登录社区云，与社区用户共同成长
邀请您加入社区
本文介绍了azure_application_insights软件包在OpenHarmony应用监控中的使用。该工具可将应用内的追踪、事件、异常和请求耗时数据上报至Azure服务器，提供专业的性能监控能力。文章详细讲解了初始化配置、数据上报API、常见应用场景（如崩溃监控和转化分析）以及OpenHarmony平台的适配要点，并提供了完整的异常监控实战示例。该方案能帮助开发者实现数据驱动的应用运维，
如果说前一篇OCR是让机器"看见"文字，那么Document Intelligence就是让机器"读懂"文档。它是Azure上一项专门从文档中提取结构化信息的AI服务，前身是Azure Form Recognizer。最常用的地方就是发票。它的核心价值：你的OCR提取的是"一堆文字"，而Document Intelligence提取的是按照需求"发票号码：INV-001"、“总金额：$1,600”
OpenClaw 是一个开源的 AI 个人助理平台，可在你自己的设备上运行并执行现实世界中的任务。与传统的基于云的 AI 助手不同，OpenClaw 强调本地部署和隐私保护，让你对自己的数据拥有完全的控制权。通过本指南，我们成功实现了在 Azure Windows 11 虚拟机上自动部署 OpenClaw 的完整流程。整个部署过程高度自动化，通过单个脚本即可完成从 VM 创建到安装所有依赖项及 O
本文开始接触一下另外一个服务：Azure 认知服务（Cognitive Services）。从上图可以看到Azure AI = Azure 的 AI 服务总称（包含认知服务+高级AI）认知服务 = Azure AI的基础服务层（预训练模型，开箱即用）Azure AI Vision = 认知服务中的计算机视觉子集（包含OCR、图像分析等）Azure Computer Vision服务在2026年已经
系统支持任意海流扰动（大小、方向可配置），并给出 6-DOF 水平面运动学/动力学积分接口，方便扩展为更复杂模型。该代码以“最小可用、最大可扩”为原则，将经典增量 PID 与现代导引算法结合，形成一套易读、易调、易移植的 AUV 圆轨迹跟踪模板。开发者可在保留顶层接口的前提下，任意替换控制律、动力学、轨迹源，实现从仿真到实物的无缝迁移。Step 0初始化：设置圆心、半径、PID 增益、海流、仿真步
AI(尤其是Agent和Copilot)是微软的Ignite 2025大会(2025/11/18-2025/11/22)最重要的主题。当前制作Agent从No code到Pro code有如下一些方式，在Agent Knowledge source方面，微软发布了一些更新。这边将简单说明一下Agent Builder Knowledge source配置方面的其中一些更新。
在软件测试领域，传统A/B测试常因固定流量分配导致效率低下——50%用户暴露在次优方案中，造成转化率损失与测试周期冗长。：$UCB_i = \bar{x}_i + \sqrt{\frac{2\ln t}{n_i}}$（$t$总试验次数，$n_i$臂i试验次数）：某电商支付页测试中，算法将75%流量动态分配给CTR（点击率）领先的V2版，较传统方法提前3天锁定最优方案。：基于贝叶斯概率模型，为每个测
摘要：GNN在容器网络异常预测中展现出显著优势，成为解决动态拓扑检测难题的新工具。热门应用包括：AI工具评测（异常检出率提升30%）、精准测试案例（STGNN实现95%准确率）和DevSecOps集成实践。通过PyG框架构建GCN/GATv2模型，结合无监督链路预测（AUC达92.5%），在电商平台落地中使故障预测准确率达90%。2026年趋势显示，GNN将与生成式AI结合，建议从业者掌握PyG工
2026年软件测试将深度整合AI技术，能力评估迎来智能化变革。T型/Y型矩阵仍是团队技能评估核心工具，大模型可自动化生成热力图识别技能缺口（如安全测试覆盖率仅45%）。实战中，AI评估工具通过三步法提升效率：数据采集（如SeleniumAI插件）、可视化分析（技能达标率提升至90%）、闭环优化（结合DevOps实时更新）。未来趋势包括AI合规融合（自动生成GDPR测试用例）和智能矩阵（同步云原生数
