- 博客(559)
- 资源 (7)
- 收藏
- 关注
RSS订阅
原创 解离与职场：从情绪中找到方向
最终，每个人都可以带着自己喜欢的剧本，去不同的舞台演绎人生。无论身处何种职业环境，主动性、情绪觉察和节奏感，都是掌控生活的关键。带着这些意识，你可以在职场与生活中找到自己的方向，用属于自己的方式实现价值。
2024-11-23 11:15:20
1428
1
原创 程序员竟然还有职业规划手册？
不是一本具体的书，而是一个由前阿里技术总监雪梅老师讲授的专栏课程，述。回顾了下毕业工作的这几年，我买过很多学习课程，《程序员职业规划手册》这个是我为数不多坚持学完的课程之一，当然里面有很多内容还需要后续反复温习、思考和练习。乘热打铁，先梳理下当前自己的一些学习收获，感兴趣的同学。
2024-03-03 17:04:09
1886
3
原创 AI 浏览器自动化工具选型：agent-browser、Playwright、browser-use、chrome-devtools-mcp 全面对比
四款工具各有侧重点，不应只通过功能数量或单次执行速度来判断谁更强。agent-browser 的价值，在于降低 AI 操作浏览器的调用门槛。它尤其适合 AI Coding 场景中的即时验证，让 AI 写完代码后能够快速观察页面、执行操作并检查结果。Playwright 的价值，在于工程化和可重复执行。对于固定业务流程、核心回归测试和 CI，它仍然是非常重要的基础设施。browser-use 的价值，在于自主规划。当任务目标明确，但执行步骤无法提前固定时，Agent 的动态决策能力可能带来更大收益。
2026-10-10 11:56:49
368
原创 学习笔记：从 70B 到 7B：为什么大模型需要知识蒸馏？
模型蒸馏通过让大模型（Teacher）指导小模型（Student）学习，实现能力迁移，在降低推理成本、延迟和部署门槛的同时，保持接近大模型的性能。其核心在于平衡效果与效率，适用于高并发、低成本场景。实际应用中需关注数据质量、任务适配与评估体系，避免盲目追求模型小型化。最终目标不是完全替代大模型，而是构建“小模型处理常规请求，大模型应对复杂任务”的混合架构，实现业务价值最大化。
2026-09-15 19:55:57
75
原创 学习笔记：Agent 为什么需要 Workspace？它和 Sandbox 又是什么关系
Agent的Workspace与Sandbox分别管理状态与执行边界，前者定义操作对象，后者限制权限范围。Workspace无需持久化，状态可通过Git等外部存储保存。多Agent并发时，悲观方案用锁串行化，乐观方案则通过独立Workspace（如Git分支/Worktree）实现并行，最终合并变更。行业实践（如Claude Code）普遍采用沙箱隔离（如Docker），确保安全执行。Git成为云端Agent任务的状态同步核心，临时Sandbox销毁后仍能通过版本控制保留项目演进轨
2026-08-18 09:57:56
353
原创 思考：什么样的 Skill 才是一个好 Skill？
摘要：评估Agent技能的三大关键原则 三篇文章一致强调，Agent技能（Skill）的质量不能仅凭发布数量或流行度判断，必须通过严格的量化评估验证。核心共识包括： 必要性验证：必须进行A/B测试，对比“有Skill”与“无Skill”的表现，避免无效或有害的Skill（如某些技能反而降低性能）； 效率优先：Skill设计需简洁高效，冗长指令会挤占Agent推理资源； 系统化评估：需构建测试基础设施，包括确定性验证器、结构化评分和运行轨迹分析。 关键差异点： 应用场景：企业级Skill（如政策执行）需更复杂
2026-07-13 10:08:42
380
原创 Agent 时代，为什么CLI又成了热点？
CLI 在 Agent 时代的复兴不是审美复古，而是结构性优势使然CLI、MCP、SKILL 三层构成完整的 Agent 能力栈——CLI 是基础，MCP 是标准化，SKILL 是编排"AI 友好"的本质是产品架构从单用户（人）转向双用户（人 + Agent）当下正处于类似 2010 年移动互联网爆发的转折点，先完成 AI 友好化改造的产品将获得先发优势。
2026-07-12 12:00:24
221
原创 AI 浪潮下的软件研发与测试：理想、现实与我们的选择
