登录社区云，与社区用户共同成长
邀请您加入社区
《软件工程实务》课程学习心得：从理论到实战的工程思维转变 本文系统总结了《软件工程实务》课程的学习收获，包括软件生命周期、开发模型、设计原则、测试方法等核心内容。通过分组项目实践，作者实现了从"代码思维"到"工程思维"的转变，掌握了需求分析、模块设计、团队协作等关键技能。文中详细记录了实战中遇到的需求偏差、模块耦合、文档不规范等问题及解决方法，并反思了自身在
朱少民同济大学特聘教授、CCF杰出会员，曾任思科（中国）软件有限公司QA资深总监、多个IEEE 国际学术会议程序委员、《软件学报》《计算机学报》等审稿人。近三十年来一直从事软件测试、质量管理和软件工程等工作，先后获得多项省、部级科技进步奖，出版了二十多部著作和4本译作，代表作有《软件工程3.0》《全程软件测试》《软件测试方法和技术》《软件项目管理》等邢颖北京邮电大学教授、博士生导师，CCF高级会员
大语言模型（LLM）虽然在文本生成、翻译、问答等任务中表现出色，但它本质上是一个封闭的知识系统： 知识存在截止日期，无法获取实时信息，无法执行外部操作（如计算、数据库查询、API 调用），复杂任务容易出现逻辑错误或幻觉。LangChain 的出现完美解决了这些问题。它通过聊天模型接口标准化了不同 LLM 的调用方式，通过工具调用机制让 LLM 具备了与外部世界交互的能力。本文将从最基础的聊天模型定
作为金牌课程架构师，我必须严正指出：AI 辅助开发最核心的痛点并非“模型能力不足”，而是需求对齐的失效。/grill-me 的强大之处在于其“单轮单问”机制：它不会一次性抛出清单，而是每次只问一个核心问题，逼迫你深挖细节，直至方案无懈可击。AI (Grill-Me)： 好的，为了确保方案稳健，我将逐一确认细节。为了实现“一次过”的开发体验，你需要将刚刚的问答提炼为结构化的执行蓝图。经过这 5 轮针
从最开始对需求模糊、技术不熟悉，到最后完成可运行、可演示、可部署的完整项目，经历了完整的软件工程全流程：需求分析、架构设计、编码实现、测试、部署、文档、复盘。整个过程收获巨大，不仅提升了技术能力，更真正理解了软件工程思维、团队协作、规范、质量、沟通、复盘的重要性。收获的不只是代码，更是思维、能力、协作、心态的全面成长。AI 帮我写代码、写文档、写测试、整理思路，效率翻倍。以前以为软件工程是纸上谈兵
分层思想：OSI模型的现实映射 通信系统的核心矛盾在于物理世界的连续性与数字需求的离散性。分层通过抽象边界逐层封装不确定性：物理层处理电压波动，链路层校验比特，网络层管理路径，应用层解析语义。协议栈的软硬件边界取决于场景容忍度——CAN为安全固化硬件，Wi-Fi为灵活保留软件配置，USB通过标准化接口平衡生态效率。跨层设计（如Wi-Fi速率控制）在规范内优化性能，而演进能力（如CAN到CAN FD
Perforce QAC 2025.4版本带来多项重要更新：推出精简CI/CD安装包，新增VS Code AI辅助代码修复功能，增强C++17语言支持（包括类模板参数推导），扩展Windows API动态内存分析。Validate平台完成品牌重塑并改进安全性，同时优化编译器支持与IDE插件。产品正式更名为Perforce QAC，许可证管理改为年度版本制。注意部分命令将在2026.1版本移除，建议
本次开发让我对“风险审查”和“合同优化”的关系有了更清楚的理解。风险审查负责发现问题，合同优化负责给出修改后的文本，两者不是简单重复，而是一个完整业务流程中的前后两个环节。在风险驱动优化场景中，用户不是让 AI 随意润色全文，而是基于已确认的风险点进行定向修订。这样生成的优化条款更有针对性，也更容易解释：每一条优化建议都能追溯到某个风险点、某段原条款和某条修改建议。本次开发中比较关键的技术点有三个