眼动追踪工具热度飙升，主要因其能精准量化认知负载（注视时间、瞳孔变化等指标），有效提升测试质量。热门内容包含工具横评（如NeuroLens与Tobii对比）、实战案例（某金融团队缺陷率降37%）及AI应用技巧（10分钟生成测试框架）。该技术尤其适用于脚本调试，通过监测500ms以上注视预警逻辑问题，结合CLI指数优化工作流。行业预测2026年78%企业将采用AI疲劳监测，从业者需关注ISO标准合规
2026年软件测试公众号爆款内容呈现三大趋势：AI测试工具评测（占比60%）、精准测试案例（年增40%）和职业发展指南（环比增30%），均以解决实际痛点为核心。成功要素包括专业方法论（如缺陷预测模型）、可操作模板（测试用例库）及AI热点结合。AI可高效生成初稿（10分钟完成框架），但需人工优化专业细节。未来重点将转向多模态测试（AR/VR）、合规解析及测试数据服务（TDaaS）。内容需建立质量门禁
摘要： AI同步引擎通过三层自动化架构解决文档与测试脚本版本割裂问题：智能感知变更、动态重构脚本及合规自校验。实证显示，某证券系统部署后文档延迟率下降94%，缺陷逃逸率降低80%。2026年建议集成Apifox等工具，设置CI/CD校验关卡，并预判大模型将实现端到端自动化，人力投入缩减至20%以下。核心价值在于同步效率提升与合规风险防控。
2026年，软件测试公众号内容热度高度聚焦AI安全领域，尤其“对抗样本诱发的芯片功耗侧信道检测”主题阅读量激增40%以上，成为三大爆款赛道之一（工具评测、安全测试实战、AI赋能案例）。这一趋势源于行业痛点：随着AI模型在嵌入式系统（如IoT设备）的普及，对抗样本攻击可诱发芯片功耗异常，导致数据泄露或系统崩溃，而传统测试方法难以捕捉此类隐蔽威胁。：2025-2026年，中央网信办“清朗行动”强化对硬
在上一文中， 我们看到了ADLS 分层设计， 数据版本控制等数据工程的理念在Azure中的实现， 现在加入对Azure ML的实现，构建「可追溯、可复现、可扩展」的AI数据供给体系。我们不是“把数据喂给ML”，而是设计让数据持续健康流动的循环系统。备注：因为在实操过程出现了一些小失误，而目前我们使用数据类型为V2 API， 不支持物理删除，所以只能通过命名其他的方式来重做，因此截图中会出现一些上下
“为了以玩家为中心,首先必须要以开发者为中心。”这是微软游戏生态系统联合副总裁Sarah Bond在“2022微软游戏出海开发者大会”上,对自己20余年在游戏开发行业实践的感悟。今天,电子游戏已经是全球近27亿玩家的数字娱乐与社交平台。大型游戏开发商开始为忠实的玩家群体提供服务化、可持续游玩的电子游戏新体验,独立开发者则会释放电子游戏更具个性和想象力的一面。来自中国的游戏正在向全球玩家展示别样的魅
在上个月，很多个人开发者已经收到了 Azure的邮件通知，该邮件信息如下：也就是将要封禁大陆的API调用，时间是2024/10/21. 但是没有立即封禁，大部分开发者都是在月底才开始被停止调用。
本文解析软件测试公众号高热度内容创作策略，提出数据驱动的优化框架。研究显示，工具评测、自动化教程和案例复盘等实用内容分享率超30%，而理论探讨类完成阅读率不足50%。文章构建七步写作法，建议采用"痛点+解决方案"标题、模块化主体架构，并强调AI工具辅助与A/B测试优化。案例表明，融合趋势解读与实操代码的内容可获得10万+阅读量。核心在于持续迭代专业价值内容，动态适配测试技术发展
上行带宽占用高、云端存储/计算成本激增、实时性受网络波动影响。Azure IoT Edge 作为微软推出的企业级边缘计算平台，支持将计算逻辑下沉到本地边缘网关，配合C#编写自定义预处理模块，可在边缘侧完成数据清洗、聚合、过滤、AI推理等操作，仅将高价值、轻量化数据上传至云端，大幅降低云端负载与带宽成本。结合工控上位机Windows系统、7×24h稳定运行、C#技术栈。
一篇文章带你读懂 Azure AI 有哪些服务
看板图表数核心指标OpenAI15请求数、成功率、Token、限流、错误10请求数、响应时间、CPU、内存、重启通过合理选择指标和布局，可以构建清晰有效的监控看板，及时发现和定位问题。
AI 时代很多东西都不是技术层面的内容，比如数据治理，数据工程等。试想一下你去面试，面试官考察的不是“你用了什么工具”，而是“你为什么这样设计”例如：❌ 工具操作：“我创建了三个容器”✅ 工程思维：“我设计三层容器，因为Raw层满足合规审计，Processed层隔离脏数据风险，Curated层支持特征复用——这是微软Azure数据架构指南推荐的分层模式”数据工程原则ADF+ADLS实践专业体现1.
