- 博客(854)
- 资源 (152)
- 收藏
- 关注
RSS订阅原创 AI Agent万能的：什么时候AI Agent可能会好于传统的自动化？
构建AI Agent 并不是选择越大的Model越好，而是应该建立一个AI Agent基线，然后使用目前最好的模型集中全部力量实现AI Agent完成目标任务，接下来使用较小的模型替换现在最好的模型然后评价是否满足基线，能力是否满足要求。传统的自动化系统都是基于确定性的规则处理问题的，但是AI Agent却可以处理更复杂的流程。尽可能的最大化单AI Agent的能力，除非遇见了复杂的处理逻辑需要prompt中加入各种逻辑处理，或者需要大量的tool调用的时候，有可能需要多个AI Agent进行处理。
2025-04-28 10:45:37
136
原创 每一个LLM的使用者都应该能了解的超参详细说明和推荐配置
LLM的Hyper Parameters是一种配置项，可以使用它们来影响或控制训练 LLM 的过程。
2025-04-21 15:22:10
24
原创 LLM友好的Jacoco代码覆盖报告读取MCP服务
地址：https://github.com/crisschan/mcp-jacoco-reporterMCP-JaCoCo是一个服务器工具，可将JaCoCo代码覆盖率报告转换为适合大型语言模型(LLM)的格式，使AI驱动的分析更加简单高效。
2025-04-09 10:53:27
308
原创 大模型格式化输出的几种方法
在开发一些和LLM相关的应用的时候，如何从大模型的反馈中拿到结构化的输出数据是非常重要的，那么本文就记录几种常用的方法。
2025-04-08 15:36:24
136
原创 为大模型提供读取Allure报告的能力，MCP-Allure server
功能：读取 Allure 测试报告并返回 JSON 格式的数据输入参数report_dir：Allure HTML 测试报告的路径返回值字符串，格式化的 JSON 数据，示例结构如下：],],"steps": [],"steps": [
2025-03-25 10:08:58
332
原创 让大模型可以轻松读取代码仓库：MCP-Repo2LLM
功能：处理并返回 GitLab 仓库某个分支的代码内容，以文本形式输出输入参数repo_url（字符串）：GitLab 仓库的 URLbranch（字符串）：分支名称，默认值为 master返回值（字符串）：仓库中的所有项目信息和结构，以文本形式呈现。
2025-03-25 10:04:29
396
原创 Allure 报告数据存储结构
Allure的报告的下有一个data目录，里面存储了全部展示的数据。data目录下面有两种类型的文件一类是csv，一类是json，两个类型的文件中同名的文件数据是一样的，只是不同的展示方法。我们就按照json格式的数据介绍（这里面allure不同版本之间有可能有稍微的差异，但是整体改动不大）。PS:如果要打开本地的allure的html报告，allure open我们就按照html格式报告的菜单顺序进行介绍。
2025-03-24 10:58:24
508
原创 llms.txt文件
目前llms.txt并没有收到普板的认可，并且在网站根目录创建。目前推荐创建llms.txt文件就可网站下面的robots.txt一样（robots.txt是告诉搜索引擎网站中那些部分可以被爬虫访问），llms.txt 是一套专门给大语言模型使用的，用于收集的网站中简洁干净的纯文本信息以帮助大模型在推理时使用网站的标准化提案。下面是mcp官网下的llms.txt，可以提供参考（https://modelcontextprotocol.io/llms-full.txt）
2025-03-10 11:01:42
254
原创 Python开发MCP Client
全部例子只是MCP Client访问MCP Server的过程，那么这样其实就失去了MCP协议的创建的初衷，和大模型集成后才能发挥MCP最大的作用。
2025-03-04 13:59:58
1546
原创 Python 的 Docstrings（文档字符串）
Python 的文档字符串（Docstrings）是一种特殊的字符串，用于为模块、类、函数或方法提供文档说明。它是通过在定义的开头使用三引号（“”" 或 ‘’'）书写的字符串。文档字符串的主要目的是描述代码的功能、使用方法以及其他必要信息，以便开发者（包括自己和他人）能够理解和使用代码。Python 的文档字符串特性在语言中有着重要地位，常用于生成自动化文档、IDE 支持和代码自省。
2025-03-03 13:41:04
341
原创 Python的MCP Server开发实战
这是一个入门级的教程主要讲解一下MCP Server的开发，主要是用官网的例子以及MCP Python SDK。
2025-03-03 13:40:19
3317
1
原创 Python的类型注解：Type Hints
Python 的类型注解（Type Hints）是指在 Python 代码中为变量、函数参数、返回值等添加类型信息的一种语法特性。它是在 Python 3.5 中引入的（通过 PEP 484），目的是提高代码的可读性、可维护性，并方便静态类型检查工具（如 mypy）分析代码的正确性。类型注解并不会影响 Python 的运行时行为，因为 Python 是一门动态类型语言，类型注解只是“提示”性质的元数据，解释器在运行时会忽略它们。开发者可以用它们来表达代码的意图，或者通过工具在开发阶段捕获潜在的类型错误。
