Self Healing Logic

• دیباگ و اجرای تست برای درک نحوه عملکرد خودترمیمی AI Debugging/Running the Test to understand how the AI Self Healing works !

• سنجش دانش! Check your knowledge!

استفاده از لوکیتور خودترمیمی در کدهای Page Object Model در Selenium Using Self Healing Locator in Page Object Model code of Selenium

• مقدمه Introduction

• سازماندهی کد در ساختار پوشه‌بندی فریم‌ورک Organizing code as Framework folder structure

• استفاده از Extension method برای به کارگیری AIFindElement Using Extension method to use the AIFindElement

• به‌روزرسانی کدهای POM سلنیوم موجود به کدهای AiFindElement Updating existing POM Selenium code to AiFindElement Code

• سورس کد Source Code

ساخت کد اتوماسیون تست هوشمند برای Playwright Building Intelligence Test Automation Code for Playwright

• مقدمه Introduction

• تغییر کد Page Object Model در Playwright با لوکیتورهای AI Modifying Page Object Model Code of Playwright With AI Locators

• تغییر POM پلی‌رایت با لوکیتورهای AI به همراه Extension Method Modifying POM of Playwright With AI Locators + Extension Method

• اصلاح کلاس لوکیتور خودترمیمی متناسب با تغییرات Playwright Fixing Self Healing Locator Class with Playwright Changes

• اصلاح متد TryFindWithCurrentStrategy برای Playwright Fixing TryFindWithCurrentStrategy Method to Playwright

• اصلاح متد استراتژی جایگزین (Alternative Strategy) برای Playwright Fixing Alternative Strategy Method to Playwright

• درک نحوه دریافت انواع لوکیتورها و مقادیر آن‌ها در Playwright Understanding how to get different Locator Types and Values in Playwright

• دریافت نوع و مقدار لوکیتور در Playwright (ادامه) Getting Locator Type and Locator Value in Playwright (Contd.)

• ساخت لوکیتور کاملاً دینامیک بر اساس ورودی‌های LLM Creating Complete Dynamic Locator based on the Input from LLMs

• تغییر پرامپت برای Playwright به جای پرامپت Selenium برای ارسال به LLM Modifying Prompt for Playwright Instead of Selenium Prompt to send LLMs

• اجرای کامل تست با قابلیت خودترمیمی در Playwright با LLMها Running entire test with Self Healing in Playwright with LLMs

ساخت حافظه کش پایدار برای لوکیتورهای ترمیم شده جهت مشاهده و بازیابی Building Persistence Cache for Healed Locator for Observability and Retrieval

• مقدمه Introduction

• ساخت مدل لوکیتور ترمیم شده و ساختار کش Creating Healed Locator Model and Cache Structure

• ذخیره لوکیتور در کش از طریق استراتژی‌های جایگزین Saving Locator in Cache from Alternative Strategies

• ساخت منطق ذخیره لوکیتورها در فایل کش JSON Building Logic to Save Locators in JSON Cache file

• بارگذاری لوکیتور ترمیم شده از کش JSON Load Healed Locator from JSON Cache

• خواندن لوکیتور از کش و ایجاد دینامیک بر اساس نوع برای Selenium Read Locator from Cache and Create By Type dynamically for Selenium

• اجرای کامل کد با قابلیت کشینگ و پایداری داده‌ها Running complete code with Caching and Persistence

• سنجش دانش! Check your knowledge!

ساخت تست بصری با استفاده از مدل‌های Vision (محلی و OpenAI) Building Visual Testing using Vision Models (Locally and OpenAI)

• مقدمه Introduction

• ساخت کلاینت Vision LLM برای فراخوانی مدل‌های زبانی بینایی Creating Vision LLMs Client to invoke Vision Large Language models

• ساخت پرامپت LLM برای مقایسه تصاویر در تست بصری Building LLMs Prompt to compare Images for Visual testing

• استفاده از مقایسه بصری در تست با تامین نیازهای LLM در پرامپت‌ها Using Visual Comparison in Testing by supplying what LLMs needs in Prompts

• اجرای مقایسه بصری با استفاده از Qwen 3 VL Running Vision comparison using Qwen 3 VL (Vision Language Model)

• اجرای مقایسه بصری با استفاده از مدل‌های OpenAI GPT Running Vision Comparison using Open AI - GPT Models

• اجرای مقایسه بصری با استفاده از مدل‌های OpenAI GPT (ادامه) Running Vision Comparison using Open AI - GPT Models (Contd.)

• سورس کد Source Code

• سنجش دانش! Check your knowledge!

• سنجش دانش! Check your knowledge!

ارسال کانتکست معنایی لوکیتور برای هوشمندتر کردن LLMها در خودترمیمی Passing Semantic Context for Locator to make LLMs more intelligent for Self Heal

• مقدمه Introduction

• درک صورت مسئله در نبود کانتکست معنایی (Semantic Context) Understanding Problem Statement without Semantic Context

• به‌روزرسانی پرامپت LLM برای پذیرش کانتکست‌های معنایی و اصلاح متدهای مربوطه Updating LLM Prompt to accept Semantic Contexts and update relevant methods

• اجرای کد POM با کانتکست معنایی جهت ارائه اطلاعات بیشتر به LLM Execute POM Code with Semantic Context, giving more context to LLMs

• سورس کد Source Code