登录社区云，与社区用户共同成长
邀请您加入社区
1.背景介绍模型部署的持续集成与持续部署(Continuous Integration and Deployment of Model Deployment)是一种在软件开发过程中，通过自动化工具和流程来实现模型的持续集成和持续部署的方法。这种方法可以帮助开发人员更快地发现和修复模型中的问题，从而提高模型的质量和可靠性。在过去的几年里，人工智能和机器学习技术已经成为许多行业的核心技术，它们...
本文介绍了MLOps中的CI/CD/CT（持续集成/持续部署/持续训练）概念及其核心组件。针对机器学习项目的特殊需求，传统的CI/CD扩展为包含持续训练（CT）的完整流程。主要包含三大模块：持续集成（代码质量检查、单元测试、数据验证等）、持续部署（自动化部署、环境管理、回滚机制等）和持续训练（数据漂移检测、自动重训练、性能监控等）。文章通过流程图展示了完整的CI/CD/CT流水线架构，从代码提交到
Python为人工智能项目提供了从数据清洗到模型部署的全栈解决方案。通过合理运用Python生态系统中的各种工具库，开发者可以构建高效、可靠的机器学习流水线。掌握这些工具和方法将大大提升人工智能项目的开发效率和应用效果。
2026年1月17日，深兰科技在上海张江总部接待了来自俄罗斯T1集团的代表团一行。深兰科技创始人兼董事长陈海波代表公司参与接待与交流。双方围绕人工智能在银行与金融、高安全行业以及无人系统等复杂场景中的工程化应用路径展开深入探讨，重点交流具身智能、智能体与多机协同技术在真实世界中的系统级落地能力。
设计完整的模型发布Pipeline：从MLflow获取版本→性能测试质量门禁→Canary灰度10%流量→观察验证→全量部署。对比模型CI/CD与代码CI/CD的差异，附GitLab CI完整配置。
摘要：传统 MLOps 以“特征工程 + 离线训练 + 模型上线”为核心，交付单元是单个模型；AI Native 应用的交付单元则变成“模型 + 上下文 + 工具 + 评测”的组合能力。本文从特征存储与模型部署管线两条主线对比两者的根本差异：特征存储要从“值的一致性”升级为“证据的一致性”，演化为上下文仓库；模型部署要从“部署一个模型”升级为“部署一套能力”，以能力包为版本单元；评测则要从训练阶段
摘要：本文聚焦大模型推理服务中的连续批处理（Continuous Batching）调度环节，系统对比 FCFS、Sorted、Dynamic Batching 三类调度策略的机制差异，分析它们对吞吐量、首 Token 延迟（TTFT）与 Token 间延迟（TPOT）的影响。文章先拆解三类策略的调度逻辑与各自代价，再用对比表格归纳实现复杂度、吞吐、平均延迟、尾延迟与公平性等维度，随后给出可运行的
在离线内网环境中，通过部署 Harbor、GitLab 与 Jenkins，结合 K8s 动态 Agent 和 Trivy 漏洞扫描，构建一条“代码提交即自动上线”的 CI/CD 流水线。仅需配置约 200 行 Jenkinsfile，即可实现从代码拉取、镜像构建、漏洞扫描到 Kubernetes 部署的全流程自动化。开发者只需 git push，其余操作全由 Webhook 触发，高效安全地完成
大语言模型的出现让软件开发拥有了前所未有的灵活性，但也打破了传统软件工程几十年来建立的确定性纪律。靠“感觉验收”只能做出漂亮的 Demo，唯有建立起包含代码断言、轨迹审计、五维评委与强制 CI 门控的完整评分卡体系，团队才能跨越“能用”与“敢上线”之间的鸿沟。拒绝在生产环境中碰运气，用严格的评测工程把不确定性关进制度与代码的笼子里，这是每一个前沿 AI 团队迈向成熟的必修课。
本文基于一次因3行Prompt改动导致的40分钟回滚事故，提出Agent CI/CD核心理念：先设计“回滚的是什么”，再设计流水线。针对高频率变更的Prompt、模型、配置等四类单元，构建可独立版本化的发布体系，并配套五层质量门禁（单测→Mock回放→离线评估→影子流量→灰度）、三维度灰度策略及三层监控指标，实现自动化回滚与演练。全方案基于Python 3.11+与GitHub Actions，强
