Seminar Maestro – Intensivseminar: CI/CD, Cloud, JavaScript und KI

Inhaltsverzeichnis

1. Seminarprofil
2. Lernziele
3. Seminarinhalte
4. Praxisübungen
5. Zielgruppe und Voraussetzungen
6. Praxisnutzen

Seminarprofil

Dieses praxisorientierte Seminar behandelt die vollständige Automatisierungskette von dynamischen Testdaten über Pipeline und Cloud bis zu MCP- und KI-gestützter Diagnose. Die Arbeit erfolgt schrittweise an ausführbaren Flows, klar definierten Testzuständen und nachvollziehbaren Diagnoseartefakten. Konfiguration, Testlogik und Betriebsanforderungen werden so verbunden, dass die erarbeiteten Muster in produktiven Teams weiterverwendbar bleiben.

Lernziele

• dynamische Testdaten mit JavaScript und HTTP steuern
• CI/CD-Läufe mit Secrets, Tags und Artefakten aufbauen
• Cloud-Parallelisierung und Geräteprofile planen
• MCP und KI kontrolliert in Entwicklung und Analyse einsetzen
• Governance und Schutzanforderungen für den Betrieb festlegen

Seminarinhalte

Schritt 1: Parameter und Umgebungswerte sicher einsetzen

Varianten eines Tests werden über klar benannte Werte statt über Kopien gesteuert. Standardwerte, Pflichtwerte und Geheimnisse werden getrennt; lokale und automatisierte Ausführung erhalten dieselbe Schnittstelle.

• Parameter über CLI und aufrufende Subflows übergeben
• Umgebungsnamen konsistent und sprechend wählen
• fehlende oder ungültige Werte früh prüfen

Schritt 2: JavaScript für dynamische Werte einführen

JavaScript ergänzt YAML dort, wo Berechnungen, eindeutige Daten oder kleine Transformationen benötigt werden. Logik bleibt kurz, deterministisch und unabhängig testbar; fachliche Schritte verbleiben im Flow.

• Inline-Ausdrücke von ausgelagerten Skripten unterscheiden
• Zeitstempel und eindeutige Zeichenketten kontrolliert erzeugen
• Rückgabewerte verständlich an nachfolgende Schritte übergeben

Schritt 3: Komplexere Skriptlogik wartbar kapseln

Mehrstufige Datenaufbereitung und Prüfbedingungen werden in kleine Skriptmodule zerlegt. Fehlerbehandlung, Datentypen und wiederholbare Resultate werden berücksichtigt, damit Skripte nicht zur verdeckten zweiten Testsprache werden.

• Hilfsfunktionen nach Verantwortung gliedern
• Fehler und unerwartete Antworten explizit behandeln
• Skriptanteil auf notwendige Datenlogik begrenzen

Schritt 4: HTTP-Aufrufe für Vorbereitung und Prüfung nutzen

Backend-Zustände können vor einem UI-Test hergestellt oder nach dem Ablauf kontrolliert werden. Aufrufe werden autorisiert, zeitlich begrenzt und so gestaltet, dass der UI-Test weiterhin die fachlich relevante Benutzerhandlung ausführt.

• Testdaten über kontrollierte Endpunkte vorbereiten
• Antwortstatus und benötigte Felder prüfen
• Aufräumaufrufe und Fehlerbehandlung ergänzen

Schritt 5: Datenstrategie für parallele Läufe entwickeln

Testkonten, Mandanten, Datensätze und eindeutige Schlüssel werden als verwaltete Ressource behandelt. Die Strategie verhindert Kollisionen und macht erkennbar, welche Daten nach einem Lauf bestehen bleiben dürfen.

• Datenbereiche nach Testklasse und Umgebung trennen
• eindeutige Namen pro Lauf erzeugen
• Lebenszyklus von Anlage, Nutzung und Bereinigung dokumentieren

Schritt 6: Automatisierte Ausführung in der Pipeline vorbereiten

Der lokale Flow wird in einen nicht-interaktiven Lauf überführt. Installation, Build-Artefakt, Gerätebereitstellung, Exit-Code und Ergebnisdateien werden als vollständige Pipeline-Stufe betrachtet.

