מודול 1 - Claude Code for Test Automation

 היסודות לעבודה אפקטיבית עם Coding Agents

 אודות המודול:

Claude Code וכלי Coding Agents דומים משנים את הדרך שבה אנחנו עובדים עם קוד. במקום לבקש מה-AI לכתוב פונקציה או להשלים קטע קוד, אנחנו יכולים לתת לסוכן גישה לפרויקט, לאפשר לו לחקור את הקוד הקיים, להריץ פקודות ובדיקות, להשתמש בכלים חיצוניים ולבצע משימות הנדסיות שלמות.

אבל כדי לעבוד עם Coding Agent בצורה אפקטיבית, חשוב להבין את אבני הבניין שעליהן הוא מבוסס.

במודול זה נצלול ליסודות העבודה עם Claude Code: כיצד מנוהל ה-Context של הסוכן, כיצד מגדירים לו ידע קבוע על הפרויקט באמצעות CLAUDE.md, איך Tools מאפשרים לו לפעול בעולם האמיתי, וכיצד Skills, MCP, כלי CLI, Subagents ו-Agent Teams מאפשרים להרחיב את היכולות שלו ולבנות תהליכי עבודה מתקדמים יותר.

הדגש יהיה על שימוש מעשי ביכולות אלו בסביבת פיתוח ואוטומציית בדיקות, ועל העקרונות שמאפשרים לעבוד עם Coding Agents בצורה יעילה, ממוקדת וניתנת לשליטה.

נושאים:

• מ-AI Code Assistant ל-Coding Agent -מה השתנה באופן העבודה
• עבודה עם Claude Code והיכולות המרכזיות של סביבת העבודה
• Context ו-Context Window - מה הסוכן יודע, מה נטען בכל שלב וכיצד מנהלים את תקציב ה-Context
• CLAUDE.md - כיצד מספקים לסוכן ידע קבוע על הפרויקט, הארכיטקטורה, פקודות העבודה וה-conventions
• Tools וה-Agent Loop - כיצד הסוכן קורא קבצים, מחפש בקוד, משנה אותו, מריץ פקודות ובודק את התוצאה
• Skills — אריזת ידע מקצועי, הנחיות ותהליכים חוזרים ליכולות שהסוכן טוען לפי הצורך
• (MCP (Model Context Protocol - חיבור הסוכן לכלים, מערכות ומקורות מידע חיצוניים
• CLI Tools - שימוש בכלי Command Line כדרך פשוטה ויעילה להרחבת יכולות הסוכן
• מתי להשתמש ב-MCP ומתי ב-CLI
• Subagents - האצלת משימות לסוכנים מתמחים בעלי Context וכלים משלהם
• Agent Teams - מעבר מהאצלה לסוכן יחיד לצוות סוכנים שמחלק ומנהל עבודה משותפת
• עקרונות לניהול Context, עלויות ואוטונומיה בעבודה עם Coding Agents
• דוגמאות מעשיות מעולם הפיתוח ואוטומציית הבדיקות

מודול 2 - Building AI-Ready Test Automation

כיצד בונים תשתית אוטומציה שגם AI יכול להבין

אודות המודול:

כאשר משתמשים ב-AI לכתיבת בדיקות אוטומטיות, כתיבת הקוד היא רק חלק מהבעיה.

כדי ליצור בדיקת UI אמיתית, הסוכן צריך להבין את המוצר דרך הדפדפן, לזהות את האלמנטים והפעולות הנכונות, להבין את השפה העסקית של התרחיש - ובמקביל לגלות ולהשתמש בתשתיות האוטומציה שכבר קיימות בפרויקט.

במודול נבחן כיצד AI Agents עובדים מול אפליקציות Web באמצעות כלים כמו Playwright MCP ו-Playwright CLI, וכיצד נכון לבנות AI-Friendly Test Architecture שמאפשרת לסוכן לנווט בקוד, למצוא יכולות קיימות ולמחזר אותן במקום להמציא תשתית חדשה.

באמצעות Case Study מפרויקט אמיתי נראה כיצד ניתן ליישם גישה זו גם בפרויקט אוטומציה גדול הכולל אלפי פעולות ומתודות קיימות.

נושאים:

• כיצד AI Agent רואה ומבין אפליקציית Web
• Browser Tooling עבור AI Agents
• Playwright MCP לעומת Playwright CLI
• ARIA Tree, DOM, Screenshots ו-Browser State
• Locator Discovery והעבודה עם selectors ו-test IDs
• החיבור בין Browser Inspection לקוד אוטומציה קיים
• עקרונות לבניית AI-Friendly Test Architecture
• Page Objects ותשתיות שקל לסוכן לנווט בהן
• Naming conventions, metadata ו-domain terminology
• גילוי ושימוש חוזר ביכולות שכבר קיימות בפרויקט
• Search ו-RAG לעומת Catalogs מובנים
• Domain Glossary כגשר בין שפה עסקית לקוד
• Case Study מתוך פרויקט אוטומציה אמיתי

מודול 3 - Building Reliable Agentic Test Automation

 מ-Agent חכם למערכת AI הנדסית ואמינה

אודות המודול:

Agent שמקבל מטרה וכלים יכול לבצע משימות מרשימות. אבל כאשר רוצים להעביר ל-AI תהליכים הנדסיים אמיתיים - כמו יצירת בדיקות, ניתוח תקלות, תיקון אוטומטי או יצירת Test Specifications - לא מספיק לקוות שהמודל יסתדר.

כדי לקבל מערכת שניתן לסמוך עליה נדרש AI Harness: שכבה הנדסית שמנהלת את ה-Agent ואת תהליך העבודה סביבו.

במודול נלמד כיצד להפוך פעילות המבוססת על AI ל-Reliable Agentic Workflow. נראה כיצד לפרק תהליך לשלבים מוגדרים, לשלב reasoning של LLM עם קוד דטרמיניסטי, לנהל State ו-Handoffs בין Agents, להגביל את רמת האוטונומיה שלהם, לייצר Observability ולבדוק את המערכת באמצעות Evals.

המטרה אינה רק לקבל Output שנראה נכון, אלא לבנות תהליך שמייצר תוצאה מאומתת, מבוקרת וניתנת לשחזור.

נושאים:

• מהו AI Harness ומדוע Agent לבדו אינו מספיק
• מעבר ממשימה פתוחה ל-Agentic Workflow מוגדר
• פירוק תהליך ל-Stages עם Inputs, Outputs ו-Validation Criteria
• שילוב בין reasoning של LLM לבין קוד דטרמיניסטי
• Orchestration - ניהול State, retries, recovery ו-flow control
• שימוש ב-Coding Agent כ-Agent Runtime
• Multi-Agent Workflows וחלוקת אחריות בין Agents
• Handoff ו-Context בין Agents
• Guardrails - הרשאות, Tool restrictions, turn budgets ומגבלות עלות
• בידוד והגנה על סביבת העבודה וה-Codebase
• Observability באמצעות logs, traces ו-run state
• Validation Gates, Failure Analysis ו-Healing Loops
• בדיקת מערכות Agentic באמצעות Evals
• Tool Contract Tests, Stage-Level Evals ו-End-to-End Workflow Evals
• Trace-Based Evaluation
• Case Study:Pipeline ליצירה, הרצה, בדיקה ותיקון של בדיקות אוטומטיות