登录社区云，与社区用户共同成长
邀请您加入社区
如果你用过ChatGPT，你会知道它本质上是一个问答系统：你问，它答。OpenClaw不一样。它是一个AI Agent平台，能连接20+消息渠道（WhatsApp、Telegram、飞书、钉钉、Discord等），主动执行任务、管理你的日程、处理邮件、操作浏览器、调用各种工具。换句话说，ChatGPT是「顾问」，OpenClaw是「员工」。
大家在使用AI辅助开展测试工作时，比如生成测试点、测试用例等，经常会遇到一个共性问题：由于需求文档不规范、不完善，甚至存在描述模糊、信息缺失的情况，导致AI生成的结果不符合实际业务预期，需要反复修改核对，反而增加了额外工作量。那要如何改善这个问题呢？可以搭建一个专属的知识库——把所有相关资料集中管理，让AI生成用例时，能获取更全面、更精准的上下文信息。
Jmeter是apache公司基于java开发的一款开源压力测试工具，体积小，功能全，使用方便，不像loadrunner那样体积大，是一个比较轻量级的测试工具，使用起来非常的简单，深受测试人员的喜爱，但是它的测试报告没有loadrunner的那么详细，看起来没有那么的直观。因为它是java开发的，所以运行的时候必须要安装jdk才可以，jmeter是免安装的，拿到安装包之后直接解压就可以使用了，它也
对我来说，这是一场OAuth的头痛、无尽的API文档，以及太多次“为什么没有返回任何内容？我的团队现在拥有了一个基于GPT的结构化测试用例生成器，能在几秒钟内将Jira工单转换为可发布、标准化的测试用例。毫无疑问，搭建过程可能会考验你的耐心（你好，Jira OAuth =)），但回报是值得的。这个项目证明了一件重要的事情：AI不是在取代QA工程师——它让我们更快、更一致，并能更专注于最重要的事情：
测试用例设计是软件测试的核心环节，传统方式依赖测试人员手动编写，存在覆盖不全、效率低下、难以维护等问题。借鉴 LangChain Skills 设计，按需加载完整指令：启动时只注入技能元数据（名称 + 描述），AI 调用时才加载完整文档，节省 Token 并保持系统提示简洁。，用户无需学习复杂的 UI 操作，只需用日常语言表达需求，AI 即可自动理解并执行增删改查操作。：用户通过自然语言对话即可实
智能体系统已经从“概念 Demo”进入“工程化实验阶段”。OpenClaw 只是一个信号。未来 2 年，真正的竞争焦点将是：Agent 架构设计能力可观测性体系权限与安全控制自修改行为的约束机制如果说 2023 是模型战争， 2026 开始是 Agent 架构战争。软件行业并没有结束。它只是进入了一个更高维度的复杂阶段。欢迎来到智能体时代。
MiniCPM-o4.5多模态模型开源：实时交互与端侧部署的创新实践 面壁智能开源的MiniCPM-o4.5模型(9B参数)突破了传统多模态模型的局限，主打三大工程化能力：1）实时流式交互，支持持续音视频输入与输出同步进行；2）自然对话模式，允许打断和插话；3）端侧友好部署。该模型采用llama.cpp-omni技术路线，实现了输入输出流不阻塞的完整双工机制。对测试领域而言，这标志着测试对象从&q
本文解析了Django框架处理URL请求的核心流程。首先介绍了URL的基本结构（协议、域名、路径等），然后详细拆解了Django的路由机制：从主路由文件urls.py加载urlpatterns，顺序匹配请求路径，命中后交由对应视图函数处理。视图函数必须接收request参数并返回HttpResponse对象。通过建立"URL→路由→视图→响应"这条完整链路，开发者可以清晰理解请
软件测试活动中，测试用例设计始终是质量保障体系的核心环节之一。然而，在实际项目中，测试用例编写的主要成本往往并不体现在「撰写」动作本身，而体现在需求理解、业务规则提炼、边界条件补全、异常路径覆盖以及历史测试经验复用等前置分析过程。随着系统复杂度持续增长、需求迭代周期不断缩短，传统依赖人工经验驱动的测试用例设计模式，正在面临效率、质量与复用性多重压力。在大语言模型（LLM）快速发展的背景下，利用生成