DeepSeek与Evolver，一个“墙内开花墙内香”，一个“墙内开花墙外香”。两种命运的背后，是同一个问题的两面：中国AI创新的能力已经被证明，但支撑这种创新的生态体系尚未成型。DeepSeek的成功证明了中国在工程创新层面的世界级能力——用二十分之一的成本做出对标GPT-4的产品，这不是偶然，而是系统性工程优化能力的体现。Evolver的困境则暴露了中国在模式变革与组织创新层面的生态短板——
是一套把完整软件工程方法论封装成「可组合工作流」的 AI 技能框架，让 Claude Code 等 AI 编程助手遵循严格规范执行开发任务。Skill 是一个以SKILL.md触发条件：什么时候该用这个技能执行步骤：按什么顺序做什么规则约束：什么能做、什么绝对不能做模板与参考：配套的 prompt 模板和示例Hooks 是在特定事件发生时自动执行的脚本，用来在技能之外增加自动化行为。维度传统 AI
AI（尤其是 LLM）是软件工程自高级语言（从汇编到 C/Fortran）以来。它引入了，改变了从编码、理解遗留代码、重构到整体开发流程的方式。。
绘画行为数据采集系统（前端）、AI 识别与心理报告联调（全链路）、以及画风建模与档案系统（后端）标准化行为数据采集：前端 10 项绘画指标实时采集与像素分析上线。智能化画风建模系统：版本化档案、特征聚合、大模型生成、容错机制全部落地。端到端 AI 与心理分析联调：图像识别、规则引擎、分数计算、雷达图可视化全流程打通。
2026 年 5 月 4 日—— 5 月 17 日：绘画 AI 博弈小游戏 —— 人机对抗绘画猜词与心理解读系统：为画风建模系统搭建完整的后端支撑，使得 AI 在每一局对抗中都能更精准地理解玩家的绘画特征，形成"越玩越懂"的学习闭环。
特斯拉与SpaceX作为埃隆·马斯克领导下的两家标志性科技企业，在地面交通电动化和太空探索两个领域分别建立了独特的软件开发体系。本文基于公开的技术演讲、招聘信息、工程师访谈及行业分析资料，从软件开发模式、团队人才情况、软件技术栈和软件架构四个维度，对两家公司进行系统性深度研究。特斯拉的软件体系以“数据飞轮”和端到端AI为核心驱动力，FSD自动驾驶系统经历了从模块化规则到全神经网络、再到多模态大模型
前端开发：Zeroday：OWASP Juice Shop AI 提示注入安全插件本文是我在《网络安全与软件工程综合实践》课程中的个人总结，记录了我在团队项目中的学习历程、技术收获、协作经验以及对软件工程的思考。（分支。
React Native跨平台架构解析：从经典到新架构演进，系统讲解中大型项目实践方案。核心涵盖架构分层（JS业务层/JSI通信/Native层）、模块化设计（Fabric渲染/TurboModule调用）、性能优化（Hermes引擎/FlatList）及工程实践（目录规范/混合架构）。重点对比新旧架构差异：JSI实现直接内存访问替代JSON序列化，Fabric支持同步UI渲染。提供开发建议：业务
摘要：形式化方法是一种基于数学的严谨技术，通过形式语言描述和验证系统，确保高安全关键系统的可靠性。它分为多种类型，如面向模型、属性和逻辑的方法，能发现需求不一致性并支持自动代码生成和验证。尽管学习难度大且成本高，但对安全关键系统至关重要。《大象——Thinking in UML》则强调UML建模应从业务本质出发，通过多视角拆解构建系统模型，指导开发并促进团队协作。
《Maestro项目：用分层模型策略降低98.7%AI开发成本》摘要：作者开发了Maestro项目，通过将开发任务分为"判断"（由Claude Opus处理）和"执行"（由便宜模型处理）两层，在81个任务中实现了98.7%的成本降低（从$66.22降至$0.87）。项目采用严格的质量控制流程，所有数据公开可验证。作者指出，虽然减少了编码工作，但架构设计等核心
26年5月来自CMU, Yale大学, JHU, 东北大学（NEU）, Tulane大学, 阿拉巴马大学（UAB）, 俄亥俄州立（OSU）, Virginia Tech 和Amazon公司的论文“Agent Harness Engineering: A Survey”。大语言模型（LLM）智体在生产环境中的快速部署揭示一个反复出现的规律：任务执行的可靠性与其说取决于底层的语言模型本身，不如说更多地
