登录社区云，与社区用户共同成长
邀请您加入社区
本文介绍了一套自动化测试自愈系统的设计与实现。该系统通过诊断、规划、执行三步流程，能够自动修复元素定位等常见测试错误。核心架构包括测试执行层、自愈子图和修复模块，采用规则引擎优先、策略模式设计的思路，实现了毫秒级错误诊断和修复。系统上线后显著减少了人工干预需求，元素定位类错误的自愈成功率较高。文章详细阐述了系统架构、诊断分类、策略选择、执行流程等关键环节，并分享了同步异步冲突、LLM延迟、策略顺序
Doxygen是一款开源跨平台的代码文档生成工具，支持C++、Python等十余种编程语言。它能自动解析源代码中的特殊注释，生成HTML、PDF等多种格式的技术文档，并支持可视化图表展示代码结构。使用流程包括安装工具、配置Doxyfile文件、编写规范注释和生成文档四个步骤。Doxygen特别适合大型项目维护代码文档，有效解决"代码更新快文档跟不上"的问题，是"代码即
在设计数据流转处理之前，需要定义一个数据模型来表示接口请求和返回的数据。数据模型可以使用类的形式来表示，其中包含接口请求的参数、请求方法、请求地址等信息，以及接口返回的状态码、响应数据等信息。定义一个数据模型可以使数据的传递和处理更加清晰和有序。设计和规划接口自动化框架的数据流转处理是一个复杂的过程，需要根据具体的需求和目标来选择和设计合适的方法。在设计过程中，需要明确需求和目标、定义数据模型、设
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
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
渗透测试的核心在于网络基础，而非工具操作。许多常见问题（如nmap扫描失败、内网不通、反弹shell失效）都源于对OSI七层模型和TCP/IP协议的理解不足。OSCP考试中，网络知识贯穿始终： OSI七层模型是排错导航图，每层对应不同渗透场景（如数据链路层的ARP欺骗、传输层的端口扫描）； TCP/IP协议是实战关键，需掌握私网地址段、CIDR网段表示法和路由逻辑； TCP/UDP协议决定扫描与攻
指标 | 传统方式 | AI工具 | 提升幅度 | |---------------|----------|----------|----------| | 准备时间(h) | 6.5 | 0.8 | 87% | | 题目覆盖率(%) | 65 | 92 | 41% | | 答案准确率(%) | 78 | 95 | 22% |这份文档和视频资料，对于想从事【软件测试】的朋友来说应该是最全面最完整的
深度解析：“AI赋能测试”不是简单地用AI替代人工，而是通过数据驱动 + 智能决策重构测试生命周期。核心在于提升效率、覆盖盲区、预测风险。典型场景：智能用例生成：LLM（如GPT-4o）根据PRD/接口文档自动生成边界值、异常流测试用例，覆盖率达90%+（传统手工仅60%）。视觉回归测试：Applitools/Eyes 使用CV模型比对UI像素差异，容忍合理布局偏移（如字体渲染差异），减少误报。
你是软件测试从业者，但想转向人工智能测试开发岗位吗？AI 测试岗位不仅考察传统测试技能，还要求你理解 AI/ML 模型特性、设计测试流程、编写自动化脚本。今天，我们整理了一份面试题，从基础概念到实战场景，帮你快速掌握 AI 测试面试要点。如果你想系统学习 AI 测试开发能力，我们的【人工智能测试开发训练营】可以帮你从零到一建立完整技能体系，让你面试更自信、就业更有竞争力！AI、ML、DL 的区别？
和开发工程师相比起来，虽然前期可能不会太深，但是涉及的面还是比较广的。前期面试实习生或者一年左右的岗位，问的也主要是一些基础性的问题比较多。涉及的知识主要有MySQL数据库的使用、Linux操作系统的使用、软件测试框架性的问题，问题、当然还有一些自动化测试 和性能测试的问题。测试工程师的面试题，基本上都是大同小异的，面试的核心主要在于框架模块（一到两年工作经验）1、软件测试的流程是什么？