【摘要】当前AI技术浪潮下，软件研发领域充斥着"全链路AI测试""10倍速研发"等宏大叙事，但一线实践揭示出理想与现实的巨大落差。测试领域面临三重挑战：后端测试中AI生成的代码需严格人工审查；前端测试需在确定性与灵活性间权衡；团队被割裂为盲目依赖AI的"托管派"与疲于修复的"守夜人"。更深的危机在于：开发速度提升反而加重测试负担，初级开发者技能萎缩，技术债务隐形积累。破局关键在于重建工程师精神——以AI为辅助工具而非替代品，坚持
2026-06-24 11:01:29
193
原创 Linux中nohup 之后命令为什么变了？Alias 失效引发的一次踩坑记录
在Linux环境中使用nohup locust启动时出现ModuleNotFoundError: No module named 'gevent'错误，而直接执行locust却正常。排查发现，locust是别名python3 -m locust（指向Python3.6），但nohup绕过别名直接调用/home/work/.local/bin/locust（绑定Python3.9，缺少gevent依赖）。解决方案：显式指定Python3.6环境（nohup python3.6 -m locust）或为P
2026-06-16 16:57:42
241
原创 软件测试人员如何写出实用的 Skill？
摘要： 测试人员如何将经验转化为AI可执行的Skill？Skill本质是包含SKILL.md的文件夹，用于定义AI的工作范围和规则。测试工作因需固定格式和严格约束，特别适合Skill封装。重点场景包括需求分析、用例设计、接口测试、缺陷报告和质量门禁。避免四大误区：模糊的description、触发条件错位、正文冗长、缺少反模式清单。落地六步骤：收集触发句、分层规划、写好description、整理规范文档、编写步骤清单、持续优化。Skill应与代码库同步管理，按流程拆分而非追求"万能"。
2026-05-06 16:58:53
737
1
原创 软件测试人员如何理解 Harness（驾驭工程）？
摘要 Harness Engineering（驾驭工程）是2026年兴起的AI工程化新范式，旨在通过系统化约束提升AI Agent的稳定性。该理念认为Agent表现不仅依赖模型能力，更取决于"驾驭系统"的设计。文章提出六层Harness结构：角色定义层、工具设计层、输出校验层、上下文管理层、错误恢复层和可观测层，每层对应测试工程师熟悉的约束思维。通过对比有无Harness的Agent表现差异，强调系统设计比模型选择更重要，并提供测试工程师的排查清单。Harness Engineering
2026-05-06 15:56:12
575
原创 Django创始人：AI让写代码不值钱了，但好代码反而更贵了
摘要：Django联合创始人Simon Willison探讨AI时代代码成本的变化。他指出，AI编程工具使代码生成变得廉价，但高质量代码仍需工程师把关。传统软件工程以"写代码昂贵"为前提，而AI代理(Coding Agent)改变了这一成本结构，允许工程师并行处理多个任务。真正昂贵的仍是"好代码"——需要正确性、可测试性、可维护性等质量属性。未来工程师角色将转变为代码架构师和AI指挥官，核心挑战从写代码转向如何在代码免费时代持续产出优质代码。
2026-03-17 10:07:52
563
原创 前端、后端都要消失？Agent 工程师时代真的来了吗？
摘要： 阿里前P10毕玄提出取消技术栈岗位划分，统一为“Agent工程师”，引发热议。过去专业分工因技术学习成本高，但AI编程模糊了技术边界，使工程师转向问题抽象与AI调度。虽然效率提升，但需同步强化测试、CI/CD和决策机制，避免风险放大。未来工程师需从“写代码”转向“系统指挥”，能力模型将更侧重判断力与风险控制。AI时代并非取代程序员，而是推动工程范式升级，要求工程师突破技术栈限制，聚焦问题解决。
2026-02-25 17:28:02
970
原创 n8n工作流使用问题集合
【n8n踩坑笔记：HTTPRequest节点的JSON解析陷阱】 核心发现：当HTTPRequest节点配置为JSON参数时，系统会在表达式替换前先解析整个JSON模板结构。问题往往不是内容本身不合法，而是解析阶段误判了结构字符（如日志中的冒号、管道符等）。 关键结论： 日志类内容只能作为JSON字符串值存在，不能直接参与结构解析 参数清洗需考虑两个层面：JSON模板解析层 + 业务逻辑层 解决方案： 改用RAW/TextBody完全规避JSON解析 前置Code节点预处理参数，直接传递完整$json对象
