登录社区云，与社区用户共同成长
邀请您加入社区
很多协议转换项目，最容易做的是普通文本对话。原因很简单。不同模型、不同 SDK、不同客户端，对工具调用的表达方式不一样。tool_calls有的是 XML 风格。有的是消息块。有的是流式增量输出。有的是先输出工具名，再输出参数片段。如果 Tool Call 适配不严谨，模型输出可能会被当成普通文本，或者工具调用结构泄漏给用户。
关注 霍格沃兹测试学院公众号，回复「」, 领取人工智能测试开发技术合集一、4月24日的“技术价格战”二、开源与闭源的分岔口三、为什么能做到：三层技术拆解四、开源模型正在如何改变开发流程五、工程落地的真实启示六、未来会怎样。
本文探讨了AI测试Skills在实际应用中的常见问题与优化策略。文章指出，测试团队不应简单依赖AI生成测试用例，而需要将测试经验、约束和流程沉淀为可复用的工作流。作者详细分析了15个典型问题场景，包括Skill加载失败、描述模糊、角色边界不清、流程中断等，并提供了具体解决方案。强调测试Skills需要明确定义覆盖标准、输出格式、项目规则和失败策略，才能从"聊天工具"升级为工程资
过去，测试团队的核心工作是：理解需求；设计用例；执行测试；发现缺陷；推动修复。后来，自动化测试和测试开发能力变得越来越重要。测试团队开始需要掌握：编程能力；自动化框架；接口测试；持续集成；测试平台建设；质量度量体系。而到了 AI 时代，测试团队的能力边界正在继续扩大。未来的测试团队，不仅要会测试系统，还要会测试 AI 应用；不仅要会写自动化脚本，还要会设计智能化测试流程；不仅要会使用工具，还要会让
听完一整节课，小陈不仅理清了部署全流程，还学会了如何分析一个开源项目是否适合自己二次开发。而老师没有止步于此：“我也帮你问问我之前的老同事，他们在公司用的是另一套开源的，用得还不错。回头把名字发给你，你可以对比一下，哪套更适合你的场景。💬 这就是私教的价值——不只是解决当下一个问题，而是给出一条可持续的学习和解决问题路径。从“中间件不了解”“前端没部署过”到“太好理解了”“了解”，仅仅用了一个小
Claude Code + MCP 的出现，给测试开发一个非常明确的信号：AI 编程工具正在从“代码生成”走向“工程执行”。过去我们关注的是：AI 会不会写代码。AI 会不会写单测。AI 会不会生成自动化脚本。但下一阶段更值得关注的是：AI 能不能理解工程上下文。AI 能不能调用测试工具。AI 能不能连接质量平台。AI 能不能分析失败原因。AI 能不能形成测试闭环。这也是测试开发岗位能力变化的关键
关注 霍格沃兹测试学院公众号，回复「」, 领取人工智能测试开发技术合集上周帮学弟看offer，吓了一跳。某大厂给AI对齐岗的校招白菜价，总包42w。同一个公司，传统测试开发岗，开出了18w。差了不止一倍。这不是个例。我翻了牛客网五月最新的offer帖，又问了几个在阿里、字节、美团的朋友，结论很一致：2026届技术岗的薪资两极分化，已经到了离谱的程度。AI方向，硕士白菜价普遍40-55w，博士核心岗
智能体是今年非常火的方向，2025年称为“智能体元年”。在学习任何一个新学科或新领域时，不妨先花些时间了解它的发展史。为了深刻理解智能体为何呈现出如今的形态，以及其核心设计思想的由来，本文将回溯历史：从人工智能领域的古典时代出发，探寻最早的“智能”如何在逻辑与符号的规则体系中被定义；继而见证从单一、集中的智能模型到分布式、协作式智能思想的重大转折；最终理解“学习”范式如何彻底改变了智能体获取能力的
摘要：一位软件测试求职者在模拟面试中发现自己低估了简历中的两大亮点——大模型测试和算法平台经验。面试官指出，这些正是当前最热门的技术方向，建议他不仅要掌握基础原理，还要学会用"故事思维"包装项目经历。关键启示：1）挖掘简历中的技术亮点并深入理解；2）用"问题-解决-成果"的故事框架展示能力；3）适度突出开发背景等差异化优势；4）重点准备算法简单题而非死磕八股
测试工作的起点通常是已明确的需求文档，你的任务是验证实现是否符合规格。但AI产品经理的起点要前置得多：你需要从模糊的业务痛点中抽象出可被AI解决的正确问题。这要求你从“找bug”转向“找机会”。用测试用例的编写逻辑反向解构业务。每当你拿到一个AI产品需求，先不要想怎么测，而是问：“这个需求试图解决的用户任务是什么？如果不用AI，用户现在是怎么解决的？AI介入后，成功的关键指标是什么？失败的最大代价