三相桥式全控整流电路仿真模型包括6脉波整流电路（sixmaibo.slx）与12脉波整流电路（double12maibo.slx）包括三相全控整流电路输入电压、电流仿真波形三相全控整流电路输出电压、电流仿真波形交流侧输入电流进行FFT傅里叶谐波频谱分析【内有文档解析原理，结果分析】在电力电子领域，三相桥式全控整流电路是一个非常重要的存在。今天咱们就来深入聊聊它的仿真模型，特别是其中的 6 脉波整流
对我来说，Claude Code 不是“替我写代码”，而是让我把时间花在更值钱的地方：我把“写代码”变成“定义正确 + 快速验收 + 快速交付”。如果你也是做开发、做运维、做桌面支持的，我非常建议你试试这种工作流：先写验收清单，再让 AI 产出，再用日志和复现条件做迭代。你会发现效率提升真的不是一点点。⬆️ 返回顶部。
摘要：在使用Java SDK访问中国区Azure AI Search资源时，由于默认认证地址为全球云环境(https://search.azure.com)，导致出现AADSTS500011错误。解决方法是在构建SearchClient时指定中国区云环境：1) 设置authorityHost为AZURE_CHINA；2) 添加audience(SearchAudience.AZURE_CHINA)
微软更新AI-102认证考试，聚焦生成式AI与代理解决方案。新版考试重点涵盖Azure AI Foundry、RAG架构及自主代理开发，反映企业对智能应用的需求转变。备考建议结合官方文档与实践操作，并推荐使用考证宝KaozhengPro等专业题库资源。该认证将提升工程师竞争力，推动企业数字化转型，未来AI开发将更注重工作流策划与伦理合规。微软将持续更新考试内容，引领智能化技术发展。
本文介绍了Azure AI生态中的核心服务Azure Machine Learning（Azure ML）工作区的使用。文章首先展示了Azure ML的默认目录结构，包含工作区、功能存储区、中心和注册表等核心组件，以及共享资产和管理员功能。通过实操演示，详细说明了从创建工作区、运行示例笔记本到创建计算资源的完整流程。最后，文章梳理了实际运用中的6个关键步骤：数据准备、模型训练、模型评估、模型部署、
摘要：本文针对自动化测试中的动态元素定位难题，系统解析XPath和CSS选择器的进阶优化策略。重点探讨了XPath的相对路径优化和函数应用，CSS选择器的属性匹配技巧及性能优化方法，并提出了混合使用策略与动态元素处理方案。结合2026年AI辅助定位趋势，文章通过电商、金融等实战案例，展示了如何将元素定位失败率降低13个百分点，测试脚本稳定性提升30%。为测试团队提供了降低维护成本、提升自动化框架鲁
本文探讨了异步机制在现代应用中的核心原理与测试挑战，提出四维等待优化策略提升测试效能。异步架构依赖事件循环和非阻塞I/O模型，但常引发竞态条件和状态同步延迟问题。解决方案包括：1)智能事件驱动等待自动校验元素状态；2)多层级队列监控实现任务优先级调度；3)分布式事务追踪保障跨进程调用；4)自适应阈值算法动态调整等待时间。实战数据显示，智能等待策略使用例稳定性提升至98%，执行效率优化10%。未来方
WebApp调用Azure中国区认证端点时因令牌缓存失效导致请求激增和登录失败。问题根源在于未正确复用ConfidentialClientApplication对象及启用共享缓存。解决方案包括：1)应用级单例创建ConfidentialClientApplication；2)显式启用.WithCacheOptions共享缓存；3)通过AcquireTokenForClient优先从缓存获取toke
Codex是OpenAI基于GPT-3训练的代码生成模型，专门用于理解和生成编程代码。通过与Azure OpenAI服务(AOAI)集成，开发者可以在本地开发环境中获得强大的AI编程辅助。本文将详细介绍如何在VS Code中配置和使用Codex扩展，充分利用Azure OpenAI的强大能力。// 在VS Code的keybindings.json中添加},},创建。
