登录社区云，与社区用户共同成长
邀请您加入社区
本文用USB-C类比解释MCP（Model Context Protocol）的核心概念：MCP是AI连接外部工具的标准协议，如同USB-C统一充电接口。它由Host（AI应用）、Client（连接端口）和Server（工具包装程序）三部分组成，通过动态发现机制提供tools、resources和prompts三种能力。与function calling（模型能力）和API（点对点连接）不同，MC
从1999年TDD的提出，到今天多Agent协作系统把测试、实现、审查三个角色拆分给独立的AI来执行，中间隔了二十多年。方法论一直是那套方法论，变的是执行成本。AI没有发明新的软件工程理论，但它把过去因为成本太高而无法落地的理论，变成了可以实际运行的工程实践。如果嫌文章太长、怕后面走丢，可以关注下面的ima知识号，让这篇文章成为你的知识顾问，随时随地等候你的提问。知识号中内容会以笔记形式分享，可以
摘要： TDD（测试驱动开发）传统上因游戏开发需求多变而难以适用，但随着LLM+Agent技术大幅提升开发效率，TDD成为理想选择。其核心优势在于提供确定性，确保每次修改通过测试用例验证，而AI时代下开发瓶颈从编码转为验收，TDD能提前约定验收标准，避免需求膨胀。Unity中实现TDD需结合其测试框架，分离纯逻辑与Unity依赖代码，通过静态编译与动态测试双轨协作。开发时先编写测试用例（人工设计典
TDD实践：Python优惠券计算系统开发 本文通过电商优惠券计算系统的开发案例，展示了测试驱动开发(TDD)的"红绿重构"循环。TDD要求先编写失败测试(红)，再实现最小化代码使测试通过(绿)，最后在测试保护下重构代码。作者以Python实现优惠券系统为例，演示了如何处理满减规则、VIP折扣、最低价格保护等业务逻辑。该方法强迫开发者优先考虑接口设计而非实现细节，有效避免了边界
本文介绍了三个开源Skill（Taste、Motion、Impeccable）帮助非设计师开发者快速提升AI界面设计质量。Taste通过风格旋钮和硬性规则消除"AI味"，Motion提供专业动效体系，Impeccable一键检查细节瑕疵。三者可独立或组合使用，形成从审美决策到动效体验再到细节打磨的完整工作流。文章通过一个SaaS落地页案例演示了40分钟内完成专业级设计的全流程，
本文给出一套可复用的 Codex 工程工作流：从读取仓库现场、定义可验收终态，到小步修改、验证证据和交接简报，帮助开发者避免改动失控、结果难验证和长任务无法接力。
摘要 非地面网络（NTN）是6G空天地一体化网络的核心，3GPP Release 17首次完成IoT-NTN标准化，初期采用FDD模式以规避卫星通信的长时延问题。但随着商用部署深入，FDD在频谱利用、终端成本和频段适配等方面的局限性日益凸显。Release 18/19引入TDD模式，通过重构协议栈时序与硬件架构实现突破性创新。 报告系统分析了IoT-NTN从FDD到TDD的演进，对比了物理层、MA
很多老板会抱怨：“写测试太浪费时间了，我们应该赶紧去板子上调。写测试是为了走得更快。在板子上调 1 个 Bug = 2 小时。在 PC 上跑 1 个用例 = 2 毫秒。单元测试是嵌入式工程师的“时光机”，它让你能瞬间回到过去任何一个逻辑节点进行验证。当你构建起这套宿主机测试体系时，你就已经脱离了“烧录-重启-看灯”的原始部落，进入了现代工业化软件生产的殿堂。
PM 让 AI 写代码、写脚本、改原型，最常踩的坑不是「AI 不会写」，而是：
MattPocock提出了一套基于经典软件工程理论的AI编码工作流，通过将八本编程经典（如《设计原本》《领域驱动设计》等）的核心概念转化为可执行的AI技能（Skill），解决了LLM在长上下文窗口中质量下降的问题。工作流包含核心流程（需求澄清→规格说明→任务拆分→实现审查）和三条辅助路径，强调垂直切片开发、干净上下文窗口和日班/夜班分工模式。关键创新包括：设计树访谈法确保需求清晰、TDD循环保持代
TDD（测试驱动开发）作为一种强调‘先测后写’的工程范式，在 AI 编程辅助场景中常被误认为 Copilot Agent 的内置功能。实际上，其核心在于人机协同的上下文感知与条件触发机制：Agent 本身无主动状态判断能力，必须依赖结构化信号（如测试断言、Git 状态、指令锚点）来激活对应技能。技术价值体现在将模糊原则转化为可执行协议——通过 copilot-instructions.md 实现阶
本文提出AI编程时代高效开发新范式：SDD（规范驱动开发）+TDD（测试驱动开发）组合。SDD定义清晰、结构化的行为契约，TDD通过测试固化契约并验证实现；AI专注中间代码生成，人聚焦需求理解与质量把控。实践表明，该方法可使线上bug率降72%、迭代速度提40%，真正兼顾效率与质量。
在日常办公中，我们经常需要处理大量重复性任务，例如文件操作、数据处理、邮件发送和表格整理等。手动完成这些工作不仅耗时，还容易出错。借助Python强大的生态系统，我们可以编写简单的脚本来自动化这些流程，从而显著提升工作效率。即使您没有编程背景，只需花费十分钟掌握一些基础代码，也能轻松实现办公自动化。通过上述简单的Python代码示例，您可以看到自动化办公的巨大潜力。这些基础技能只需十分钟就能掌握，
