登录社区云，与社区用户共同成长
邀请您加入社区
先看硬件配置：DS18B20测温，LCD1602显示参数，四个按键负责启停和PID调节，PWM信号通过三极管驱动直流电机。这个项目最让我惊喜的是Proteus仿真效果——虽然数字温度传感器在仿真中的响应速度比实物快，但通过调整仿真步长和采样周期，竟然完美复现了真实电机的转速变化过程。1236-基于51单片机的风扇（温度，PID）proteus、原理图、流程图、物料清单、仿真图、源代码。1236-基
本文通过对比测试GLM-5.1和Qwen3-8B模型，总结了四个关键发现：1）Prompt泄露是LLM通病，需依赖管道层防御而非模型自身；2）模型延迟与参数量无必然联系，推理基础设施影响更大；3）主流模型均已具备稳定输出JSON能力；4）83毫秒的回归测试套件是模型切换的安全网。文章详细介绍了A/B测试框架设计、自动评分机制和Mock驱动的回归测试方法，强调模型评估应基于数据而非直觉，并提供了应对
快手 AB 指标生产场景从 Spark 升级到 Doris 性能最大提升 145 倍、资源消耗下降 72%，一方面得益于 Doris 在 Pipeline 异步执行、向量化计算引擎、C++ 高性能运行时等架构优势，另一方面是快手基于 Doris 针对 AB 场景的深度优化：Colocate JOIN、Local distinct count、C++ Native UDF、workload grou
[INFO] --------------------------------------------------------------[INFO] BUILD SUCCESS
人类智慧的核心在于情感、创造力、伦理判断和跨领域联想能力，这些是当前基于算法和数据的AI难以完全复制的。未来的共生模式，应是人类负责提出关键问题、设定价值框架和进行最终决策，而AI则作为强大的工具，提供数据洞察、自动化执行和增强人类的认知能力。其成功的关键，在于我们能否以智慧和远见引导技术发展，强化人类独特的价值，并构建一个包容、公平、可持续的社会结构。未来的教育应更加侧重于培养AI难以替代的人类
严格防范未定义行为是内存安全的重中之重。这包括但不限于：解引用空指针或野指针、访问已释放的内存、数组越界、以及数据竞争。除了使用智能指针，还应充分利用现代C++特性，如用std::array替代C风格数组以提供边界检查（在调试模式下），使用范围for循环（range-based for loop）来安全地遍历容器。静态分析工具和诸如AddressSanitizer、Valgrind等动态分析工具，
本文基于一个最小天气查询 Demo，从测试视角实测了大模型 Function Calling 的真实行为。通过多组输入（正常查询、多城市对比、错别字、跨语言、无效城市、缺参等），重点分析了模型在不同语义条件下是否触发工具调用、如何构造参数，以及何时选择拒绝调用并转为追问。测试结果表明，Function Calling 并非简单的函数匹配，而是受语义判断、参数有效性及 schema 约束共同影响。本
在测试 Function Calling 时，我发现一个有意思的现象：同样是“非真实城市”的输入，模型会尝试为“火星天气”调用工具，却会直接拒绝“阿瓦达啃大瓜天气”。通过对这两个 case 的对照测试，可以看到模型在触发工具调用之前，会先进行一次“语义可执行性判断”，而不是简单命中参数就调用函数。文章结合多次实际测试结果，分析了模型在边界语义场景下的决策差异，并讨论了不确定性、工具描述约束以及业务
震惊AB样本量可以这样算
滴滴AB test面试题及运营情况分析从和鲸上看到了一个滴滴数据集，看介绍说的是数据来自滴滴出行内部，也有小道消息说是面试题？那我们来试一下。数据字典上图为两个数据集的数据字典，可以看出来维度比较少，进行AB test的test数据集是58行，运营情况分析的city数据集是90行。两者皆无空值。AB test分析数据清洗及特征工程[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传
另外，我主页上还有不少与ABTest和数据分析相关的博客，感兴趣的朋友可以再去看看，希望能给你带来收获！
从支付宝的两个营销活动中收集的真实数据集。该数据集包含支付宝中的两个商业定位活动日志。由于隐私问题，数据被采样和脱敏。虽然该数据集的统计结果与支付宝的实际规模有偏差，但不影响解决方案的适用性。