2025-03-03 10:40:43
436
原创 大模型的UI自动化：Cline 使用Playwright MCP Server完成测试
MCP（Model Context Protocol），是一个开发的协议，标准化了应用程序如何为大模型提供上下文。MCP提供了一个标准的为LLM提供数据、工具的方式，使用MCP会更容易的构建Agent或者是基于LLM的复杂工作流。最近越来越受到大家的追捧，也有很多网站开始提供全部的MCP Server、MCP Client等内容，推荐https://www.pulsemcp.com/，这个网站收录的MCP Server比较全面，也包含了MCP Client的介绍。
2025-02-24 13:47:45
2531
原创 AI IDE:Windsurf 配置Playwright的MCP Server
MCP（Model Context Protocol），是一个开发的协议，标准化了应用程序如何为大模型提供上下文。MCP提供了一个标准的为LLM提供数据、工具的方式，使用MCP会更容易的构建Agent或者是基于LLM的复杂工作流。
2025-02-17 17:20:41
1735
原创 AI Test Reporter：让大模型帮你分析失败的Playwright测试报告
AI Test Reporter是一个借助大模型的能力帮我们分析失败的测试用例的工具，它能够分析失败的测试用例，并给出一些分析告诉我们为什么会失败以及有可能怎么修复的一些建议。该工具可以轻松集成到现有的工具平台中，像GitHub、Slack等，通过标准化的 CTRF 报告与所有主要测试框架兼容，并且会将AI的分析结果存入CTRF JSON报告中，方便以后其他工具的读取和展示。
2025-02-14 18:02:42
77
原创 为平台工程而生的测试报告整合方法：CTRF报告
CTRF 提供了一种JSON格式的测试报告的Schema，从而定义了一种统一格式的测试报告。网址https://github.com/ctrf-io,如下例子所示。"tool": {},},"tests": [],CTRF解决了不同测试工具之间的测试报告的差异性，这也为不同阶段建立使用不同测试工具完成测试后，进行综合的结果分析奠定了基础。results对象是单词测试的核心组件，包含了tool、summary、tests、environment、extra属性。NameType必须简介。
2025-02-13 17:33:15
55
原创 知识蒸馏：大模型智慧的传承与精炼
在学校DeepSeek的技术文章，对于其中的“基于 Qwen 和 Llama 从 DeepSeek-R1 中提炼出的六个稠密模型（1.5B、7B、 8B、14B、32B、70B参数规模）”，有点困惑所以详细的学习和研究了一下。
2025-01-22 17:08:53
935
原创 借助Claude实现Playwright的自动化（MCP Server）
MCP Server自己开发也是可以的，现在也有很多开箱即用的MCP Server，可以在https://github.com/modelcontextprotocol/servers中查找。
2025-01-14 15:18:19
2272
原创 async 是异步编程的关键字
在 Python 中，async 是异步编程的关键字，用于定义异步函数或异步代码块。异步编程是一种并发编程的方式，用来提高程序的执行效率，尤其是在处理 I/O 操作（如网络请求、文件读写）时。
2025-01-08 15:07:56
289
原创 LLM的MCP协议：初识MCP，搭建第一个MCP Server
MCP（Model Context Protocol），是一个开发的协议，标准化了应用程序如何为大模型提供上下文。MCP提供了一个标准的为LLM提供数据、工具的方式，使用MCP会更容易的构建Agent或者是基于LLM的复杂工作流。
2025-01-03 17:13:30
14284
原创 体验Cursor一段时间后的感受和技巧
总体用了一段时间后，发现最初的一些认识也是并不全面，当然现在的认识也不是很全面。没有代码基础的人还很难使用大模型直接开（这里说一些小工具除外）。这里我们说要有一些好的输入，其实这里也可以是一些你想要参考的功能，这样就模拟你想要的交互功能复制一个应用。无论如何都应该试一试，等真正用了一段时间，就会熟悉并理解这个人机Pair的微妙之处。
2024-12-31 17:44:57
1592
原创 RAG基准性能测试：CRAG
CRAG是Comprehensive RAG Benchmark，一个丰全面的事实问题解答基准，主要是为了推动RAG的发展而设计的。CRAG除去提供了一套Question&Answer配对的数据以外，还提供模拟网络和知识图谱搜索的API。CRAG的设计囊括了五个领域和八个问题类别的各种问题，反映了从流行到长尾的不同实体流行度（我也不知道他为什么这么描述，from popular to long-tail），以及从数年到数秒的时间动态。数据集的详细描述。
2024-12-17 15:54:51
144
原创 使用LLM的IDE一段时间后的体会
