登录社区云，与社区用户共同成长
邀请您加入社区
在智能语音产品开发过程中，自学习功能是一个非常实用的特性——它允许用户现场录制自定义命令词，特别适合需要适配方言、口音或特定表达方式的场景。进入自学习模式后，语音识别灵敏度有明显下降，甚至需要靠近麦克风、大声说话才能触发识别。本文基于真实用户案例和 SmartPi 官方文档，系统分析 CI-03T 自学习模式灵敏度下降的根本原因，并提供完整的解决方案和优化建议。算法切换：自学习使用个性化识别算法，
LLM 应用 CI/CD 的核心差异在于评估门禁— 50-100 条代表性用例，覆盖安全/正确性/上下文/边界— GPT-4o 自动评分，替代人工 review— CI 中自动运行，Score < 8.0 拒绝合并— 5% → 15% → 50% → 100%, 每步观察— 错误率 >2% 自动回滚20 条 Golden Dataset + CI Gate 脚本 = 30 分钟搭建。
长久以来，代码大模型评测停留在“写对一段函数”的浅层标准，SwingArena第一次把完整工业级软件开发流程、人机协作博弈、CI质量校验全部纳入评测体系。往后判断一款代码模型是否具备上线能力，不再只看简单样例跑分，而是要看它能否在对抗评审、全流水线校验下稳定交付合规补丁。这套开源竞技场，或将成为衡量代码大模型真实工程能力的新标准。
集可以是任何形式的数据，比如图像、文本、音频等。数据集的主要目的是提供对数据的标准访问方法，以便可以轻松地将其用于模型训练、验证和测试。 数据加载器（Data Loader）是一个提供批量加载数据的工具。它通过将数据集分割成小批量，并按照一定的顺序加载到内存中，以提高训练效率。数据加载器常用于训练过程中的数据预处理、批量化操作和数据并行处理等。 PyTorch中的 torch.utils.da
文章摘要： 本文探讨大模型时代MLOps的核心挑战与实践方案，揭示传统DevOps方法在LLM应用中的局限性。通过分层架构图与案例对比，指出管理Prompt版本、评估指标和数据闭环的重要性，提出"洋葱式"分层架构（交互层/路由层/编排层/数据层/反馈层）和自动化评估体系，强调从"炼丹式开发"转向工程化流水线的必要性。典型反例包括硬编码Prompt、主观评估和万能Prompt导致的维护灾难，解决方案
一、poetry_dataset 项目核心能力原始语料：poetry_train.json、poetry_val.jsonMLX对话训练集：mlx_data/train.jsonl、mlx_data/valid.jsonl统一模板：体裁+创作主题 → 完整古诗词，适配大模型指令微调逻辑2. 配套实用工具脚本仓库自带全链路数据处理、校验脚本，覆盖数据集构建、格式转换、格律检测全流程：build_da
文章摘要：AI工程化底座构建指南 本文探讨了从AI Demo到生产级应用的核心挑战，提出了以工程化底座为核心的解决方案。文章指出，AI项目80%的工作在于构建可靠的工程化体系（Harness），而非模型本身。主要内容包括： 版本控制：Git管理代码/Prompt/配置，Git LFS/DVC处理大模型文件 环境管理：venv隔离环境，Poetry精确控制依赖版本 CI/CD实践：自动化测试、模型评
开源诗词数据集poetry_dataset｜Mac本地微调诗词大模型全方案，配套诗词检索站shi-ci.cn 引言：当AI遇见千年诗韵在自然语言处理（NLP）领域，诗词生成一直是个迷人的挑战。不同于通用文本，诗词需要兼顾格律、平仄、对仗和意境，这对模型的语义理解与生成能力提出了更高要求。开源项目poetry_dataset提供了一个高质量的中文诗词数据集，而本文将从技术原理出发，深入剖析如何在Ma
本文系统讲解鸿蒙应用上架华为应用市场的完整流程，包括开发者账号注册认证、应用签名证书配置、隐私合规审查、应用市场后台配置、提审与审核流程、常见驳回原因与解决方案，以及发布后运营方法和鸿蒙生态特殊能力（原子化服务、服务卡片、多端分发），帮你避开上架过程中的常见坑。
文章摘要 本文介绍了「民族图鉴」项目CI/CD实践，探讨了如何通过自动化解决传统发版流程中的痛点。文章首先分析了CI/CD的核心概念（持续集成、持续交付/部署）及其价值，重点阐述了鸿蒙应用CI/CD的特殊挑战，包括多HAP构建复杂性、严格签名机制、设备多样性等问题。针对这些挑战，项目采用了模块化构建、签名统一管理、分层测试等策略。文章还详细解析了CI/CD流水线的关键环节（代码检查、单元测试、构建