先瞅瞅胆甾相液晶的周期性结构，螺旋轴方向上的周期长度P是关键参数。假设入射光波长是λ，当满足布拉格条件2P·sinθ = mλ时（θ是入射角，m是衍射级次），衍射效率直接拉满。实际测试时会发现，当delta_n超过0.2后，效率提升开始边际递减，这就是液晶材料选择的平衡点。液晶光栅PVG（偏振体积光栅）这玩意儿在AR眼镜和全息显示里特别火，尤其胆甾相液晶那个螺旋结构，能把光的偏振玩出花来。实际跑仿
《政策平台用户行为数据分析实践》摘要：政策快报平台通过用户行为数据分析识别出4类典型用户（快速浏览型45%、深度阅读型25%、行动转化型15%、反复回看型15%），并针对性地优化产品体验。技术实现上，平台通过精细化埋点设计（日均500万条数据）、数据清洗（过滤机器人、会话切分）和用户画像构建，将行为数据应用于推荐算法优化（点击率提升15%）、推送策略调整和产品迭代决策。在隐私保护方面采用数据脱敏和
案例背景与核心目标数据获取：对接电商订单数据源数据清洗：处理脏数据，保障分析质量探索性数据分析（EDA）：挖掘数据核心规律数据建模：落地三大核心业务场景场景2：客户分群建模——RFM+K-Means用户画像场景3：预测建模——CLV与营收趋势预测案例总结。
商品详情页是电商转化的核心页面，直接影响用户决策。购物车是连接浏览和购买的桥梁，优化购物车体验能够显著减少用户流失，提升最终转化率。搜索和导航是用户发现商品的入口，优化这些环节能够提升流量效率，增加曝光。更具紧迫感的文案能同时提升领取率和使用率，总ROI提升 25%减少用户的决策负担，智能默认是关键。结果：购物车到结算页转化提升 22%，客单价提升 8%个性化排序显著提升搜索效率，提升了33%的搜
本文介绍了AI测试框架的三层架构（Agent/Skills/MCP）及其在财政系统测试场景中的应用。主要内容包括： 架构解析： Agent作为决策大脑协调任务 Skills作为可复用操作流程 MCP连接外部工具执行操作 核心机制： Skill的标准化文件结构 分层加载和渐进式披露机制 编写规范与最佳实践 测试场景实战： 测试计划/用例自动生成 JMeter脚本生成 接口测试用例生成 用例审核与需求
摘要： 构建有效的AI评测集需确保数据与线上场景一致，避免自嗨式测试。数据来源有三：1）真实用户日志（贴近业务但成本高）；2）业务场景还原（依赖PRD/工单，需业务协同）；3）合成生成（低成本但易偏离真实分布）。开源数据集（如SWE-bench、ToolBench）可辅助横向对比或单测，但需警惕场景错位、数据泄露和过拟合风险，不宜直接作为业务标准。核心原则：优先真实数据，开源集作补充，定期审计覆盖
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
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
最大训练次数% 学习率% 隐藏层节点数这里定义了几个重要的超参数。最大训练次数就像是规定了学习的总时长，学习率决定了每次学习前进的“步子”大小，隐藏层节点数则影响着神经网络的复杂度和学习能力。
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。
摘要：大厂测试开发岗位招聘标准正经历系统性变革，AI技能成为硬性要求。字节、阿里等企业新增"AIAgent实践"、"机器学习算法"等核心要求，传统测试技能正被重新计价。智能体测试体系呈现三层架构：Agent决策层、Skills能力层和MCP执行层，测试对象从确定性功能转向验证AI系统能力。市场分化明显，基础岗位需求下降30%，而掌握Skill开发的全栈测试工
科大讯飞5月开启春招补录，面向2026届毕业生提供AI研发、测试等岗位。"飞星计划"为硕博提供免笔试通道，参与大模型研发；常规补录涵盖测试开发、算法等方向。测试岗需掌握自动化测试、Linux等技能，面试侧重项目经验和AI基础知识。讯飞作为国家级AI企业，研发投入占比20%，业务覆盖教育、医疗等领域。补录窗口期短，建议5月15日前投递，尤其适合对AI赛道有兴趣的计算机相关专业学生