本文介绍了在预训练语言模型中嵌入多Token预测(MTP)加速技术的实现方法。传统自回归生成方式逐个预测Token效率较低，而MTP技术通过一次前向传播同时预测多个Token来提升生成速度。文章详细阐述了如何修改模型输出层和损失函数、采用迁移学习策略微调预训练模型，以及MTP在文本生成中的应用。同时提出了进阶优化方向，如结合BeamSearch、动态调整预测Token数量等。该技术可显著提升大型语
本文系统讲解Django路由配置的核心机制，从基础匹配到动态URL设计。主要内容包括：1）Django请求分发流程和urlpatterns匹配规则；2）path()函数的三个关键参数用法；3）四种常用转换器（str/int/slug/path）的应用场景；4）动态路由设计与匹配顺序的注意事项；5）通过URL参数驱动业务逻辑的实战案例。重点强调路由设计中的架构思维，包括转换器使用、变量表达和匹配顺序
本文介绍如何基于LangChain构建企业级AI自动化测试智能体。该智能体能理解自然语言测试需求，自主分析系统并执行测试，具备动态调整策略的能力。文章详细讲解了核心架构设计，包括任务规划、工具库、执行引擎等模块，并提供了分步搭建指南。通过实战案例演示了电商下单流程的测试过程，展示了智能体在异常检查、结果验证等方面的优势。此外，还探讨了企业级增强特性、落地挑战及效果评估，指出测试智能体可显著提升测试
AI时代测试工程师的四大新技能：从手工测试到智能测试的转型之路。随着AI在测试领域的渗透率逼近70%，测试工程师需要掌握Prompt工程、AI工具链驾驭、质量数据建模和全局质量视野等新能力。文章通过真实案例，展示了如何用自然语言驱动AI生成精准用例、编排智能测试流水线、构建高质量知识库，以及从执行者转型为质量架构师。核心观点指出，测试人的护城河在于"人机协同"能力——让AI处理
摘要：一位拥有十余年经验的资深测试工程师面临求职困境，37岁年龄和非顶尖学历使其难以获得大厂面试机会。霍格沃兹测试开发学社的私教服务通过专业分析发现：简历与岗位不匹配、投递策略不当、年龄处理不当是主因。专家建议针对性优化简历、调整投递方向、准备多版本简历，并重点关注成长型企业和外资公司。同时强调测试工程师职业发展呈现专业化分工、经验与年龄平衡等趋势。通过私教指导，学员重新制定了精细化求职策略，展示
《AI时代测试工程师的转型：从用例书写员到AI策略师》 摘要：传统手工编写测试用例的方式正面临AI技术的颠覆性挑战。本文揭示了测试工程师从"执行者"向"赋能者"转型的必然趋势：1）软件系统复杂度已超出人脑处理极限；2）AI可自动生成80%回归测试用例。核心转型路径在于"教AI思考"：通过需求规范化、任务分解、知识库增强等方法，将测试经验转
这篇实践笔记记录了我一次具体尝试：将平时写测试用例时会反复检查的规则（结构、边界、异常覆盖等），整理成一个可复用的 Skill，并通过扣子进行调用。Skill 本身不替代人工设计用例，只负责先跑出一版结构清晰、边界明确的用例初稿，便于后续人工 review 和补充。本文不讨论方法论，重点放在实操过程与使用感受，供类似场景参考。
本文介绍如何通过Apifox CLI与Claude Skills结合，实现自然语言触发接口自动化测试的高效工作流。用户只需在终端用自然语言指令（如"跑一下支付流程测试"），Claude Code就能自动识别意图，执行对应测试并分析结果。该流程由Apifox CLI（执行测试）、Claude Code（理解指令）和Claude Skills（任务定义）三部分组成，支持单测试执行、
本文以测试工程师实际场景为切入点，手把手教你基于轻量级 Agent 框架 OpenClaw 实现「AI 自动生成测试用例 + 标准化写入 Excel」全流程。从环境搭建、工具定义到 Agent 执行，全程贴合测试行业规范，代码极简可直接复用，替代传统手动写用例的低效方式，同时对比 Dify 说明 OpenClaw 轻量、代码驱动的核心优势