您可以在全新的演示页面haveibeenpwned.com/Demos上找到这个视频，很快您将看到更多示例，从基础知识开始，然后逐渐变得复杂。特别是API，它们是许多支持请求的来源，我们希望这些演示能够为大众简化API使用，并在此过程中为我们节省一些支持工单的开销。顺便说一句，在准备这篇文章时检查统计数据时，似乎我们现在有35.7万个域名监控实例😲 这还包括全球前1000大域名中的近四分之一，因
Azure Storage 节点内置支持多种功能，包括创建、获取和删除 blob 及容器。使用此节点可在 Azure Storage 服务中实现工作自动化，或将其与工作流中的其他服务集成。
可定制化的数据收集模板。
摘要：本文介绍了在Azure API Management (APIM) 中禁用自签名证书验证的方法。通过PowerShell命令或REST API，可以设置SkipCertificateChainValidation为True来跳过证书链验证，使APIM能与使用自签名证书的后端服务进行HTTPS通信。具体步骤包括新建或修改Backend、在API中配置backend服务策略以及测试验证。虽然这种
在资源受限的环境中，使用量化模型的本地推理对于降低成本并提高效率非常有帮助。例如，可以在个人开发机上进行实验或在边缘设备上部署语言模型。结束语：如果遇到问题欢迎在评论区交流。
在现代机器学习开发中，Hugging Face Hub提供了一个丰富的开放平台，包含超过120,000个模型、20,000个数据集和50,000个示例应用（Spaces）。这些资源都可以公开获取，并且为用户提供了各种端点以构建机器学习应用程序。在这篇文章中，我将向大家展示如何连接到Hugging Face的不同端点类型。本次示例将特别关注于文本生成推理，这由一个自定义构建的Rust、Python和
转载于: https://www.cnblogs.com/Johny-zhao/p/18919080。PAI-TF（优化版TensorFlow）+ ACK Pro集群。MindSpore + HCCL（华为集合通信库）ModelArts AutoML（自动超参搜索）SMDDP（AWS定制通信库） + EFA网络。PAI-EasyVision（CV自动化建模）PAI-TF（定制TensorFlow）
2025年云服务器选型聚焦AI与大模型需求，阿里云磐久AIInfra2.0单柜支持128个AI芯片，推理性能提升50%。核心趋势：大模型部署需高算力GPU（单芯片≥2000瓦）、分布式架构；企业应用推荐跨可用区部署+弹性伸缩组合降本30%；游戏场景宜选高频CPU+RDMA网络。成本控制建议采用预留实例券+按量付费混合模式，可降22%总成本。当前云市场进入"云智合体"阶段，选型需
在实际的企业环境中，很少甚至可以说禁止手动创建资源，因为很容易出错，并且大规模部署时会非常低效。因此大部分企业都会使用工具或者某些服务来实现这种可控，可复用，具有伸缩性的部署方式。本文把工具选定为Terraform。由于后续学习需要不停创建、删除Azure 资源，所以这里演示一下在本机（windows 10）上安装Terraform，并且创建一个Azure Storage Account.
大模型时代，云服务器已从“可选配置”升级为“核心生产力工具”。选型不必追求“最高配”，但必须瞄准“最适配”——贴合业务场景、成本可控、安全可靠。如果您正面临选型纠结：例如“大模型训练GPU集群选择”“核心业务可用区配置”或“降低运维成本”，建议立即行动。专属支持：请提供您的“业务场景+核心需求”（如“金融交易系统+高可用”），我将协助生成定制化选型方案与专属优惠，帮助您在云智时代高效决策，少走弯路
✨「再度发声」AI大模型隐私问题曝光！主流大模型隐私保护漏洞频现，用户数据面临“裸奔”风险。中国企业如何应对数据合规危机？微软Azure OpenAI服务或成破局关键，快来与雪球一探究竟！
azure
——azure
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
人工智能6S服务平台
2048 AI社区
微软开发者社区
DAMO开发者矩阵
CSDN-OPC开发者社区
火山引擎 ADG 社区