你是不是也在想——“鸿蒙这么火，我能不能学会？”答案是：当然可以！这个专栏专为零基础小白设计，不需要编程基础，也不需要懂原理、背术语。我们会用最通俗易懂的语言、最贴近生活的案例，手把手带你从安装开发工具开始，一步步学会开发自己的鸿蒙应用。不管你是学生、上班族、打算转行，还是单纯对技术感兴趣，只要你愿意花一点时间，就能在这里搞懂鸿蒙开发，并做出属于自己的App！📌 关注本专栏《零基础学鸿蒙开发》，
本文概述了AI语音交互系统中ASR（语音识别）、LLM（大语言模型）和TTS（语音合成）三大核心模块的状态流转机制。ASR负责"听"（语音转文字），LLM负责"想"（生成文本回复），TTS负责"说"（文字转语音）。每个模块包含多种状态（如监听、处理、播放等），状态间的有序转换构成完整的语音对话闭环。文章详细说明了各模块的关键性能指标（如A
① AI Agent 能力成熟。GitHub Copilot 在 2026 年已从代码补全进化为全生命周期 Agent 模式——不仅能写代码，还能理解 CI 日志、操作 Git、创建 PR。Claude、Gemini 等模型的多模态推理能力使得 “看日志 + 读源码 + 写修复” 的闭环成为可能。② Dagger 提供了 Agent 友好的 CI/CD 运行时。传统 CI/CD 的 YAML 配置
《Codex生成单元测试的覆盖率陷阱与破解之道》摘要：本文揭示了使用Codex生成单元测试时常见的"高测试量低覆盖率"现象，指出单纯追求覆盖率数字的误区。通过分析分支覆盖率、业务测试矩阵设计、边界条件验证等关键维度，提出有效提升测试质量的四步法：1）深度分析未覆盖的业务分支；2）基于用户行为而非代码实现设计测试场景；3）采用变异测试验证断言有效性；4）通过GitDiff审查测试
软件开发生命周期（Software Development Life Cycle，SDLC）是软件从“想法”到“上线”再到“退役”的完整过程。它不是一个单一的活动，而是由多个阶段组成的结构化流程。需求分析 → 设计 → 实现 → 测试 → 进化（维护）各阶段详解阶段核心目标主要交付物参与角色需求分析明确“做什么”，收集和分析项目需求需求文档、可行性分析报告产品经理、需求分析师、客户设计确定“怎么做
本文介绍了CI/CD在机器人软件开发中的重要性及实践方法。作者从面试经历切入，解释了持续集成(CI)和持续交付/部署(CD)的核心价值：通过自动化流程确保代码质量。重点讲解了GitHub Actions的配置技巧，包括多版本测试矩阵、ccache缓存优化和测试报告上传。针对机器人项目特点，提出了依赖管理、仿真测试、分层测试等解决方案，并分享了一个包含clang工具链检查、单元测试和Gazebo集成
本文从内网开发的现实需求出发，完整梳理了 Claude Code 离线安装的必要性、包结构分析、依赖缓存策略、端到端实战流程以及私服化部署方案。一次打包，多次分发：在外网构建机上完成依赖全量缓存后，将 tarball 归档文件和私服存储目录作为标准制品纳入版本管理，后续任何内网机器都可以直接复用，避免重复劳动。锁定版本，拒绝漂移：离线包制作时必须严格基于或，确保内网安装的依赖版本与构建时完全一致，
Codex 遇到 CI 构建失败时，正确流程不是直接修改代码，而是：先确认失败阶段，再比较本地与 CI 环境；先定位根因，再做最小修复；最后模拟 CI 命令并检查 Git Diff。CI 的价值是阻止不可靠代码进入主分支，因此不能通过关闭规则、跳过测试或忽略错误来“修复”。Codex 可以提高日志分析和配置排查效率，但最终是否合并，仍然应该由真实测试结果和人工审查决定。
在单人开发阶段，就能搞定一切。“在我机器上是好的”：开发环境不一致，导致各种诡异Bug。集成地狱：到了发版日，大家才合并代码，冲突解决到凌晨。手工操作失误：手动打包时选错了签名证书，导致上架被拒。反馈滞后：测试人员拿到包时，已经是三天前写的代码了。DevOps的核心是自动化和持续反馈。持续集成（CI）：代码一提交，自动合并、构建、跑测试。持续交付（CD）：测试通过后，自动生成可供发布的包。持续部署
在现代软件开发中，自动化测试和持续集成/持续部署（CI/CD）已经成为提升开发效率和软件质量的核心技术。对于操作系统开发，尤其是像鸿蒙OS这样面向多平台、跨设备的复杂操作系统来说，如何确保代码的质量与稳定性，更是开发过程中无法绕过的难题。因此，鸿蒙OS如何通过自动化测试和CI/CD实现这些目标，将直接影响系统的开发和交付效率。本文将深入探讨鸿蒙OS的自动化测试框架与工具、CI/CD流程的设计与实现