• reproduzierbare CLI-Installation festlegen
• App-Artefakt und Testsuite eindeutig versionieren
• Fehlerstatus und Artefakte zuverlässig an die Pipeline übergeben

Schritt 7: Pipeline-Matrix und Laufklassen gestalten

Smoke-, Pull-Request- und Regressionsläufe erhalten unterschiedliche Testauswahl, Geräteprofile und Zeitbudgets. Eine Matrix wird nur dort erweitert, wo sie ein reales Plattformrisiko abdeckt.

• Tags und Geräteparameter zur Laufsteuerung verwenden
• schnelle Rückmeldung von vollständiger Abdeckung trennen
• Abbruch-, Wiederholungs- und Freigaberegeln dokumentieren

Schritt 8: Geheimnisse und Umgebungswerte sicher verwalten

Testkonten, Tokens und Zielumgebungen werden nicht in YAML-Dateien gespeichert. Pipeline-Secrets und getrennte Konfigurationen liefern Werte zur Laufzeit und verhindern versehentliche Veröffentlichung.

• geheime und nicht geheime Werte trennen
• Ausgabe sensibler Werte in Protokollen vermeiden
• Rotation und Gültigkeit von Testzugängen kontrollieren

Schritt 9: Berichte und Artefakte in CI sichern

Screenshots, Protokolle, Videos und maschinenlesbare Ergebnisse werden auch bei einem Fehler hochgeladen. Die Benennung ermöglicht die Zuordnung zu Commit, Gerät, Flow und Wiederholung.

• Artefaktverzeichnis vor dem Lauf festlegen
• Upload auch bei fehlgeschlagenen Schritten erzwingen
• Aufbewahrungsdauer und Zugriff nach Schutzbedarf definieren

Schritt 10: Cloud-Projekt und Upload-Lauf einrichten

Ein lokal stabiler Flow wird für die verwaltete Geräteausführung vorbereitet. App-Artefakt, Workspace, Geräteprofil und Laufparameter werden als versionierte Einheit übergeben.

• lokale Vorprüfung vor jedem Upload etablieren
• App-Build und Testsuite eindeutig zuordnen
• Laufparameter und Geräteauswahl dokumentieren

Schritt 11: Parallelisierung ohne Datenkollisionen umsetzen

Mehrere Flows werden gleichzeitig ausgeführt, ohne gemeinsame Testkonten oder Datensätze zu beschädigen. Testaufteilung, eindeutige Daten und Laufzeitgrenzen werden gemeinsam geplant.

• unabhängige Flows und versteckte Reihenfolgen erkennen
• Datenräume je parallelem Lauf trennen
• Zeitgewinn gegen Gerätebedarf und Diagnoseaufwand abwägen

Schritt 12: Geräte-, Sprach- und Regionsmatrix festlegen

Geräteprofile werden aus realen Zielgruppen und Risikoklassen abgeleitet. Betriebssystem, Formfaktor, Sprache, Region und Zeitzone werden gezielt kombiniert, statt jede mögliche Variante ungeprüft auszuführen.

• repräsentative Kern- und Randgeräte definieren
• Sprache, Region und Zeitzone als Testparameter behandeln
• Matrix regelmäßig anhand von Nutzungs- und Fehlerdaten anpassen

Schritt 13: MCP-Server und Entwicklungswerkzeuge verbinden

Der MCP-Dienst wird lokal gestartet und mit einem geeigneten Entwicklungswerkzeug verbunden. Gerätezugriff, Projektverzeichnis und erlaubte Aktionen werden bewusst begrenzt und nachvollziehbar dokumentiert.

• Dienststart und Verbindung kontrollieren
• verfügbare Geräte- und Flow-Aktionen prüfen
• Zugriff auf Testdaten und Arbeitsverzeichnis einschränken

Schritt 14: KI-gestützte Flow-Erstellung kontrolliert einsetzen

Ein Assistent unterstützt bei Hierarchieanalyse, Syntaxprüfung und Entwurf kleiner Flow-Abschnitte. Jeder Vorschlag wird fachlich geprüft, lokal ausgeführt und in lesbare, teamkonforme YAML-Strukturen überführt.