最近因为要做ai课程，所以想起来open code这个软件，其实这个软件最大的特点就是开源，而且是免费可以对接的ai模型也非常多，但是很少有人去讲它的安装和配置，我现在就用一篇教程给你讲透。
如果是个人AICoding开发，使用多Agent就可以实现。
各位技术社区的朋友们，大家好！我是技术博主、连续创业者兼全栈架构师阿哲，最近半年在做的原型研发——没错，就是专门模拟未来3-5年多智能体软件工程协作环境的东西。。听到这个预测，肯定有朋友会质疑：“阿哲你又在吹牛皮！GPT-4、Claude 3这些大模型出来快两年了，写的代码bug多、兼容性差、要反复修prompt，反而增加了我们的沟通成本和验证成本，效率提升撑死了20%，怎么可能到2026年就10
AI 编程会继续发展。以后写代码一定会越来越快，工具链也会越来越自动化。但越是这样，软件工程越不能被省略。因为软件质量从来不是靠“代码数量”堆出来的。它依赖的是：清晰的需求合理的架构稳定的接口完整的测试严格的评审可控的发布持续的监控对复杂性的长期敬畏AI 可以帮我们写代码。但它不能替团队承担工程判断。AI 可以生成测试。但它不能天然知道业务最怕什么风险。AI 可以提升效率。但如果没有质量体系，效率
基于钻孔数据的Grapher可视化与Surfer三维地质建模
AI赋能软件供应链，利用工具、优化流程等，以此获取更高组织效率和产品工程能力，赢得市场竞争。
《AIGC作品集：2026校招高薪offer的核心竞争力》 当前校招市场出现显著分化：同样学历背景下，拥有AIGC项目经验的求职者薪资可达传统岗位的2倍。本文揭示大模型时代求职逻辑的本质变化： 能力验证方式革新：面试官不再关注"我会什么"，而是聚焦"我做过什么"。一个可运行的AIGC项目demo比任何语言描述都更具说服力。 作品集三大核心要素： 完整性：端到
ClaudeCode：AI编程助手如何融入真实工程流程 摘要：ClaudeCode不同于传统AI编程助手，其核心价值在于能够参与完整的工程开发链路。文章从工程实践角度分析了ClaudeCode的独特优势：1）支持终端工作流，可执行测试、分析报错、查看diff等完整开发环节；2）通过CLAUDE.md和.claudeignore管理项目上下文；3）提供11个提升效率的核心技巧，如文件引用、命令执行等
2024 年 CrowdStrike 的全球性故障，再次提醒所有技术团队：现代软件已经不是单机时代的小工具，一个更新缺陷可能通过供应链和自动更新机制迅速放大，影响航空、银行、医疗等行业。生成一个页面，AI 很快；所以，AI 编程时代真正拉开差距的，不是谁的工具更多，而是谁的软件工程基本功更扎实。不像桥梁、机器、楼房，软件的结构、依赖、风险，很多时候藏在代码和运行链路里。一个小改动，可能影响登录、支
测吧（北京）科技有限公司创始人霍格沃兹测试开发学社创始人十五年以上从业经验的资深测试专家先后任职于阿里、百度、雪球等企业在测试自动化、白盒测试、人工智能、模型驱动测试等方向有长期研究设计并开发过多款自动化测试框架、智能遍历测试框架、智能化测试平台等项目为数十家企业提供咨询与测试技术支持服务，服务领域涵盖互联网、国企军工、物联网、银行等行业典型服务客户包括工信部、信通院、海关总署、华为、小米、阿里、
AI编程时代：效率提升背后的工程挑战 随着AI编程工具的快速发展，代码生成速度显著提升，从单元测试到完整应用搭建都变得轻而易举。然而，这种效率提升也带来了新的挑战：生成的代码虽然能快速运行，却未必具备可维护性；测试通过的接口可能隐藏边界问题；演示正常的系统未必能承受真实流量。文章指出，AI解决了"写得快"的问题，但无法替代软件工程在可靠性、可维护性和质量保障方面的作用。 AI编