本文介绍在Qt6项目中通过GitLab CI实现macOS自动构建、签名、打包为dmg并发布下载链接的完整方案。核心思路：使用macOS专用Runner（shellexecutor），本地脚本复用，通过build.sh完成从编译到发布全流程；利用LaunchAgent实现开机自启与无人值守；规避产物大小限制，将dmg部署至本地HTTP服务供内网下载；结合签名预检、自动清理与通知机制，确保构建稳定高
本文为“控制器不动手，干活的另有其人”系列第四篇，介绍如何搭建一台纯构建机（jenkins-agent，10.10.10.78），通过SSH方式由Jenkins控制器纳管，实现编译任务与控制台分离。重点涵盖系统准备（安装JDK21、Maven、Git）、SSH免密连接配置、工作目录结构解析（尤其@tmp目录使用规范）、Maven本地仓库优化及镜像加速配置。通过标签调度、横向扩容提升并发能力，并提供
摘要：“AI Native”正在成为继“互联网+”“数字化”之后最容易被滥用的标签。本文给出一句话定义：AI Native 不是“产品里接了大模型”，而是让 AI 成为产品能力、组织流程和决策方式的第一性构成要素。围绕这一判断，本文拆出三个可验证的标准——能力内生、流程重构、数据闭环，并给出自检清单与落地路径，帮助团队判断自己究竟处在“AI 加持”还是“AI Native”阶段。
本文为鸿蒙实战项目第一篇，聚焦“极简待办”App的需求拆解与架构设计。通过砍减功能至5项，明确技术选型（Navigation、RDB、AppStorage、FormAbility等），采用三层架构落地目录结构，设计高效索引的RDB表，并封装四类DAO操作。重点强调初始化顺序、结果集释放与卡片数据同步三大常见坑，确保项目可落地、可维护。下一篇将实现核心逻辑与避坑实践。
本文详解鸿蒙项目CI/CD流水线搭建，核心内容包括：使用hvigorw命令行工具实现无IDE构建；通过密钥变量安全注入签名文件，避免硬编码；构建最小闭环——代码检查、单元测试、打包、产物归档四阶段自动流转；版本号自动递增，versionCode基于Git提交数，versionName按语义分patch/minor/major递增。附完整GitHub Actions配置与排查指南，助力实现“提交即出
本文详解鸿蒙开发中三种模块（Entry、HAR、HSP）的差异与应用场景，重点解析HAR与HSP在代码复用与包体大小上的关键区别，强调合理使用HAR（小工具库）与HSP（共享业务）的时机。通过featureHAP按需加载降低首包体积，结合编译时间与代码复用度判断拆分时机，并预告下一篇将深入持续集成流水线，助力高效协作开发。
本文提供一个3周可完成的校招AI项目：退款查询Agent，通过6条可失败的验收承诺、20条覆盖多类风险的评测用例、4个Trace观测点及错误修复，构建可验证、可复现的测试证据链。项目强调“过程断言”而非结果文本，避免“做过但说不清”的陷阱。附简历句与8个面试追问应对策略，助力简历突围，真实还原工程思维。
测试团队需超越“调用成功”表象，通过行为断言、端到端验收与独立观察验证桌面Agent操作实效。本文以Qoder团队案例为鉴，提出三层验证体系：工具层确认参数有效，界面层核对状态变更，工作流层评估完整链路。强调测试应分离执行与验证，避免“自我证明”陷阱，将缺陷转化为回归样本，并建立可复用的测试矩阵，确保结果可观察、可追溯、可复现，真正实现“有证据说明完成”。
Microsoft Research与卡内基梅隆大学发布的CRBugBench基准，评估代码审查Agent在公开与专有仓库中发现已知缺陷的能力。研究显示，最佳模型在前五条评论中捕获71.9%的bug，但需区分“评测结果”与“生产效能”。测试团队应通过可复现的试点，基于历史PR回放，分层评估召回率、误报率与上下文依赖性，避免将“无评论”误解为“安全”。关键在于：将Agent定位为可问责的风险提示器，
本文聚焦大模型持续学习中的灾难性遗忘问题，剖析其成因——新数据更新导致旧参数被覆盖，并提出回放、正则与参数高效三类应对策略。强调在不重训全量的前提下，需兼顾“学新”与“保旧”，工程上应建立双线评测体系，根据数据可得性、更新频率与业务容忍度选择方案。核心结论：持续学习需以评测为底线，结合渐进发布与定期全量兜底，方能安全演进。2026奇点智能技术大会将深入探讨此方向。