为这些领域构建的软件应用程序不能承受崩溃、数据损坏或系统故障，即使是小规模的，因为很多人的生活都会受到影响。这些软件中的错误可能会造成不可逆转的损害，并使公司面临诉讼风险。当需要人工的洞察力和判断力时，手动测试是合适的，而自动化测试更适合于进行细微调整的重复流程。蜂巢模型是一种现代的软件测试方法，其中集成测试是主要关注点，而单元测试（实现细节）和 UI 测试（集成）受到的关注较少。这些资料，对于做
《欧洲卡车模拟2》PNG2.0画质模组带来革命性视觉升级：重构天气系统与8K天空盒，实现真实云层动态；优化光照模型，平衡明暗细节；改进路面物理效果，打造真实积水反射；兼容多种配置，可搭配其他模组使用。该模组在不改变游戏机制前提下，将画面沉浸感提升至接近实景水准，成为写实风格玩家的必备选择。安装时需注意卸载旧版并按正确顺序加载，部分效果需配合天气插件实现。
AI应用开发的黄金窗口期正在重塑软件测试行业。未来3-5年，传统测试工作将被AI接管，测试人员需转型为"质量架构师"，掌握AI测试专项技能、介入开发流程左移、构建AI实验项目。核心能力转向AI质量风险建模、质量反馈闭环构建和测试基础设施AI化改造。窗口期后，行业将分化为AI质量架构师、安全伦理测试专家和领域测试专家等方向。测试从业者需抓住当前能力重构的缓冲期，将质量思维嫁接AI
《博德之门3整合14.0版本发布：900模组重构游戏体验》 本次推出的14.0整合包适配年度版游戏，收录近900款优质模组，涵盖人物美化、种族职业、法术装备等全品类内容。版本新增十余种职业、四种全新种族、五十余款法术及两百余件装备，大幅提升内容丰富度与稳定性。整合包提供自定义安装选项，附带详细图文说明书，支持低配与高配电脑适配需求。特色内容包括：近千款捏脸素材、四千件精美服饰、150种新职业副职、
从测试需求梳理，到代码开发编写，再到测试执行落地，AI 能力全程覆盖，通过测试需求模块、代码开发模块、ICD 激励模块、通信协议模块、图形化驱动生成模块等，实现需求生成、代码开发、数据生成、协议与驱动适配的全链路智能化，为工程人员打造高效、可扩展的智能工作模式。在使用过程中，想要了解产品信息、常用代码知识，或是有其他问题想要咨询，均可右键打开 AI 聊天对话框，随时输入问题进行询问，从产品细节到代
开放架构BMS半实物HIL仿真系统基于研华高性能工业电脑和凯云SimuRTS软件，将真实BMS硬件接入高保真虚拟电池环境，构建“电芯-模组-电池包-整车”闭环测试链，提供桌面HIL和通用HIL，成为新能源汽车动力系统研发的安全基石与效率引擎。系统采用模块化、标准化设计，具备16+多核高性能实时机。支持多厂商设备无缝集成，提供仿真实时机、接口硬件、BMS模型、故障注入与测试工具等、显著缩短BMS研发
摘要：昨日在客户会议室举行的PCIe5.0x16协议分析仪技术交流会上，通过2小时的LiveDemo展示了SerialTek分析仪的关键功能。重点包括：协议分析仪与示波器的本质区别、Interposer的工作原理、Gen5/6信号保真性的重要性、内置高性能服务器的创新架构、浏览器远程管理优势，以及LTSSM状态分析和L1.2低功耗调试等核心议题。特别强调现代协议分析仪需保持链路透明性，避免掩盖原始
本文分享了PCIe5.0x16协议分析仪的使用指南，基于实验室实测视频和技术交流经验整理而成。主要内容包括：1）分析仪的作用是监听PCIe链路状态，解决服务器、GPU等设备的调试难题；2）硬件连接要点，强调Gen5对供电和线缆的高要求；3）软件界面解析，重点介绍LTSSM状态监测对问题诊断的关键作用；4）性能分析方法，如NVMe命令追踪和延迟统计；5）强调PCIe协议分析在现代系统中的重要性，建议