历史上每一次技术革命都会发生同样的事情：工具升级 → 工作方式升级 → 职业能力升级。AI 也是如此。构建 AI。如果你只是使用 AI，很快会被替代。搭建 AI 测试系统。那就是完全不同的职业天花板。
其实选测开培训，千万别被“课程多、选择全”忽悠，综合大杂烩机构看似啥都教，实则样样不精，流水线批量培养出来的学员，技能没有针对性，找工作的时候根本拼不过垂直深耕的。对比下来很明显，四家里面只有一家是全程只做测开、不搞其他杂课，所有资源和精力都砸在一个赛道，课程迭代快、AI测试贴合行业、师资和就业全对口测开，不管是零基础转行还是在职手工测试进阶，都能精准适配；另外三家都是综合型机构，测开只是副业，课
这些资料，对于做【软件测试】的朋友来说应该是最全面最完整的备战仓库，这个仓库也陪伴我走过了最艰难的路程，希望也能帮助到你！凡事要趁早，特别是技术行业，一定要提升技术功底。
【摘要】金三银四招聘季是企业扩招高峰期，但求职者常因选错招聘平台导致简历石沉大海。主流平台可分为三类：BOSS直聘等即时聊天式适合互联网技术岗，智联等传统投递式覆盖综合行业，猎聘专注中高端岗位。技术岗推荐"BOSS+拉勾+内推"组合，不同职业阶段需匹配相应平台。提升成功率需注意：平台匹配度、简历关键词优化及黄金投递时段（工作日上午）。内推渠道可通过技术社区、微信群和脉脉获取，其
《OpenClaw Skill生态解析：从万级规模到精选应用》摘要 当前OpenClaw Skill生态已形成万级规模，涵盖GitHub社区、ClaudeSkills等多个来源。然而大量Skills存在功能重复、质量参差和安全风险等问题，实际可用精品仅数十个。本文系统梳理了Skill生态的8大应用场景，包括AI自进化、开发者效率、搜索研究等核心领域，并详解了Skill架构设计与安全防护要点。特别建
OpenClaw Skills是一种模块化能力单元，旨在解决AI模型能力结构化、复用与治理的问题。它通过SKILL.md定义、工具声明和脚本等组件，将专业操作流程沉淀为可复用能力，区别于一次性Prompt。系统支持多种安装方式，包含核心Skills如搜索引擎编排和EvoMap协作进化机制，后者通过Gene模板实现能力资产化。随着Skills增多，需关注版本管理、安全审计和三层验证模型（结构、行为、
摘要：本文用"开公司"类比AI系统架构，清晰区分了Prompt、Agent、Skill、MCP等关键概念。LLM是大脑，Prompt是临时指令，Agent负责自主执行，Skill提供标准化流程，MCP解决数据连接问题。IDE和ClaudeCode则分别代表AI的办公环境和终端工具。文章强调这些技术组合才是AI系统的核心价值，使软件首次具备完整执行能力。最后介绍了霍格沃兹测试开发
《AIAgent办公场景应用对比分析》摘要：2026年AIAgent将深度融入办公场景，本文对比OpenClaw、MaxClaw、KimiClaw三款主流产品的核心差异。OpenClaw适合技术团队本地部署，数据安全性高但运维复杂；MaxClaw侧重企业协作，深度集成办公软件；KimiClaw则以轻量化体验见长。从执行能力看，OpenClaw扩展性最强，MaxClaw稳定性突出，KimiClaw操
当 AI 只是对话工具，你一直在输入。当 AI 变成系统，它开始为你运行。会议被结构化。联系人被持续追踪。决策拥有多视角分析。数据形成长期资产。一个人确实可以是一支团队。前提是—— 你开始用系统思维，而不是聊天思维。
AI测试面临范式转变：从精确断言转向综合评估。本文系统分析了AI功能测试的关键差异：1）测试目标从"正确性"转向可接受性、风险可控和输出稳定；2）需重点关注上下文长度限制、多轮对话一致性等特有风险；3）提出包含提示词攻击防护、输出结构稳定性等维度的完整测试清单。文章指出，AI测试本质是寻找模型的能力边界与风险极限，这标志着测试工程师角色从验证结果向评估系统行为的转变。
测试用例
——测试用例
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
龙虾开发者社区
AtomGit开源社区
2048 AI社区
