登录社区云，与社区用户共同成长
邀请您加入社区
调通 Function Calling 后，我逐渐意识到，大模型并不是简单地“调用函数”，而是基于 function schema 做决策。本文反复修改 schema，并结合响应中的 reasoning_content 进行观察，梳理了模型在什么条件下会触发函数调用、在什么情况下直接回答。实践表明，description、required、properties 等 schema 设计，对模型行为的
AI赋能智能检测：NHD-6109智能远近光检测仪助力机动车检测升级 摘要：针对LED矩阵化、智能控制化汽车大灯的检测需求，NHD-6109智能全自动远近光检测仪通过AI视觉识别、双灯同步检测等核心技术，解决了传统设备在智能大灯检测中的三大痛点。该项目成功应用于15家大型检测站，累计完成30万辆机动车检测，检测效率提升60%，智能大灯检测准确率达99.9%。设备采用4KHDR机器视觉和YOLOv5
Windows用户安装OpenCodeAI编码助理的踩坑经验分享。作者尝试了5种安装方式，包括官方curl脚本、npm安装、桌面安装器等均失败，最终通过Chocolatey在管理员模式下成功安装。使用体验显示，免费模型响应慢(5-15秒)，生成的代码简单且缺少注释，复杂任务表现不佳。建议Windows用户优先选择Chocolatey安装，并避开网络高峰期操作。虽然OpenCode具备隐私保护和多模
功率电感在人工智能、算法算力硬件上有着巨大的应用，然而其选择与性能测试一直是一个问题。而本文则从普遍意义上，介绍了针对感性功率器件的电感量测试，创新地采用脉冲测量法的DPG10/20系列功率电感测试仪，基于高性能功率级IGBT的应用，相比较于传统的测量方法和新近推广的晶闸管脉冲测量方法，因其优于其他测量方法的许多优势，从而确立了自己的领导地位。
用户名以及密码已经在后端写入了数据库是已经存在的，登录成功后就会跳转到聊天页面；（2）测试用例展示a）界面b）输入正确的账号和密码（以用户"zhangsan"为例）：预期结果：出现登录成功的弹窗，点击后，跳转到博客列表页。实际结果如下：c）输入错误的账号或密码预期结果：提示用户登录失败。可以在列表页（主页）查看有限数量的聊天，其包括联系人名称、及最近一条消息内容。并且点击对应联系人之后会跳转到相应
echo 52428 >/sys/kernel/mm/hugepages/hugepages-2048kB/nr_hugepages//正常页大小设成1024，此处是由于芯片组和系统提示设置此参数。dpdk-devbind.py -s 可查看当前有哪些网卡。将文件拷贝到 /home目录下。出现 testpmd>
本文分享了Electron应用自动化测试的实践经验。作者基于Selenium框架，采用PO架构设计了测试方案，重点解决了Electron窗口切换难题。通过封装窗口查找和切换方法，实现了多窗口环境下的自动化测试。文章详细介绍了测试框架的目录结构、关键代码实现，包括常量定义、工具类封装和测试流程设计。特别强调了AI工具在解决技术难题中的作用，并提供了完整的测试示例代码，为Electron应用测试提供了
测试DeepSeek模型性能：单CPU并发提升总吞吐约40%，资源占用由启动参数决定。Q2.71模型显存占用与Q4相近，内存更低。资源测试显示，仅占用显存时性能不变，GPU算力影响decode性能；内存溢出导致prefill/decode大幅下降。CPU占用影响prefill，资源充足时decode正常。优化建议：错峰执行内存/显存任务，避免溢出风险，限制CPU占用以确保KT服务效率。
本文从零开始演示如何申请并调用智谱 AI 大模型 API，通过一个最小 Python Demo 跑通完整链路。在此基础上，站在测试工程师视角，系统梳理了 messages 结构、role 使用、模型版本差异、temperature 稳定性、异常场景、网络超时与鲁棒性等关键测试点。文章重点强调：大模型并非“黑盒魔法”，而是一个需要被验证、约束和工程化的系统，适合正在转向 AI 测试或 AI 工程实践
本人使用Windows 搭建 Apache+MySQL+PHP 环境（WAMP），推荐新手使用phpstudy:环境部署参考文章：https://blog.csdn.net/siyinging/article/details/147615169。