测试平台AI应用应超越简单的聊天框功能，真正嵌入测试流程。关键点包括：1）避免上下文缺失，需基于平台数据自动构建输入；2）在需求评审、测试设计、执行和复盘等环节提供结构化建议；3）设计具体功能按钮（如回归范围生成、风险解释等）而非泛泛聊天；4）确保AI输出可审核、可追溯，并沉淀为平台指标。最小可用方案可从回归建议、风险解释和报告摘要三个核心功能入手，使AI成为测试闭环中的决策辅助层而非孤立工具。
本研究提出的ABC型Ru ALD工艺，通过引入NH₃额外反应气体，在310°C高温下实现了低电阻率（13.4 μΩ·cm）、大晶粒（24.5 nm）、低杂质（0.3 at%）的高质量钌薄膜沉积，为后铜互连提供了切实可行的材料方案。FS-MS模型定量分析揭示了晶粒尺寸对电阻率降低的决定性作用，为工艺优化指明了方向。在整个研究过程中，Xfilm埃利四探针方阻仪为薄膜方阻的精确测量提供了可靠数据支撑，确
本文介绍了软件测试的基本概念、目标和前景，指出测试是确保软件质量的关键环节。详细解析了软件系统架构和测试流程的6个关键步骤，包括需求分析、计划编写、测试设计等。重点探讨了AI在测试中的应用，包括文档自动生成和代码编程两大方向，推荐了Kimi、通义千问等工具。AI技术能显著提升测试效率，减少重复劳动，正推动测试工程师向"AI辅助型"转型。
摘要：本文介绍了postman-mcp-server的安装配置流程。主要内容包括：1) 安装Node.js和pnpm；2) 下载postman-mcp-server源码并构建；3) 在Cursor中配置MCP服务，包括生成Postman API Key和设置mcp.json文件；4) 验证安装是否成功。同时提供了常见问题的解决方法，如MCP状态异常、命令找不到等问题的处理方案。该工具可实现接口自动
（1）先在 Deepseek 官网申请 API keys （2）在Postman 中配置环境变量：在Environment 中设置前置 url （3）设置前置脚本于url：新建Collection，点击Scripts，选择Pre-request Script选项卡，将下面代码写入并保存；使用POST请求，url填写/chat/completions pm.request.url.update(pm
（可按自己需求选择配置对应的大模型API KEY，我这边选了Deepseek）不用慌这是Windows powershell默认禁止运行脚本配置一下就好了。1、Python（推荐最新稳定版）8、复制环境配置文件。9、编辑.env文件。
摘要：本文探讨AI技术在测试数据生成中的三大应用方案：1）基于大语言模型的智能数据工厂，通过提示词生成结构化数据，适合复杂业务场景；2）利用生成对抗网络（GAN）生成拟真数据，适用于机器学习模型测试和隐私保护场景；3）采用进化算法自动优化测试用例，针对代码覆盖率和缺陷发现。三种方案各具优势，可分层组合使用。实施时需关注数据质量评估、成本控制和可复现性。AI驱动的测试数据生成不仅能提升效率，更能拓展
这四个工具不是谁取代谁，而是各自适合不同位置。我的真实感受是：Cursor 像一个顺手的测试开发 IDE。Trae 像一个中文友好的快速助手。Claude Code 像一个终端里的深度排查搭档。Codex 更像一个可以沉淀测试流程的工程化助手。哪些是重复劳动哪些是风险判断哪些可以交给 AI 起草哪些必须人工确认哪些规范要沉淀成团队能力一句话总结：让 AI 工具写代码不难，难的是让它按测试人员的思路
总结AI在CI/CD中的价值边界（辅助而非替代）鼓励读者尝试结合自身项目实践总结AI在CI/CD中的价值边界（辅助而非替代）鼓励读者尝试结合自身项目实践。
测试工具
——测试工具
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
AtomGit开源社区
DeepSeek技术社区
2048 AI社区
openEuler 社区
杭州城市开发者社区
AtomGit AI 社区