摘要：未来10年，后端技术将呈现四大趋势：分布式系统深化、云原生技术普及、AI融合及Serverless架构成熟。这些变革将显著影响软件测试工作，带来测试复杂度提升、环境适配、智能化机遇和轻量化挑战。测试人员需掌握分布式原理、容器编排、AI工具及Serverless测试方法，通过混沌工程、自动化测试和智能分析等手段应对新挑战。紧跟技术发展、调整测试策略，才能构建高效的质量保障体系，在技术演进中持续
【霍格沃兹测试学院公开课】4月29日20:00免费开讲！深度剖析智能化测试技术架构与演进路径，详解AI测试智能体开发实战，涵盖Web/App/接口测试智能体解决方案，分享阿里/字节等大厂AI测试实践。报名方式：关注公众号回复「资料」获取技术合集，扫码即可参与。由思寒老师主讲，揭秘支持"用例自生成+全自动执行"的闭环架构设计。（98字）
摘要：本文分享了开源测试工具从"用爱发电"到商业变现的5种路径：1)捐赠与赞助，通过用户认可获取基础收益；2)增值服务，为高级功能收费；3)技术服务，将专业能力转化为收入；4)产品化运营，打造测试工具生态；5)项目收购，实现价值最大化。作者结合自身开发接口测试工具的经验，建议测试从业者根据项目发展阶段选择合适的变现方式，同时保持技术热情和用户关注，逐步实现开源项目的商业价值。
模块设计用户模块：实现用户登录、注册及个人信息维护功能，保障用户身份管理与信息安全。帖子模块帖子回复功能：实现针对帖子的评论与互动回复，强化社区交流属性。站内信功能：支持向指定用户发送消息，采用长轮询技术实现实时消息推送，提升用户沟通效率。模拟服务器有效地将消息推送到客户端(或浏览器)技术栈后端：基于 Spring Boot + Spring MVC 构建服务端逻辑，以 MySQL 作为数据存储引
查看报告进入20230707005328 目录，点击 index.html 文件，可以看到压测的结果。
本文深入探讨了Selenium自动化测试中的异常处理技术。首先分析了异常处理的重要性，指出其能保障测试稳定性和可靠性。接着详细介绍了Selenium中的主要异常类型，包括WebDriver异常、元素交互异常和时间相关异常等。文章重点讲解了三种异常处理方法：使用try-catch捕获异常、日志记录和重试机制，并通过两个典型案例（处理NoSuchElementException和TimeoutExce
本文总结了Selenium 4自动化测试中新手常见的四大坑点：1）使用开发者工具获取最新网页元素属性，避免因网页更新导致元素定位失效；2）配置ChromeOptions进行反爬伪装，规避网站自动化检测；3）采用WebDriverWait智能等待替代time.sleep固定等待；4）通过JavaScript注入解决元素不可交互问题。文章结合真实案例，强调不要照搬老旧代码，要掌握自主获取最新元素的能力
本文介绍了图像识别技术在人工智能领域的应用及实战案例。主要内容包括：1）图像识别的概念与子任务（目标定位、检测、分类等）；2）应用场景（安防、交通、家居、自动驾驶）；3）使用HuggingFace transformers库实现目标检测和零样本检测的代码示例；4）相关学习资源推荐，包括课程、工具和视频教程。文章通过具体代码演示了如何利用预训练模型进行图像识别任务，并标注识别结果。最后提供了测试开发
然后就是 dlv 仓库的版本选择问题，我本地的 golang 是 1.18.10，下载最新的 dlv 时，项目是 1.19.x 的，可以打包成功并运行，但本地 VSCode 开始远程调试时就会报出版本对不上的问题，后更换低版本 dlv（golang 1.18.3）远程调试成功，目测是不向上兼容，向下大版本能兼容。老实说，这要看你所在厂的 CV 积累如何，比如我面快手的时候，对于一些自研的渲染引擎，
随着互联网的普及和发展，接口已经无处不在。它已经在、移动应用程序、云计算、物联网、人工智能等领域中得到广泛应用。例如，在金融行业中，可以被用于构建支付服务、银行服务和证券交易服务等；在医疗行业中，API 接口可以被用于构建病历管理系统、健康监测系统和医疗保险服务等；在教育行业中，API 接口可以被用于构建在线学习平台、教育数据分析系统和教育资源共享平台等。可以说，API 接口已经成为了现代社会中不