10月底的GitHub Universe大会披露：9月单月Commit达74亿次、约为上年同期的5倍；今年累计新增400万个CPU核心与160PB存储；而90天可用性一度跌到约84%。三个数字，结论只有一句：当提交的验证成本趋近于零，提交必然泛滥，质量体系必须重新设计。
面向2027届校招，构建基于本地模拟商城的受限Browser Agent项目，实现商品查询、加购、创建待确认订单等操作，严格限制工具权限与支付能力。通过工具白名单、状态机管理、Trace记录与数据库断言，验证价格变化、库存不足、登录过期、重复提交等边界场景，确保行为可追溯、结果可复现。项目强调最小权限、幂等性与独立Oracle验证，形成可写入简历的工程化测试实践，助力面试中应对“Agent测试”追
本文提出面向多轮Agent测试的Trace最小字段与可复现回归方法，强调仅依赖最终回答无法定位问题。通过定义模型调用、工具动作、环境状态等关键字段，构建可追溯的Trace，实现对执行过程的精准归因。建议以不变量为核心进行回归测试，避免逐字比对带来的误报。结合分段归因与重放机制，提升故障排查效率，助力团队在客服、知识库等场景中实现稳定可靠的Agent测试。
其一，这不是从容的容量规划，而是被动追赶：4月月提交量才14亿次，8月29亿次，9月直接冲到74亿次——四个月翻5倍的斜率靠人力堆不出来，增量来自机器。现在，机器把这道自费门禁外包给了平台——私人的调试成本，被做成了全网分摊的公共开支，微软追加的400万核服务器，本质是替全网的试错行为埋单。长期是机会——机器提交越多，越需要有人设计验证规则、质量门禁与反馈回路，这正是测试的专业地盘。人类的另一套姿
其一，这不是从容的容量规划，而是被动追赶：4月月提交量才14亿次，8月29亿次，9月直接冲到74亿次——四个月翻5倍的斜率靠人力堆不出来，增量来自机器。现在，机器把这道自费门禁外包给了平台——私人的调试成本，被做成了全网分摊的公共开支，微软追加的400万核服务器，本质是替全网的试错行为埋单。人类的另一套姿势：本地把测试跑通、确认改动闭环，再发起一次干净的提交——因为对个人来说，提交是有成本的动作。
针对 Agent 演示惊艳、上线翻车的问题，给出留痕可观测、离线评测打分、策略脚本阻断三道门禁与灰度放行方案，附可直接接入 CI 的脚本。
周五下午，流水线跳出绿色。研发在群里说：新包已经上传。合作学校的老师按上周那条链接去装，有的还是旧版，有的提示正在处理，有的装上后课堂流程对不上本周讲义。教育机器人的配套 App 往往带着课程、固件入口和设备连接。学校试用不是「能下到一个文件」就结束。老师要在固定时间带着学生完成指定关卡。版本错一天，整节课都会乱。
uni-app 最大的卖点就是一次开发，多端分发，一份 Vue 代码可以编译输出 H5、微信 / 支付宝 / 抖音小程序、Android/iOS App、鸿蒙元服务等平台。但很多同学写完代码，卡在打包发布环节：同样的页面，H5 正常、小程序报错、App 样式错乱、证书打包失败、各平台审核规则不一样。本文从发布前准备 → 各端打包流程 → 多端兼容核心手段 → 高频踩坑清单 → CI 自动化发布方案
本文基于 openEuler 与 Kubernetes 三节点实验环境，记录 Ansible 批量纳管 Linux 主机的完整过程。涵盖 Inventory 主机清单配置、SSH 连接认证、Ansible Ping 故障排查及 Python 版本兼容性处理，并结合 Nexus YUM 软件源完成远程 Python 环境适配，最终通过 SSH 公钥认证实现免密管理。重点分享实际报错、定位依据及解决方
本文基于 openEuler 20.03 LTS-SP4 实验环境，记录 Ansible Core 2.21.5 的安装部署过程。首先介绍 Ansible 的作用、基本架构及 Core、AWX、AAP 的区别；随后针对系统原有 Python 3.7.9 的版本限制，独立安装 Python 3.12.12，并通过虚拟环境隔离 Ansible 依赖。结合此前搭建的 Nexus PyPI 代理仓库，介绍
Yocto项目在嵌入式Linux系统定制中具有显著优势，其核心特点包括灵活的层模型架构、强大的元数据管理系统和跨平台兼容性。通过分层设计实现代码复用，支持多种处理器架构（x86/ARM/MIPS等），并提供精细化系统裁剪能力，可生成最小化镜像。此外，Yocto具备自动化构建流程、完善的SDK生成能力，以及活跃的开源社区支持，能显著提升开发效率，降低维护成本。这些特性使其成为工业控制、物联网和消费电