2026-02-06 11:51:57
750
原创 AI 三剑客：MCP、Skill、Rule 傻傻分不清？
MCP 给 AI 装“手”Skill 教 AI “怎么干活”Rule 告诉 AI “哪些不能乱来”三者一分清，你用的就不再是“会聊天的 AI”，而是一个能长期协作的工程化 AI。
2026-02-06 10:29:44
1782
1
原创 AI工作流选型：我们为什么最后选择了n8n？
随着 AI Agent 生态的快速发展，越来越多项目开始与低代码工作流自动化平台深度结合。在具备原生可扩展能力的基础上，又补充了丰富的 AI 能力，使其能够灵活应对跨系统编排、复杂流程控制与智能决策等场景。同时，对产品、运营等非技术角色也非常友好，让他们无需编写代码即可参与流程构建与业务创新。目前行业比较有代表性的工作流平台有Dify、n8n 和 Coze等，每个产品都有自己的优劣势和适用场合。
2025-12-22 11:29:01
1084
1
原创 从入门到实战：Gemini 3 使用指南速览
Gemini 3 是 Google 最新一代大模型，具备更快、更强和超长上下文等能力，可通过网页、AI Studio 或 API 快速体验与集成。开发者可使用 Java、Python 或 curl 调用模型，也能将其接入 VS Code、JetBrains、Android 设备或 n8n 工作流，实现从内容生成到自动化的多场景应用。不同版本适用于不同需求，Flash 更快、Pro 更强，整体上手门槛低、工程化能力强，适合迅速落地到实际工作中。
2025-12-02 14:55:13
2328
原创 Gtest2025大会学习记录（含PPT链接）（全球软件测试技术峰会）
2025Gtest全球软件测试技术峰会聚焦"大模型驱动的测试新范式"，探讨AI技术在测试领域的创新应用。会议展现了行业三大趋势：1）AI测试工具蓬勃发展，百度Testmate、中兴智能体等平台实现用例自动生成；2）金融领域务实落地，银行证券机构探索LLMAgent提升测试效率；3）测试人员面临转型，需掌握智能测试技术重构核心能力。Testin云测等商业化平台已取得实际应用成效，而知识工程、工作流优化等成为行业热点。整体来看，AI正推动测试从保障职能向协同职能转变，测试人员需拥抱技术变革实
2025-09-13 15:57:08
1521
原创 任务型对话的意图识别方法介绍
在任务型多轮对话中，意图识别是一个至关重要的环节。意图识别指的是从用户的对话内容（包括文本、语音等形式）中分析并判定用户的目的或意图。比如，当你询问淘宝小二”我买的T恤什么时候发货”时，系统能够精准识别这是一个，自动调取订单系统的数据，查询该用户最近购买的T恤订单，返回预计发货时间。而当你抱怨”这个衣服跟图片上的色差好大”时，系统则识别为，自动触发下一步的处理流程，转人工客服或启动退换货流程。不只是智能客服这个相对成熟的场景，意图识别在物联网、金融和医疗领域也有所应用。
2025-09-07 16:11:57
1782
原创 Dify、n8n、Coze 深度进阶对比：多维度实战洞见
在数字化转型浪潮中，AI 工作流自动化平台正成为企业提升效率的核心驱动力。随着 AI 技术的快速进化，传统自动化正在向智能化迈进，各大平台也在不断推陈出新，以满足日益复杂的业务需求。根据最新行业评测，Dify、n8n 和 Coze 已成为市场关注的三大主流平台，我们将在本文通过全面对比，帮助你精准选型，找到最契合业务发展需求的 AI 自动化工具。
2025-07-23 10:56:59
1906
原创 有哪些好用的原型设计软件？墨刀、Axure等测评对比
本文对比分析了主流原型设计工具，重点测评墨刀与Axure的差异。墨刀适合团队协作，支持在线编辑和基础交互，上手简单；Axure功能专业，适合复杂交互逻辑但学习成本高。另推荐Figma（设计+原型一体）、Sketch+InVision（Mac生态）等工具，建议根据需求选择：快速协作选墨刀，复杂逻辑用Axure，兼顾UI设计可考虑Figma。全文通过平台支持、交互能力等维度对比，为不同角色提供选型参考。
2025-07-16 17:13:17
1236
原创 AI搜索系统如何测试？和推荐系统的主要区别是啥？