使用自动化检测会出现判断不准，往往还需人工参与再次核验，人工进行隐私检测，需耗费较长时间，且需要技术参与，如HOOK系统API查看调用情况，调试应用获取堆栈等等，需要花费大量人力和时间成本。广州力为检测技术有限公司，作为具有第三方检测资质的实验室，以最新隐私政策为指引，覆盖隐私信息获取、传输、存储等各类场景的检测项，囊括 6 大方向，共计 31个检测项，同时适用于Android、iOS平台和SDK
安全隐私协议合规检测
本文介绍了鸿蒙Next应用开发测试全流程要点。环境搭建阶段需配置测试专用工具链和依赖库；开发阶段重点测试组件兼容性和分布式能力；实施阶段采用自动化框架进行性能、稳定性验证；上架前需完成安全检测、隐私合规等审核标准。建议建立鸿蒙专属测试知识库，包含问题清单、用例库和性能基线数据，以构建标准化质量保障体系，降低应用上架风险。全文覆盖从环境配置到上架审核的全流程测试实践，为鸿蒙应用开发提供质量保障方案。
本文介绍了一种基于n8n、Google Gemini和Gmail的AI测试计划自动生成系统。该系统通过AI聊天界面接收需求，自动生成包含测试目标、策略、用例等要素的标准化测试计划，并通过邮件发送给测试团队。该系统解决了传统测试计划编写耗时长、易出错的问题，实现了文档标准化、流程自动化，显著提升QA效率。文章详细阐述了系统架构、关键组件和工作流程，展示了AI如何优化软件测试流程，确保文档质量和一致性
我们曾分享过一个令人印象深刻的结果：在2015年的i5-6500电脑上，HUDDM架构实现了单核18.8万QPS、延迟4微秒的纯计算性能。这不是一个理论值，而是在标准Windows环境下运行的确切结果。今天，我们带来这个故事的续篇：将任务从纯数学循环，替换为模拟“大模型短文本分类”的计算负载。测试环境丝毫未变——依旧是那台2015年的台式机和原封不动的HUDDM架构核心代码。结果同样令人信服。
摘要： 2015至2025年，测试技术经历了从手工脚本、真实里程积累的被动验证时代，向亿级并行仿真、大模型故障自生成和量子级不确定性注入的智能验证时代的跃迁。中国从依赖dSPACE/NI工具到主导全球测试创新（华为xHIL、比亚迪云HIL等），测试效率提升万倍，场景覆盖率从<70%增至>99.9%，验证周期从月级缩短至秒级。2015-2018年为手工+真实里程阶段，2019-2022年
生成式AI正在重塑软件测试报告范式。它能自动分析测试数据，生成执行报告、质量洞察和用户友好摘要，将报告时间缩短70%以上。AI不仅能提升效率，还能通过模式识别发现隐藏问题，提供预测性见解。虽然面临数据质量、可靠性等挑战，但通过人机协作和持续优化可以克服。未来，AI将实现实时监控和个性化报告，推动测试行业向智能化发展。测试从业者需要主动拥抱这一变革，将AI洞察转化为行动力，同时坚守数据治理底线。
摘要：学术管理系统(AMS)的集成测试对高校运营至关重要，它验证学生注册、课程安排、成绩管理等模块间的交互功能。测试需关注功能正确性、数据一致性和安全性，采用API驱动、端到端测试等方法，并应对数据复杂性、异步交互等挑战。最佳实践包括需求分析、自动化测试和持续监控，未来趋势涉及AI辅助测试和云原生技术。高效的集成测试可降低系统风险，提升用户体验，是保障教育公平的关键环节。
5G网络切片技术通过虚拟化资源创建独立逻辑网络（如eMBB、uRLLC、mMTC），支持自动驾驶、远程医疗等场景。测试需聚焦关键性能指标（延迟<1ms、吞吐量>1Gbps），采用分层测试方法（切片内/间测试），通过自动化工具（JMeter、Wireshark）进行功能、性能和稳定性验证。面对网络复杂性等挑战，建议采用混沌工程和AI预测模型优化测试。未来随着6G和AI发展，测试将更智能化
我曾以为，我能将测试用例写得滴水不漏，就能端稳这碗饭。直到行业迭代的浪潮拍过来——那些我引以为傲的“熟练操作”，在自动化工具面前，竟成了最容易被替代的“无用功”。
摘要：2025年智慧农业中的精准灌溉系统依赖自动化功能测试确保可靠性。测试涵盖三大模块：传感器数据验证（误差率<0.5%）、AI决策引擎测试（节水效率提升20%）和UI远程控制测试（响应时间<2秒）。面对农业场景特殊性，需采用数字孪生、CI/CD流水线等创新方案。测试不仅避免年均10亿美元损失，更是实现农业可持续发展的关键。未来趋势将结合AI与IoT技术，通过智能测试推动精准灌溉发展。
摘要：AutoGenTestCase是一款基于AI大模型的测试用例自动生成工具，通过集成DeepSeek和通义千问模型，解决传统人工编写测试用例效率低、覆盖不全等问题。该工具支持上传需求文档或手动输入描述，可自定义用例类型比例和优先级，快速生成功能、边界、回归等各类测试用例，并导出Markdown或Excel格式。使用前需申请API Key并配置Python环境，提供完整文件结构和示例文档。相比传