本文系统梳理了强化学习65年的发展历程，将其划分为五大演进时代：数学奠基时代（1950s-1980s）建立MDP框架和Bellman方程；经典算法时代（1980s-1990s）提出TD学习和Q-Learning；深度融合时代（2013-2016）诞生DQN和AlphaGo；策略梯度时代（2015-2020）发展PPO/SAC等算法；大模型时代（2020至今）应用RLHF训练ChatGPT。文章提炼
冗余（Redundancy）：在系统中加入备用容量，部分组件失败时可接替工作多样性（Diversity）：冗余组件采用不同类型，避免以相同方式失败用数学语言来描述软件规格，然后通过数学证明来验证程序是否满足规格。自然语言需求↓ 翻译形式化规格（数学模型）↓ 精化（Refinement）形式化设计↓ 变换程序代码fill:#333;important;important;fill:none;可依赖系
想象你要建一栋楼。在开始砌砖之前，建筑师需要先画出整体蓝图：有几层、哪里是大厅、哪里是走廊、管道怎么走。软件架构做的事情是一样的——在写代码之前，先设计整个软件系统的"骨架"。官方定义：软件架构设计关注的是"软件系统应该如何组织"，以及"整体结构是什么样的"。它的输出是一个架构模型，描述系统由哪些主要部件（组件）构成，以及这些部件之间如何相互通信。重点结论：功能需求由各个组件实现，但非功能需求（性
现代世界完全依赖软件：国家基础设施、金融系统、医疗、娱乐、手机……可以说，没有软件，现代社会无法运转。软件和桥梁、建筑不同：这是一把双刃剑——自由度大，但失控风险也大。很多人误以为软件只是代码，实际上：两类软件产品#mermaid-svg-IQ3gAc0sX1oDNzIP{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:1
回报周期长的，在短期尺度的财务模型中无法体现价值；我国2024年就已正式推动数据资产入表，但这背后涉及以确权为核心的利益分配阻碍与实务操作挑战——数据是谁的、值多少钱、怎么摊销，每一步都卡在“算不清”与“不敢算”之间。（基础技术突破→设备革新→产线重构→组织管理模式重构）——定位企业在产业整体趋势中的位置和角色，看清它解决的是基础技术、设备化、产线化，还是生产关系的重构；——以整体时代趋势为标尺，
本文介绍了AI编程工具发展的三个阶段：Prompt Engineering（指令优化）、Context Engineering（上下文管理）和Harness Engineering（系统设计），以及如何用四个md文件入门Harness Engineering。
AI Agent 代表了一种新的交互和自动化范式，也为企业数字化转型提供了新的方向。但技术本身并非目标，真正重要的是解决实际问题并创造业务价值。用软件工程的系统性方法构建 Agent，并不是为了增加复杂度，而是为了降低不确定性。需求分析确保方向正确，系统设计保证架构稳健，编码实现支撑快速落地，测试验证提升可靠性，部署运维推动持续优化——这些环节相互配合，缺一不可。即AI Agent的构建要回归到软
AI颠覆网络安全格局：5天攻破苹果5年防线 安全研究公司Calif的三名研究员在AI助手Claude Mythos的辅助下，仅用5天就攻破了苹果耗时5年、投入数十亿美元打造的M5芯片安全防护MIE（内存完整性强制）。这一突破揭示了AI对网络安全的颠覆性影响： 攻防效率颠覆：3人+AI在5天内完成了传统需要5年才能攻破的硬件级防护，攻击效率提升1000倍 技术突破： 组合两个未公开漏洞形成攻击链 通
本文介绍了检索增强生成（RAG）的核心原理及其实现链路。RAG通过结合检索与生成技术，解决大语言模型（LLM）的知识局限性问题。文章详细拆解了RAG的七个关键步骤：文档加载、文本分块、向量化、存储、查询向量化、相似度检索和生成。重点阐述了向量相似度计算、文档分块策略以及Embedding模型的作用，并对比了RAG与微调技术的优缺点。最后提供了构建完整RAG系统的实践指南，帮助开发者将私有知识库接入