本文提供Jenkins安装全流程指南，涵盖Windows/Linux/Docker三种主流方式。重点包括：Java环境配置（推荐JDK17）、Windows下MSI安装包使用、Linux包管理器安装、Docker容器化部署。特别强调安装后的5个关键配置：常用插件安装、JDK/Node环境设置、Git凭证管理、Pipeline任务创建及端口修改。针对常见问题（如端口冲突、启动失败、环境依赖）给出解决
本文详细介绍了如何通过 Jenkins 实现 CI/CD（持续集成与持续交付）流程。首先，文章简要解释了 CI 和 CD 的概念，并介绍了 Jenkins 作为实现工具的基本功能。接着，文章逐步指导如何通过 Docker 安装 Jenkins，并解决了安装过程中可能遇到的网络和性能问题。随后，文章详细说明了如何设置 Jenkins 的工作空间、构建项目（以 Node.js 为例）以及部署构建产物到
主要介绍基于Java8的Jenkins第一个Hello World项目，一起实践下Jenkins拉取Git代码、编译、打包、多服务器发布的过程。涉及坑和面都较多，步骤图片有多，可以说是干货满满，希望大家能因此学会Jenkins。
最近Vercel服务不稳定，经常被墙，还是得整一个自己的服务器呀😭😭😭习惯了vercel的自动部署，那么自己的服务器也得安排上，走起。nuxt项目部署、NextJS项目部署、本文使用Webhook来进行自动部署。本文将带你从0到1进行服务器的配置与项目部署。（next项目部署、nuxt项目部署、node项目部署）超详细
部署Gitlab 以及配置CI/CD自动部署到服务器1、安装GIT1.1 使用yum安装工具#利用URL规则在命令行下工作的文件传输工具yum -y install curl-devel#expat就是SAX2模型的解析器 xml解析器yum -y install expat-devel#gettext是一种国际化与本地化系统,可以进行编程和翻译的操作yum -y install gettext-
那么针对仓库或版本控制系统的事件，对比不同的webhook，他们的实现方式略有差异，下面将针对架构模式、认证机制、事件处理差异、URL构建差异、命令处理差异、过滤逻辑差异、错误处理差异等展开说明。通过上述差异，提出几个可以在perforce_webhook以及swarm中可以优化及修改的措施。
啊好多人问我怎么还不更新，其实本月是已经写了一篇测评的，但是鉴于过于超前会给产品带来不好的影响，所以就没有公开。那么既然这样本月就再更新一篇。首先声明一点，安装中文包的初衷不是看不懂英文，也不是对某些语言有偏见，既然它存在必然有其存在的理由，所以本文仅从技术的角度分析如何安装。由于 Code-server 是基于 Vscode 的二开版本，本文将以 Code-server 为例来讲解。
node-v16.13.0-headers.tar.gz 文件是 Node.js 的 C/C++ 头文件包，它包含了 Node.js 运行时所需的所有头文件。这个文件通常用于以下场景：构建原生模块：如果你在使用 Node.js 构建或安装需要编译原生代码的模块（例如，使用 node-gyp 构建的模块），这个头文件包是必须的。开发 Node.js 插件：开发者在开发 Node.js 的 C/C++
更改Mysql表字符集为utf8_general_ci；
记录一次sql语句执行错误：left join表会出现 Illegal mix of collations (utf8_general_ci,IMPLICIT) and (utf8_croatian_ci,IMPLICIT) for operation '='错误.这是由于表的编码格式不一致 例如 某个表的字符编码为utf8_general_ci而关联表的字符编码为utf8_croatian_ci
ci/cd
——ci/cd
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
地瓜机器人开发者社区
北京朝阳AI社区
人工智能6S服务平台
DAMO开发者矩阵
openEuler 社区
乐奇 Rokid 开放社区