在软件测试中，测试数据的多样性和灵活性对测试覆盖率至关重要。而数据驱动测试（Data-Driven Testing）通过将测试逻辑与数据分离，极大地提高了测试用例的可维护性和可扩展性。本文将结合Selenium这一流行的测试工具，手把手讲解数据驱动测试的实现方法，包括环境准备、代码实战以及最佳实践，帮助你快速掌握这一关键技能。
通过构建企业专属测试知识库，智能体可直接调用标准化需求文档、历史用例库、缺陷数据，避免“网络信息垃圾”干扰，让测试分析准确率提升90%以上。🔹 数据价值释放 通过GraphRAG技术，将散落在Confluence、Jira、GitLab中的需求、用例、缺陷数据构建成知识图谱，测试智能体可自动识别关联关系，发现“需求变更未同步用例”等隐形风险。传统测试需明确需求→用例→执行的线性流程，而智能体
如果没有，ui 自动化测试将寸步难行。如果不精准，自动化测试就很难稳定运行。也许你经常听前辈们讲解如何提高自动化程序运行的稳定性，我得说，一个精准的元素定位表达式，是一切自动化测试程序正常执行的基础。什么是元素定位呢？无论自动化程序想要操作网页的任何按钮、链接或者输入框，都必须先找到要操作的网页元素，这个过程就是元素定位。现如今，我们会运用机器学习等智能化手段提高元素定位的精准性，但不是每个公司和
基于北方苍鹰优化算法优化径向基函数神经网络(NGO-RBF)的时间序列预测 NGO-RBF时间序列优化参数为扩散速度，采用交叉验证防止过拟合matlab代码注：暂无Matlab版本要求 -- 推荐 2018B 版本及以上在时间序列预测领域，寻找高效准确的模型一直是研究的热点。今天咱来唠唠基于北方苍鹰优化算法优化径向基函数神经网络（NGO - RBF）进行时间序列预测这一有趣的事儿。
本文介绍了一个基于Python的电商数据分析可视化管理系统，整合了Flask后端、Selenium爬虫、机器学习预测模型及LayUI前端等技术。系统核心功能包括淘宝商品数据自动化采集、数据清洗存储、多维度可视化展示（销量/价格/品类趋势）以及基于多元线性回归的销量预测。项目解决了电商行业数据管理低效、销量波动预测困难等痛点，实现了"采集-分析-预测-管理"全流程数字化，既可作为
CraftAgents：从聊天工具到Agent工作流管理的进化 CraftAgents是一个开源的Agent工作台工具，旨在解决Agent在实际工作流中的管理问题，而非仅提供简单的问答功能。其核心能力包括多会话管理、权限控制、Sources连接（如GitHub、Slack、Notion等）、自动化任务及Skills封装，使Agent从“聊天助手”升级为可协作的“执行单元”。 该项目在GitHub上
随着互联网招聘信息的爆炸式增长，传统的人工采集与分析方式效率低下且难以满足精准化需求。基于大数据技术构建的招聘信息智能采集与分析系统，通过Python+Selenium技术实现自动化数据采集，结合自然语言处理（NLP）与机器学习算法，对招聘信息进行深度挖掘与分析，为求职者、企业及人力资源机构提供数据支持。系统采用Selenium模拟浏览器操作，突破动态网页反爬限制，实现多平台（如前程无忧、智联招聘
DeepSeek-TUI：终端AI编程助手的工程化实践 DeepSeek-TUI作为终端内运行的AI编程Agent，正在改变开发者与AI的协作方式。相比传统聊天式AI工具，它具备三大核心优势：1）直接访问项目上下文，可读取文件、分析代码结构；2）支持命令执行与结果分析，形成开发闭环；3）实现代码修改与版本控制集成。特别适用于测试开发场景，包括快速理解项目架构、生成/调试测试用例、分析失败日志、重构
selenium
——selenium
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
DeepSeek技术社区
AtomGit开源社区
2048 AI社区
龙虾开发者社区
openEuler 社区
深开鸿 技术专区
广州城市开发者社区
脑启社区
