
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
拿"高级人工智能代理测试开发"这个岗位看,职责里写的是改进用例生成、缺陷检测、不稳定测试分析、回归测试和覆盖率优化,还要做故障注入和可靠性测试。测机器人的要懂嵌入式、仿真器和功能安全标准,测 Agent 的要懂评测和概率输出,测 GPU 通信库的要懂并行计算和高性能网络。有的测机器人动作策略,有的测 GPU 通信库,有的测 AI Agent 工作流,有的测云原生服务。底层库的失效是精度性和性能性的
发愁大模型部署?本文介绍了五款主流工具,覆盖从个人到企业的各种需求:Ollama适合本地快速体验,LM Studio提供图形化界面,llama.cpp专为低配设备优化,vLLM满足企业高性能场景,TGI则深度集成Hugging Face生态。文末还有实用对比指南,帮你根据实际需求轻松选型。

边缘计算在计算机视觉中能显著提升实时性和隐私保护,但测试时需全面考虑性能、可靠性、安全性等因素,确保系统在不同场景下的稳定运行。送您一份软件测试学习资料大礼包。
本文深度解析了针对2025年大语言模型的四大主流部署框架,适用于不同场景的技术选型。从个人开发者使用的Ollama,支持快速本地部署与量化模型管理;到资源受限设备上的llama.cpp,通过极致优化使老旧硬件焕发新生;再到企业级服务的vLLM,提供高并发生产环境解决方案;以及跨平台开发桥接器LM Studio,作为全栈开发者的瑞士军刀。每种方案根据其特点覆盖了从本地调试、边缘计算到大规模生产的应用

微软研究院 11 月 5 日公开的 PDD Kit,把开发者的自然语言意图转成 Verus 形式化规格,证明 Agent 写的 Rust 代码"对每个输入"满足规格,证明够不到的部分退回测试。团队成员用自然语言把要什么说清楚,工具扮演一个挑剔的评审者,问那些"细心的评审者会问的问题",边问边解释相关代码,答案落进一份叫 intent artifact 的文档。拿一个核心链路(登录、支付、下单都行)
—因为只有测试会把"尝试写入应被拒绝"写成一个会红的用例。可以做的三件事一,把 Agent 配置加入变更管理。今晚就能做:把 ~/.codex/config.toml 和项目里的 .claude/settings.json 纳入基线,任何人改动都要有记录。二,写三条断言:写入配置被拒、带绕过参数的命令不执行、未登记域名连不出去。三条都写成会红的用例,不要写成检查清单。三,把"发现即轮换"写进演练脚
用户说"起草",这个词授权的是准备动作,不是执行动作。这句话的意思是,自动生成的判定器也会写错,写错的判定器比没有判定器更糟——它会给你一个稳定的、错误的绿灯。但"准确率不变而畸形调用归零"这个方向,是我在真实项目里最愿意要的那一类改善——它降低的是系统的不确定性,而不是把某个指标再往上顶一点。官方跑完这一轮之后又做了一次分析:更新后的 Agent 上,Compass 不再报告"未经确认发送"这个
11 月 6 日 Google 官方博客公开的轨迹分析里有一类现象,和记忆的"污染"是同一机理:Agent 在代码里读到 TODO(bug/xxx),把这条给人看的旧注释当成了待办任务。同一篇研究里还给了另一半:一次"做梦"(Anthropic 的术语,指空闲时重读日志、校对笔记的离线过程)把这条笔记和原始会话日志对了一遍,改回正确位置,那一次直接走进了山洞,抵达了下一座城市。如果你的验收单上写的
第四个坑:一个人闷头写。它是一段结构化的指令,告诉 AI:当你遇到一个登录接口的测试任务时,先读需求文档确认验证码逻辑,再调用接口 MCP 发请求,拿到响应后先看 HTTP 状态码,再看业务码,最后查数据库确认用户表里确实多了一条记录,三步全过才算通过,任何一步对不上就停下来把现场信息记下来别自己瞎猜。你去 GitHub 上搜 MCP Server,Playwright 的、Puppeteer 的
你的 Agent 跑完之后,产出的不应该是一段“看起来合理”的总结,而应该是一份包含 通过/失败条目、失败归因(模型采样 / 工具异常 / 上下文污染 / 权限拒绝)、Trace 引用和成本数据的报告。但 Agent 不是。这条链路一旦跑通,你就获得了 Agent 测试最重要的认知底座:Agent 的行为不是一段代码执行的结果,而是一个“模型决策 + 工具执行 + 上下文累积”的复合过程。做了几年