本文面向 Node.js 开发者，旨在帮助构建高质量、可维护的应用。文章首先强调调试与测试是软件质量的基石，提出调试需遵循科学方法（观察-假设-验证-修正），测试应遵循金字塔模型（单元/集成/端到端测试）。介绍了 Jest 测试框架的使用方法，并通过 math.js 案例演示了同步/异步测试及模拟技术。最后分享 TDD 工作流程和 VS Code 断点调试技巧，提供了质量保障最佳实践清单和学习路径
本文介绍了一套完整的无障碍测试技术方案，重点涵盖自动化工具链集成与CI/CD落地实践。方案基于axe-core+Selenium实现WCAG合规检测，结合Pa11y进行持续集成测试，并通过Playwright模拟视障用户操作。文中提供了Python代码示例展示缺陷分析、移动端适配等关键技术实现，包含pandas数据分析和matplotlib趋势监控等效能提升策略。该方案支持与Jenkins/Git
摘要：本文探讨了将测试驱动开发(TDD)与Claude Code结合的方法，显著提升AI生成代码的质量。核心流程包括：1)先编写测试用例定义需求(RED阶段)；2)指导Claude实现通过测试的代码(GREEN阶段)；3)安全重构(REFACTOR阶段)。实践表明，采用TDD方式可使首次通过率达85-95%，最终代码质量提升至98%。文章详细介绍了三种协作模式、测试优先的提示工程技巧，以及如何通过
谈到应用程序的UI，其实包括两个方面的内容：一方面是纯图形的look & feel；另一方面，则是用户和应用程序的交互。用户和应用程序的交互往往同时导致图形界面的变化，并且，转换到新的交互行为。由于工作实践中主要是基于WEB的HTML和JavaScript的项目，这里对TDD in UI的讨论，将focus在基于HTML和JavaScript的UI。同时，一般来讲，WEB程序的表现层主要有客户端代
《AI辅助测试驱动开发实战指南》摘要： 本文针对AI生成代码缺乏测试覆盖的问题，提出结合TDD（测试驱动开发）的方法论。文章详解TDD红-绿-重构三步骤循环，提供AI生成测试用例的提示词模板和最佳实践，重点覆盖边界条件与异常场景。通过用户注册功能的完整案例，展示如何用AI高效生成单元测试、模拟依赖和验证交互。同时构建测试金字塔策略，推荐单元测试(70%)、集成测试(20%)、E2E测试(10%)的
西门子PLC自带的时间记录功能用过的都知道，那玩意儿就跟闹着玩似的，扫描周期造成的误差能气死人。西门子PLC精确计算设备运行时间程序，1200PLC和1500PLC通用，两次读取PLC的实时时间做比较，这样就可以不算入PLC每次扫描时间，非常准确的记录设备运行时间。PLC的扫描周期虽然不稳定，但两次读取动作发生在同一个扫描周期内，系统时间的差值刚好就是程序处理实际业务逻辑的时间。这段处理跨天的逻辑
但实际应用中，工程师更喜欢手动锁定工作模式。比如充电器设计中故意让轻载时进入DCM模式降低损耗，这时候Mathcad的变量联动功能就派上用场了——修改负载电阻值时，所有关联参数实时更新，比Excel的循环引用可靠多了。输入电压范围、输出功率、开关频率这些参数拍在桌面上时，Mathcad的符号运算能直接生成关键参数。不过别忘了，实际选型时得考虑散热条件，Mathcad里可以加个温升估算模块，避免纸上
不要对号入座。实际工作中别教条，bug修复、快速验证这些，直接上TDD修就行的，没必要为了方法论而方法论。如果你开始做一个有一定规模的新功能、新模块时，才值得花时间先写规格再动手。很多公司的代码规范和流程已经固定了，不可能因为你读了这篇文章就推倒重来。你可以在自己的新项目里试试"SDD在上、TDD在下"的工作流，感受一下跟"边写边想"的区别。
已知openspec一条命令有对应的skill。如果要在本地openspec的基础上扩充功能，比如扩充一条命令，需要找到本地路径。C:\Users\你的名字\.cursor\skills\opsx-superapply\├── SKILL.md ← 主编排器（146行）├── implementer-prompt.md ← 实现子agent提示词模板├── spec-reviewer-prompt
自动压缩在约83.5%触发，且是有损的：有开发者因此丢失了3小时的重构工作，压缩后只保留了约20%-30%的细节。Anthropic对偏离轨道的会话的建议非常坦诚：在让智能体工作前保存状态，让它运行，然后要么接受结果，要么重新开始，而不是费力纠正。智能体在无引导下的单步决策准确率可能很高，但当面对包含20个决策点的特性开发时，即便每步准确率80%，最终完全正确的概率也仅有0.8²⁰≈1%。Anth
tdd
——tdd
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
MCP技术社区
AI Agent技术社区
龙虾开发者社区
亚马逊云科技技术品牌专区
AI硬件创业社区
DeepSeek技术社区
AI编程社区
DAMO开发者矩阵
CSDN-OPC开发者社区