AI搜索系统测试指南 测试AI搜索系统（如语义搜索、智能问答）比传统搜索更复杂，需关注功能、性能及AI特有维度（如相关性、排序逻辑）。 与AI推荐系统相比，两者都需要一定的算法理解、数据验证和指标评估能力，但测试思路、重点、难点不同，工具和验证方式也有差异。
2025-06-23 11:36:16
1530
原创 如何测试一个非确定性系统？推荐系统测试方案总结
本文系统介绍了AI推荐系统的测试方法论。首先解析了AI推荐系统的核心组成模块，包括数据采集、特征工程、模型训练等。重点提出了测试的八大关键维度：功能性、数据完整性、模型效果、推荐相关性、多样性、性能、反馈闭环和可解释性。针对每个维度详细阐述了具体测试方法，如功能接口测试、数据质量监控、模型验证、人工评估等，并推荐了相关测试工具。文章还探讨了AI推荐系统特有的测试挑战及应对策略，强调要建立多维度、可量化的质量评估体系。最后指出测试AI推荐系统需要多团队协作，理解业务目标和算法逻辑，构建系统化的质量保障框架。
2025-06-23 10:02:32
1192
原创 大模型时代，软件测试人员还有未来吗？
软件在变化，世界在变化，测试也必须进化。只要你愿意拥抱变化、持续学习，测试永远不会被取代，只会不断升级、不断进化。加油，测试人！
2025-06-22 15:36:28
1363
1
原创 深度学习与AI爱好者的宝库：Coursera与DeepLearning.AI学习平台
Coursera和DeepLearning.AI是AI学习的重要平台。Coursera提供广泛学科课程，合作全球顶尖高校；DeepLearning.AI专注AI技能，强调实战。两者各有优势：Coursera课程丰富，适合灵活学习；DeepLearning.AI系统性强，注重工程实践。推荐学习路径包括吴恩达的深度学习专项课程和生成式AI系列。尽管英语门槛存在，但免费试听和实用内容使它们成为构建AI能力的优质选择，适合从入门到进阶的不同学习者。
2025-06-04 11:40:04
2011
原创 微软全新开源的Agentic Web网络项目：NLWeb，到底是什么 ？
2025年5月20日，微软Build大会上，CEO Satya Nadella展示了如何构建开放的智能代理网络的（agentic web），NLWeb是一个新的开放项目， 在代理网络中扮演着与 HTML 类似的角色，旨在简化网站的自然语言界面的创建，从而使任何网站易于将任何网站变成AI-Power的应用程序。
2025-05-22 09:53:47
3237
1
原创 大模型时代：为什么越来越多系统选择流式请求？
流式请求客户端发起请求之后，不是一次性拿到完整响应，而是服务器一段一段（chunk by chunk）地推数据给你客户端可以边收到边处理实时消费数据流，直到服务器告诉你「结束了」。非流式请求 = 拿快递，一次全拿到流式请求 = 跟人聊微信，几句话几句话地实时到达技巧说明开启流式处理，不一次性拿完整响应按行读取服务器推送的消息判断流式结束的信号每小段内容从这里拿实时.print().flush()保证内容马上在控制台显示，不要等缓冲。
2025-04-27 20:33:42
1108
原创 备受关注的MCP（模型上下文协议）究竟是什么？
MCP协议通过标准化接口、动态工具发现和实时双向通信，显著降低了AI模型与外部系统集成的复杂度。降低开发门槛：开发者无需为每个API编写定制化集成代码。提升系统灵活性：支持快速接入新数据源或工具，无需重启服务。增强安全性：内置加密和权限控制机制，保障数据隐私。随着AI技术的深入发展，MCP协议有望在智能客服、自动驾驶、医疗诊断等领域成为主流交互标准，推动AI应用向更高效、更智能的方向演进。
2025-04-09 10:33:44
1440
原创 Playwright与Browser Use：领略AI赋能UI自动化测试的魔法魅力
随着AI的飞速发展，各种创新的AI自动化测试工具如雨后春笋般涌现，为软件测试领域带来了全新的活力和可能性。Browser Use是基于Playwright的增强工具，专注于将AI代理与浏览器自动化结合，通过简化操作和扩展功能提升了开发效率。
2025-04-01 11:38:48
3264
原创 《关键对话》：如何高效能沟通
沟通能力决定了我们在职场和生活中的影响力。《关键对话》 提供了一种全新的沟通方式，教会我们在重要时刻，不再选择“沉默”或“暴力”，而是找到更好的第三种方式，实现共赢。
2025-03-25 10:30:16
1791