MemPalace是一个创新的AI记忆系统，其核心理念是"存储一切，让语义搜索找到它"。与传统AI记忆方案不同，它不进行信息筛选或摘要，而是完整存储所有对话原文，通过语义搜索实现96.6%的高召回率。系统采用三层架构：存储层（ChromaDB+SQLite）、宫殿结构层（主题化组织记忆）和AAAK压缩层（30倍压缩比）。相比传统方案，MemPalace避免了信息损失，特别适合需要长期记忆的AI应用
最近几天刷 GitHub Trending 的朋友应该都注意到了——一个叫 OpenHuman 的项目稳稳地挂在榜首，日增 Star 一度破千，总量已经突破 9000+，还在持续上涨。这个项目的 slogan 只有三句话：私密、简单、极度强大（Private, Simple and extremely powerful）。听起来像是 AI 营销话术，但它的 Star 增速和社区反应告诉你这次不一样
摘要 本文介绍了通过PowerShell脚本一键配置WSL2和Ubuntu开发环境的方法。脚本分为两个阶段执行：第一阶段启用WSL功能、虚拟机平台并安装Linux内核更新；第二阶段下载预配置的Ubuntu镜像(fbb_ws63_wsl.tar)并导入到指定目录。脚本支持自定义安装路径和镜像保存位置，执行完成后需要重启系统。该方案简化了开发环境搭建流程，特别适合OpenHarmony等开发场景使用。
本文深入探讨多智能体系统在软件工程全生命周期中的应用，从第一性原理出发分析智能体协作的理论基础，详细阐述如何构建模拟需求分析、开发、测试与运维团队的多智能体系统。我们将建立数学模型描述智能体交互机制，提供完整的算法实现和系统架构设计，并通过实际案例展示这一范式如何革命性地改变软件开发流程。本文不仅包含理论深度，还提供可执行的代码实现和部署指南，为实践者提供从概念验证到生产应用的完整路径。
本次开发让我更清楚地理解了合同风险审查功能的业务价值。风险审查不是简单地问 AI“这份合同有没有问题”，而是要把合同中可能影响履约、权利义务和合规性的内容转化为结构化风险清单。其中比较关键的是三点：第一，风险分类要明确。合规性、公平性、完整性分别对应不同审查视角。如果不提前定义清楚，模型输出会比较散，前端也很难分类展示。第二，输出格式要稳定。风险审查结果最终要保存到数据库并展示成表格，所以必须要求
Codegraph开源项目通过本地预索引技术解决AI编码助手处理大型代码库时的性能瓶颈。该项目构建了四层架构：1）拓扑索引层建立AST语义关系图谱；2）状态控制层实现多会话隔离；3）语义裁剪层优化上下文管理；4）自愈护栏层保障系统稳定性。核心创新包括：预索引降熵技术减少80%工具调用，动作合并技术防止感知过载，以及100%本地化运行确保安全合规。使用时可三步部署：安装引擎、生成代码图谱、启动监测界
摘要： Anthropic推出官方开源插件库claude-plugins-official，旨在解决第三方插件市场的质量、安全与性能问题。该框架基于ModelContextProtocol (MCP)，提供标准化调度网格，包含语义协议层、状态控制层、可观测中枢和高可用闸门，确保工业级智能体的稳定运行。核心功能包括零风险工具调用（强类型校验）、长周期任务优化（动作合并与记忆降熵）以及自愈机制（错误解
摘要： 2026年，AI编码工具（如ClaudeCode、Cursor）面临工业级代码库理解难题，常因Token爆炸和工具调用失控陷入幻觉。GitHub项目codegraph通过本地预索引代码知识图谱，构建四层架构（拓扑索引、状态控制、语义裁剪、自愈护栏），将代码转化为语义网格，实现秒级检索。其核心创新包括：预索引降熵减少80%工具调用、状态线塌陷防护优化长周期任务、100%本地化保障安全合规。开
软件工程
——软件工程
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
AtomGit开源社区
开源鸿蒙跨平台开发者社区
AtomGit AI 社区
