logo
publist
写文章

简介

该用户还未填写简介

擅长的技术栈

可提供的服务

暂无可提供的服务

Playwright MCP项目实战:基于提示的浏览器测试与代码生成

Playwright与MCP结合实现AI驱动的UI自动化测试新范式。通过自然语言指令即可完成测试场景构建,大幅降低技术门槛。该方案利用Playwright的跨浏览器支持、智能等待等特性,结合MCP协议的安全交互机制,实现从页面导航到验证的完整测试流程。关键创新在于快照生成技术,通过精简DOM结构保留关键交互元素,为AI提供高效页面理解。同时支持将验证通过的流程自动转换为可执行代码,形成混合工作流。

文章图片
#人工智能#运维#大数据 +4
Playwright MCP项目实战:基于提示的浏览器测试与代码生成

Playwright与MCP结合实现AI驱动的UI自动化测试新范式。通过自然语言指令即可完成测试场景构建,大幅降低技术门槛。该方案利用Playwright的跨浏览器支持、智能等待等特性,结合MCP协议的安全交互机制,实现从页面导航到验证的完整测试流程。关键创新在于快照生成技术,通过精简DOM结构保留关键交互元素,为AI提供高效页面理解。同时支持将验证通过的流程自动转换为可执行代码,形成混合工作流。

文章图片
#人工智能#运维#大数据 +4
AI测试开发工程师面试全解析:20道技术核心题+答题思路框架

霍格沃兹测试开发学社推出AI测试开发岗位面试指南,涵盖模型验证、性能优化、MLOps等核心技术要点。文章强调面试需结合真实项目案例,展示量化指标和排查思路,包括模型压缩、特征工程、推理优化等实战经验。同时推荐系统化学习课程,帮助测试工程师掌握从算法到工程落地的全流程能力,提升在AI测试开发领域的技术竞争力。

文章图片
#人工智能#面试#职场和发展 +4
Coze, Dify, N8N:三款主流AI工作流平台在测试中的应用对比

本文对比分析了Coze、Dify和n8n三大AI测试平台的核心定位与应用场景。Coze适合零代码快速构建测试助手,Dify满足企业级私有化部署需求,n8n擅长跨系统集成。文章详细展示了各平台在测试用例生成、自动化测试等场景的应用方法,并从开发门槛、扩展能力等维度提供选型建议。最后强调人机协同理念,建议测试团队根据技术背景和项目需求选择合适的AI搭档,以提升测试效率和质量。

文章图片
#人工智能#压力测试#单元测试 +4
2025年测试工程师的核心竞争力:会用Dify工作流编排AI测试智能体

摘要:随着AI应用的快速发展,传统自动化测试面临新挑战。本文提出利用Dify平台构建"AI测试智能体"工作流,通过智能体协同完成测试用例生成、语义分析等任务,实现对动态AI应用的高效测试。以天气查询助手为例,演示了从用例生成到结果分析的完整测试流程,展现了语义判断替代字符串匹配、自动化程度高等优势。这种新模式将测试工程师角色升级为"质量策略架构师",为应对A

文章图片
#人工智能#transformer#深度学习 +4
2025年测试工程师的核心竞争力:会用Dify工作流编排AI测试智能体

摘要:随着AI应用的快速发展,传统自动化测试面临新挑战。本文提出利用Dify平台构建"AI测试智能体"工作流,通过智能体协同完成测试用例生成、语义分析等任务,实现对动态AI应用的高效测试。以天气查询助手为例,演示了从用例生成到结果分析的完整测试流程,展现了语义判断替代字符串匹配、自动化程度高等优势。这种新模式将测试工程师角色升级为"质量策略架构师",为应对A

文章图片
#人工智能#transformer#深度学习 +4
测试用例生成太慢?我们用RAG+大模型,实现了分钟级全覆盖

【摘要】本文介绍了一种结合RAG技术与大语言模型的智能测试用例生成方案,有效解决了传统测试用例生成方法效率低、覆盖不全、维护成本高等痛点。通过构建知识库、向量化检索和提示词设计,系统能在分钟内生成高质量测试用例,显著提升测试效率。实际应用显示,该方法在电商下单流程测试中,用例数量增加51%,异常场景覆盖更全面,维护成本大幅降低。该技术将测试工程师从重复劳动中解放,使其专注于更具创造性的工作。

文章图片
#测试用例#p2p#网络协议 +4
测试用例生成太慢?我们用RAG+大模型,实现了分钟级全覆盖

【摘要】本文介绍了一种结合RAG技术与大语言模型的智能测试用例生成方案,有效解决了传统测试用例生成方法效率低、覆盖不全、维护成本高等痛点。通过构建知识库、向量化检索和提示词设计,系统能在分钟内生成高质量测试用例,显著提升测试效率。实际应用显示,该方法在电商下单流程测试中,用例数量增加51%,异常场景覆盖更全面,维护成本大幅降低。该技术将测试工程师从重复劳动中解放,使其专注于更具创造性的工作。

文章图片
#测试用例#p2p#网络协议 +4
MCP、Function Calling,到底有什么区别?它们和 AI Agent 有关系吗?

MCP(模型条件化提示)和Function Calling是大模型应用中的两项关键技术。MCP通过嵌入条件约束优化模型输出,适用于文本生成场景;Function Calling则让模型直接调用函数接口,实现系统操作自动化。二者在AI Agent中协同工作:MCP提升"思考"能力,Function Calling增强"执行"能力。实际应用中需注意提示设计、接口

文章图片
#人工智能#运维#大数据 +4
MCP、Function Calling,到底有什么区别?它们和 AI Agent 有关系吗?

MCP(模型条件化提示)和Function Calling是大模型应用中的两项关键技术。MCP通过嵌入条件约束优化模型输出,适用于文本生成场景;Function Calling则让模型直接调用函数接口,实现系统操作自动化。二者在AI Agent中协同工作:MCP提升"思考"能力,Function Calling增强"执行"能力。实际应用中需注意提示设计、接口

文章图片
#人工智能#运维#大数据 +4
    共 475 条
  • 1
  • 2
  • 3
  • 48
  • 请选择