• Oberflächenhierarchie gezielt abfragen
• generierte YAML-Schritte vor Ausführung prüfen
• Änderungen über Review und Versionskontrolle absichern

Schritt 15: KI-gestützte Fehleranalyse bewerten

Automatische Hinweise zu fehlgeschlagenen Läufen werden als Hypothese behandelt. Protokolle, Screenshots und Hierarchie bleiben die maßgeblichen technischen Belege; sensible Daten werden vor einer Verarbeitung berücksichtigt.

• Vorschlag und tatsächliche Fehlerstelle vergleichen
• Datenschutz- und Geheimhaltungsanforderungen anwenden
• nützliche Diagnosemuster in Teamwissen überführen

Schritt 16: Berichte und Laufartefakte auswertbar machen

Testergebnisse werden für Entwickler, Qualitätssicherung und Betrieb unterschiedlich aufbereitet. Maschinenlesbare Berichte, Screenshots, Protokolle und Geräteinformationen bilden zusammen einen nachvollziehbaren Fehlerkontext.

• Berichtsformat passend zur Zielplattform wählen
• Artefakte auch bei abgebrochenen Läufen sichern
• Aufbewahrung und Zugriff auf sensible Daten regeln

Schritt 17: Sicherheits- und Datenschutzanforderungen integrieren

Testgeräte, Zugangsdaten, Screenshots und Protokolle können schützenswerte Informationen enthalten. Zugriff, Aufbewahrung, Maskierung und Löschung werden bereits bei der Testarchitektur festgelegt.

• Testkonten mit minimalen Rechten verwenden
• sensible Inhalte in Artefakten erkennen und reduzieren
• Cloud- und lokale Ausführung nach Schutzbedarf auswählen

Schritt 18: Governance und Qualitätsregeln festlegen

Namenskonventionen, Reviewpflicht, Eigentümerschaft, Freigaben und Umgang mit instabilen Tests werden als verbindlicher Betriebsrahmen beschrieben. Die Regeln sind kurz, messbar und in den Entwicklungsablauf integrierbar.

• Definition of Done für neue Flows vereinbaren
• Verantwortung für Tests und Testdaten zuordnen
• Quarantäne und Rückführung instabiler Tests regeln

Schritt 19: Durchgängiges Praxisprojekt abschließen

Die behandelten Bausteine werden in einer vollständigen Testsuite zusammengeführt. Der Ablauf reicht von der lokalen Erstellung über strukturierte Wiederverwendung bis zur automatisierten Ausführung und nachvollziehbaren Fehleranalyse.

• kritische Journey mit definierten Testdaten modellieren
• Suite lokal und in einer automatisierten Umgebung ausführen
• Ergebnisse prüfen, Fehler beheben und Wartungsregeln dokumentieren

Praxisübungen

1. Dynamische Testdaten über Skript und kontrollierten HTTP-Aufruf bereitstellen
2. Tag-gesteuerte Pipeline mit sicheren Umgebungswerten und vollständigen Artefakten bauen
3. Parallele Geräteausführung mit Datenisolation und risikobasierter Matrix umsetzen
4. MCP-gestützten Flow-Entwurf prüfen und KI-Diagnose gegen technische Artefakte verifizieren
5. Komplette Automatisierungskette im Abschlussprojekt betreiben und dokumentieren

Zielgruppe und Voraussetzungen

Zielgruppe: Erfahrene QA Engineers, Testautomatisierer, DevOps Engineers und technische Testarchitekten.

Voraussetzungen: Sichere Maestro-Grundlagen, YAML, Versionskontrolle und Erfahrung mit automatisierten Build-Prozessen.

Praxisnutzen

Nach Abschluss stehen belastbare Vorgehensweisen, wiederverwendbare YAML-Bausteine und klare Prüfkriterien zur Verfügung. Tests können reproduzierbar ausgeführt, fachlich verständlich bewertet und bei Fehlern mit einer systematischen Diagnose bearbeitet werden.