Jenkins官方提供了镜像：https://hub.docker.com/r/jenkins/jenkins。使用Deployment来部署这个镜像，会暴露两个端口：8080 Web访问端口，50000 Slave通。信端口，容器启动后Jenkins数据存储在/var/jenkins_home目录，所以需要将该目录使用。Jenkins是一款开源 CI&CD 系统，用于自动化各种任务，包括构建、测
本文介绍了Jenkins在Windows系统下的安装与配置流程。首先需要安装JDK17并配置环境变量，然后从官网下载Jenkins安装包。安装过程中需在本地安全策略中添加Administrator用户权限，解决登录警告问题。安装完成后访问localhost:8080，根据提示获取初始管理员密码并创建账户。最后需安装Git工具并配置SSH密钥，为后续项目部署做好准备。文中提供了详细的图文操作指引，并
TeamCity 是一款由 JetBrains 开发的强大的持续集成（Continuous Integration，CI）和持续部署（Continuous Deployment，CD）工具。它帮助开发团队自动化构建、测试和部署过程，以确保软件项目的质量和快速交付。
【代码】5、GitHub CI/CD 构建流程与原理详解。
Arbess 是一款开源免费的 CI/CD 工具，本文将详细介绍如何使用安装配置SonarQube、Arbess系统，使用流水线拉取GitHub源码、使用SonarQube代码扫描、构建安装包并进行主机部署。
摘要：本文介绍如何利用Git Worktree实现多AI并行开发，解决传统Git流程中频繁切换分支和代码冲突的问题。通过抖音视频提取工具案例，演示了如何为不同AI任务创建独立工作目录（Worktree）和分支，实现物理隔离开发。关键优势包括：真并行开发能力、毫秒级上下文切换、环境隔离等。文章还提供了具体操作步骤、避坑指南和最佳实践，如命名规范、依赖管理注意事项等。这种"Human-in-
Argo CD 是一款基于 GitOps 模型的 Kubernetes 持续交付工具，通过声明式配置实现应用的自动化部署、同步和回滚。其核心思想是将 Git 仓库作为应用状态的唯一真实来源，确保 Kubernetes 集群的实时状态与 Git 中定义的期望状态一致。Tekton 是由 Google 开源的云原生 CI/CD 工具，通过K8S云平台快速灵活定义流水线，实现构建、测试和部署。
本文详细记录了基于 Apifox CLI + GitLab CI 构建接口自动化测试流水线的完整实施过程。项目采用 Spring Boot 3.2.1 + Java 17 技术栈，通过 Docker 部署 GitLab Runner，将 API 测试无缝集成到 CI/CD 工作流中。文档涵盖四个核心阶段：GitLab Runner 部署配置、Apifox 测试场景创建（包含用户 CRUD 5 个接
回归测试智能化转型面临资源浪费和响应滞后两大痛点。通过智能触发机制设计，结合变更感知系统和用例智能映射，实现测试精准触发。落地实践分为三阶段：规则引擎降低40%耗时、AI预测模型评估风险、自优化系统生成用例。实证显示，某电商平台实施后回归频率提升750%，缺陷逃逸率下降74.8%，资源消耗减少74.3%。智能化测试正重塑质量体系，推动测试效率大幅提升。
本文介绍如何使用GitHub Actions、Docker和Kubernetes构建完整的CI/CD流水线，实现代码推送后自动构建、测试和部署。文章对比了传统发布流程与现代CI/CD的优势，详细演示了10分钟内搭建流水线的步骤：1）配置GitHub仓库密钥；2）创建CI/CD配置文件实现测试、构建镜像和部署到K8S三个阶段；3）编写Dockerfile和K8S配置文件（包括Deployment、S
ci/cd
——ci/cd
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
AI Agent技术社区
AI编程社区
人工智能6S服务平台
智能体开发者社区
亚马逊云科技技术品牌专区
DAMO开发者矩阵
HarmonyOS开发者社区