人员分工（测试经理、功能测试等）、工具清单（Jira/JMeter 等）、环境配置（4 核 8G 服务器 / MySQL 8.0 等）：用例执行（总数 / 通过数 / 失败数）、缺陷统计（严重程度分布 / 修复时长）、性能数据（TPS / 响应时间）：测试类型（功能 / 性能 / 安全）、方法（黑盒 / 白盒等）、自动化覆盖率目标（例：接口自动化 80%）：必须覆盖功能、性能、安全；：所属行业 =
好了，本地的测试代码调试通过了，服务端也准备就绪。①.测试机器：环境准备，为了快速的让IT人员准备机器，大概50-60台， 我们先把需要的测试工具，测试脚本和脚本依赖环境requirements文件都给IT人员，让IT人员先统一的帮忙安装好系统的同时帮助我们安装好我们需要的软件环境。webrtc服务端环境，服务端使用集群方式部署的，有不同城市的服务器，本次压力测试的目标不是压测集群的压力极限， 而
在确保前端应用程序提供无与伦比的用户体验的同时，还需考虑到性能方面的因素。使用 Chrome 开发者工具中的Performance 选项卡，查看页面加载过程中的时间线，并分析每个时间段的耗时情况。工具：可以自动测试网站的性能、可访问性和最佳实践等指标，并提供建议和改进方案，帮助开发者全面评估网站的性能和质量。第三方库冲突：使用了多个第三方库或框架，可能会产生依赖冲突或版本不兼容的问题，导致页面无法
小编最近在浏览最新技术文章时，被一位技术极客的成果惊艳了！他自研了一款探索式测试智能体——Scoutron，巧妙融合自动化与AI技术，在探索式测试中建立人机协同新范式，显著提升测试效率和效果！今天我们就带领大家一起学习一下吧！
VSCode断点调试简明指南（以Python为例）：1.基础操作：单击行号设断点，F5启动调试，使用工具栏控制执行流程；2.调试信息：查看变量、调用堆栈，在控制台交互修改值；3.高级功能：设置条件断点、日志点，捕获异常；4.配置：通过launch.json定制调试参数。支持多种语言，需安装对应扩展。
JaCoCo （Java Code Coverage）是一个流行的开源工具，用于测量Java代码的覆盖率，它可以帮助开发人员识别未被测试覆盖的代码区域。以下是使用JaCoCo度量测试覆盖率的基本步骤：官网地址：https://www.jacoco.org/jacoco/1. 添加JaCoCo依赖首先，需要将JaCoCo作为一个插件添加到你的构建配置中。如果你使用的是Maven，可以在pom.xml
BrowserUse是一个基于Python的开源库，整合了Playwright浏览器自动化工具和LangChain框架，支持使用GPT-4、Claude等大语言模型实现网页自动化操作。测试显示GPT-4效果最佳但成本高，国产模型中Qwen2.5-32B和阿里云Qwen-Max表现较好。当前存在cookie获取频繁、验证码处理、操作支持不足等问题，需通过二次开发解决。系统提示词定义了AI操作规范，但
AI助手助力测试用例生成：效率提升40%的智能解决方案 面对动辄几十页的PRD文档和复杂的测试用例设计需求，传统手工方法效率低下且易遗漏。基于LangGraph的AI解决方案通过5步搭建智能生成流水线，可显著提升测试效率：1）自动解析PRD文档和流程图；2）智能生成边界值/异常流等测试用例；3）多轮校验确保覆盖率；4）对接企业知识库实现智能推荐；5）支持Jira等系统对接。实测显示，该方案能将传统
本文介绍了一个基于SpringBoot开发的网页聊天系统，采用WebSocket实现实时通讯功能。项目测试包含功能测试和自动化测试两部分：功能测试覆盖登录、消息列表、通讯录和通信功能，发现消息换行显示问题；自动化测试使用Selenium实现了登录、消息发送和通讯录功能的自动化验证。测试结果表明系统核心功能正常，评估为可上线状态，但需要持续跟踪用户反馈。系统为轻量级实时通讯提供了可行方案，适用于团队
DeepSeek 是一个强大的自然语言处理（NLP）和计算机视觉（CV）平台，提供了丰富的 API 接口，能够帮助我们快速实现文本和图片的内容分析。本文将重点介绍如何通过 DeepSeek 的文本分析接口，结合 OCR（光学字符识别）技术，从图片中提取文本并检测敏感关键字。
在Robot Framework中使用Playwright可以通过。
功能测试
——功能测试
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
2048 AI社区
九章云极普惠算力
网易云信开发者社区
鲲鹏昇腾开发者社区
网易易盾开发者社区
HarmonyOS开发者社区
火山引擎 ADG 社区