原创 安装和管理最新的Python3环境（以Mac为例）
随着大模型技术的快速发展，各种基于AI的测试技术也层出不穷，有些场景需要在较高版本的Python3环境下实现，否则可能会出现兼容性问题。另外考虑自己对于Python3的各个版本环境的管理和使用其实一直都不是特别的清楚，主打一个"能用"就行。因此，趁着这个机会梳理下一些最基本的Python3环境管理，3.13为3.9.6。
2025-03-23 15:53:47
1915
原创 Agent交互新体验：AI如何从Chat到Act？
2024年11月29日，大会主题【Agent交互新体验】，以大模型带来的自然语言交互能力为产品创新趋势，以人机交互升级为切入，选择用户日常的生活场景和工作场景，主打端侧大模型交互产品的定位，展示AI原生设备的技术能力。
2024-12-03 15:38:06
1690
原创 AI智能体崛起：从“工具”到“助手”的进化之路
AI智能体在跨系统的过程当中，会遇到各种各样的难题，这也是为什么google们的AI智能体在尽可能的图片识别能力，通过屏幕的截图来访问不同的软件和网站。比如说你在ChatGPT的网站上聊天，让它生成旅行的建议，ChatGPT就会给你规划路线，建议游玩的景点，但是不能帮你预定门票和酒店。通过提示 LLM 告诉它现在你是 CEO，现在你是软件工程师，它们合作，进行扩展的对话，以至于如果你告诉它，请开发一个游戏，开发一个多人游戏，它们实际上会花费几分钟编写代码，测试它，迭代它，并最终生成一个出人意料的复杂程序。
2024-11-26 11:00:11
1575
1
原创 人工智能（AI）与机器学习（ML）基础知识
本文为大家介绍一些关于人工智能（Artificial Intelligence, AI）和机器学习（Machine Learning, ML）的基础概念、核心原理以及学习路径，帮助大家更清晰地了解这个领域的框架。人工智能是一个广义的概念，指机器模仿人类智能的能力，例如学习、推理、解决问题、语言理解和视觉感知。机器学习是让机器通过数据学习规律，并能够完成特定任务的技术，无需明确编程。用未标注的数据训练模型，模型自行发现数据中的规律或结构。用带标签的数据训练模型，学习输入与输出的映射关系。
2024-11-22 10:34:25
1843
原创 Mongo数据库集群搭建
MongoDB因为使用比较方便，在研发或测试团队用的比较普遍，有时候可能因为成本和预算等原因，短期无法在云上买集群资源，只能在物理机器上部署，考虑一般机器部署的服务和使用的同学都比较多，单节点故障容错率较低，因此一般建议是部署集群模式，否则一台机器故障，可能导致服务不可用或数据丢失。
2024-11-17 17:55:58
1883
原创 AI编程工具真的能替代程序员工作吗？
在当今科技迅速发展的背景下，生成式人工智能（AI）在各个领域的应用已经成为热门话题。其中，人工智能编程工具的崛起无疑是软件开发行业早期受到冲击的领域之一。目前AI辅助编程主要有三种模式：IDE模式、Prompt模式、Agent模式。
2024-11-05 10:24:31
1304
原创 不只是任务分配！管理者应具备的核心认知
作为管理者，明确目标和预期结果是第一步。团队需要的不仅是指令，而是对目标意义的深刻理解。为确保目标清晰，可以采取“阶段目标拆解”的方法，将复杂的目标划分为具体、易于执行的任务，并强调任务的关键结果。例如，“在第一季度确保产品稳定性，减少崩溃率，提高系统响应速度”这样的目标说明，能让团队成员在细节上有所取舍并专注核心任务。
2024-11-03 12:03:53
911
原创 管理者如何开展和布置工作？
复盘才能翻盘。”每次任务结束都是学习的机会。进行复盘与总结，评估团队工作成果，反思成功与失败原因。复盘是智慧的积累，正如名言所示：“历史是一面镜子。”通过复盘总结，团队可不断吸取经验、优化流程、提升效率。布置工作看似简单，实则深奥。记住，领导不是权力的象征，而是责任的担当。只有当你能够熟练地布置工作、保障执行时，你才能真正成为一名优秀的领导者。
2024-10-15 20:42:00
1463
office2013 应用程序无法正常启动(0xc000007b)
2017-06-17
光流场计算 c语言 源码 optical flow
2017-10-16
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人