其次，我从头到尾review一下代码，发现需求变更越多，代码写的越不好，越不是一个好设计，这就是一个战术性编程（这个名字来自茹老师的新书《软件设计的哲学》的典范，也可以说LLM的辅助编程就是战术龙卷风，但是这对于一个工程来说并不是好事，战略性编程才是更长治久安的选择，但是如果这些永远都是LLM主导维护呢？从零开始使用Windsurf完成了一个web的小东西，总体来说很爽，从零开始一行代码也没写过，全部是在聊天，但是这聊天也不是像产品经理和开发工程师聊天一样，而是更像一个结对编程的导航员的感觉。
2024-12-04 15:16:00
431
原创 Google提出的网页性能评价指标
网页指标”是 Google 推出的一项计划，旨在针对对于提供出色的网页用户体验至关重要的质量信号提供统一指导。Google提出了Web Vitals计划旨在简化环境，帮助网站专注于最重要的指标，即 Core Web Vitals。
2024-11-15 11:38:00
1286
原创 借助大模型实现精准测试未覆盖代码的接口测试用例补充设计
在实现精准测试后，团队中开始很多人抱怨精准测试并没有真是的帮助测试工程师提高质量。精准测试报告能够发现有些变更代码没又被测试用例覆盖到，但是要怎么覆盖就变成了一个难题。目前需要开发工程师和测试工程师一起讨论给出一些测试用例的补充，在精准测试覆盖率报告生成后需要让大家放下手工的工作一起来分析报告补充测试用例确实会有点不太好组织。
2024-11-06 17:33:39
201
原创 Jacoco的XML报告详解
使用jacococli完成jacoco测试报告生成后，会看到有一个.xml结尾的文件，这个就是xml格式的覆盖率报告。除了xml还有csv、html格式的报告，本文进介绍xml报告。
2024-09-11 17:39:54
1130
原创 DPR:一种用于开放与问答任务的检索方法
它的核心思想是利用深度学习模型来生成问题的高维密集向量表示，并在大量的文档集合（如维基百科）中检索与问题最相关的文档段落。DPR的优势在于它能够快速地从大量文本数据中检索出与问题相关的信息，为后续的答案生成或提取提供上下文支持。在RAG模型中，DPR作为检索组件，与生成模型（如BART）结合，使得模型在生成答案时能够利用到外部知识源中的信息，从而提高答案的准确性和相关性。查询编码器（Query Encoder）：这是一个基于BERT-base模型的编码器，用于将输入的问题转换成一个高维的查询向量。
2024-08-30 14:20:01
776
原创 程序调用大模型返回结构化输出（JSON）
大家很多时候使用langchain、llamaindex等大模型框架的时候，一直很头疼的就是大模型的answer不一定就按照约定的结构化数据返回，那么下面就以讯飞的spark为例解决这个问题。
2024-08-08 15:41:50
811
原创 AI的IDE：Cursor配置虚拟python环境（conda）
Cursor是一个AI的IDE，是从VSCode源代码中fork出来的，专注于和AI一起Coding而生。https://www.cursor.com/是官方地址。最近开始逐渐的试用Cursor，之前一直是VSCode的重度用户，python技术栈，因此Anaconda使用也很频繁。试用中发现Cursor和Anaconda之间的配合没有那么平滑，为了解决这个问题做了如下的一些记录。
2024-08-07 15:17:38
24645
6
原创 Function Calling 快速理解
Function Calling是可以用自己的函数当作调用chatgpt的参数，在函数中我们可以做任何事情，例如获取网络上的数据，查询自己的数据库等。白话就是一下就是大模型函数调用，不是说去调用大模型函数，而是告诉大模型它需要调用那些函数完成处理，然后返回结果。
2024-07-30 15:42:35
513
原创 LLM的幻觉验证
对于模型的幻觉的验证现在虽然已经有了这么多办法，在面对幻觉的时候应该还是有很多未解的问题，对于评估方法、测试实践上还有很多值得探索和挖掘的内容。在模型的幻觉测试中，原子事实的分割和现实完全可信对比的方法虽然繁琐，但是确实当前最容易实施的方案；其次，selfcheckGPT的思路简单，方便实施，但是在相似性评价上哪一个更适合你所测试的模型，却需要读者自己判断了。最后的一致性检测相对繁琐，需要自己准备的内容较多，但是在发现幻觉上发挥一定的作用，也是一个值得深入的方向。
2024-07-26 17:28:33
206
原创 Retrieval-Augmented Evaluation方法评估模型幻觉
构建输入的prompt和golden answer相对比较耗时（可以利用LLM完成设计），往往在完成Golden Answer的设计后很少需要再次设计，因此这个成本的投入是固定的。但是评估方法是每次评估都需要执行的事情，因此建立快速、边界、ROI高的评估方法是相对比较重要的部分。
2024-07-26 11:27:08
196
为集成LLM到测试平台提供更便捷的方式：为讯飞的LLM星火创建接入LangChain类（全部源代码）
2023-11-02
个人版强制更新破解Xshell5的nslicense.dll
2019-01-02
ACIS CAD开发类库9
2009-06-10
ACIS CAD开发类库8
2009-06-10
ACIS--CAD开发类库7
2009-06-10
ACIS--CAD开发类库6
2009-06-10
ACIS--CAD开发类库
2009-06-10
ACIS--CAD开发类库4
2009-06-10
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人