某电商公司希望通过A/B测试验证新版落地页能否将转化率从13%提升至15%。实验采用双尾检验，设计10天周期，每组需至少1万用户样本。通过随机分组比较新旧页面转化率，并监控辅助指标如跳出率。使用Z检验分析数据显著性，若p值<0.05则判定新页面效果显著。技术实现包括数据清洗、样本抽样和统计检验，最终根据结果决定是否全量推广新页面。
《研发效率革命：从编码到智能体协同的范式转变》 摘要：当前软件研发正经历从"人写代码"到"人管系统"的深度变革。Anthropic等团队已实现工程师数月不手写代码的突破，这标志着研发核心能力已从编码转向智能体系统组织能力。新型工程师需具备三大核心能力：任务拆解能力、工作流设计能力和质量控制能力。测试体系同样面临重构，重点转向验证体系设计。这场变革不是替代工程
本文基于真实企业级 SSO 系统的部署实践，详细说明如何通过 Helm 配置和 Kong 网关实现安全、可控的 A/B 测试与金丝雀发布。所有配置已脱敏，可直接用于公网分享。
在Simulink里搭个电机转速控制系统模型（图就不放了，自己脑补转速环PID结构），重点是这个PID的Kp、Ki、Kd三个参数交给DBO来找最优解。智能算法整定参数：蜣螂算法（DBO）优化 PID 控制器，m 代码联合 simulink 仿真，优化效果好，适用matlab2021b 及以上，低版本提前备注，可直接，，直接把优化参数怼进Simulink工作区，仿真完捞出来误差积分值。没错，就是蜣螂
定期对数据仓库进行评估和优化，根据业务需求的变化和数据使用情况，调整数据仓库的架构、数据模型和数据处理流程，提高数据仓库的性能和可用性。管理数据仓库的元数据，包括数据定义、数据来源、数据转换规则、数据使用情况等。将转换后的数据加载到数据仓库的目标表中。致力于实现实体的统一，以商业要素资产化为核心，实现全域链接、标签萃取、立体画像，让数据融通而非以孤岛存在，为精准的用户画像提供基础。致力于实现数据的
本文主要介绍了使用Python中的Pandas进行数据分析，主要有两个案例：RFM用户价值分析模型、AB测试效果分析。
主要是数据分析岗位的一些面经，包括GMV、A/B测试、辛普森悖论、蒙特卡洛模拟、吉布斯采样，以及相关部分的一些具有实际意义的python代码。
总之，设计与实现公有云等保合规安全解决方案需要充分理解组织的合规要求，建立安全基础设施，制定安全策略，并与合规云服务提供商紧密合作。只有这样，企业才能在使用公有云的同时，确保数据的安全和合规性。未来，我们可以期待更强大的云安全技术和工具的出现，以满足组织对数据安全和合规性的不断提高的需求。在公有云上构建安全基础设施，包括身份认证与访问控制、网络隔离、数据加密、防火墙和入侵检测系统等，以确保数据的安
A/B测试AB测试是为Web或App界面或流程制作两个（A/B）或多个（A/B/n）版本，在同一时间维度，分别让组成成分相同（相似）的访客群组（目标人群）随机的访问这些版本，收集各群组的用户体验数据和业务数据，最后分析、评估出最好版本，正式采用。为什么要进行A/B测试1.产品的新功能对KPI影响有多大？新版本哪个更好，按钮。。。产品对KPI的影响有多大2.什么时候适合进行A/B测试决定是不是要使用
成对测试 （PairwiseTesting）recommend:China-Gitee，Other-Github自动组合生成测试用例场景，帮助提升用例测试覆盖率！PairwiseTesting，又称结对测试、两两测试，是一种正交分析的测试方法。以往：设计测试用例时，覆盖至少要求任意两个字段（输入条件）的所有水平组合，至少要被覆盖1次。如果多个字段的枚举值组合，人工计算时间成本很大。现在：Pairw
最近一直都在重温统计学的知识，是时候整理出来分享给大家了！本篇博客会大致整理常见的统计学知识，多数内容只是简单概述，必要部分我会详讲。基础知识点随机抽样：从总体中随机抽取元素到样本中。分层抽样：对总体分层，并在每层中做随机抽样。简单随机抽样：在不对总体分层的情况下，做随机抽样所得到的样本。偏差：系统性误差。样本偏差：样本对总体做出了错误的解释。样本统计量：对抽取自大规模总体中的样本做计算，所得到的
ab测试
——ab测试
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
AI硬件创业社区
AI编程社区
AI Agent技术社区
DAMO开发者矩阵
快递鸟社区
AtomGit开源社区
2048 AI社区
脑启社区
腾讯云开发者社区
