在接口测试中，测试用例可能有上百条，如果将用例全部写在代码中，一旦需要修改，将会消耗大量的时间，不容易维护。正则表达式是对字符串操作的一种逻辑公式，就是用事先定义好的一些特定字符、及这些特定字符的组合，组成一个“规则字符串”，这个“规则字符串”用来表达对字符串的一种过滤逻辑。safe_load()可以解析简单的数据结构，而且比较安全，load可以解析比较复杂的数据结构，通常一般使用的最多的还是lo

Macos系统，在安装psycopg2的时候，一直报下面错误。

MCP（Model Context Protocol，模型上下文协议）是由Anthropic在2024年11月推出的开放标准，旨在解决AI大模型与外部数据源之间的连接问题，使模型能够安全、灵活地访问文件、API、数据库等资源，从而生成更精准的回答。以下是其核心概念、应用场景及与AI agent的关系解析：MCP通过标准化协议构建了AI模型与外部系统的桥梁，主要实现以下功能：上下文共享：允许AI模型

对于Token今天就先说这么多，测试同学先理解下，下一期我们对Token的详细内容，Token化，token对大模型的影响，Token设计的思路，以及token的应用机制做一个详细的介绍，欢迎大家关注。我们在按token调用大模型的时候，比如我们购买了100w量的 token，如果是纯文本调用，我们就可以大致评估出来，这100w量token能调用多少次，调用token包括输入和输出两部分。通过上面

MCP（Model Context Protocol，模型上下文协议）是由Anthropic在2024年11月推出的开放标准，旨在解决AI大模型与外部数据源之间的连接问题，使模型能够安全、灵活地访问文件、API、数据库等资源，从而生成更精准的回答。以下是其核心概念、应用场景及与AI agent的关系解析：MCP通过标准化协议构建了AI模型与外部系统的桥梁，主要实现以下功能：上下文共享：允许AI模型

先来看下wiki百科对于工作流的定义：工作流（Workflow），是对工作流程及其各操作步骤之间业务规则的抽象、概括描述。工作流建模，即将工作流程中的工作如何前后组织在一起的逻辑和规则，在计算机中以恰当的模型表達并对其实施计算。工作流要解决的主要问题是：为实现某个业务目标，利用计算机在多个参与者之间按某种预定规则自动传递文档、信息或者任务。为什么称之为“流”，则是各个节点通过内外部驱动触发引起节点

模型测评基准是通用人工智能的基石，没有测评就意味着没有目标，很难准确地判断究竟哪些做得好哪些做得不好，同时对于AI的安全性也无法把控。从国际视角上看，对于大模型的测评也是没有绝对标准的，因为大模型发展太快了。《麻省理工科技评论》提到，评测使用的测试集包含600道题目，覆盖了语言专项、数学专项、理科综合、文科综合、逻辑思维、编程能力、综合知识、安全性共8个一级大类，126个二级分类，290个三级标签

对于Token今天就先说这么多，测试同学先理解下，下一期我们对Token的详细内容，Token化，token对大模型的影响，Token设计的思路，以及token的应用机制做一个详细的介绍，欢迎大家关注。我们在按token调用大模型的时候，比如我们购买了100w量的 token，如果是纯文本调用，我们就可以大致评估出来，这100w量token能调用多少次，调用token包括输入和输出两部分。通过上面

Chain-of-Thought(CoT)是一种改进的Prompt技术，目的在于提升大模型LLMs在复杂推理任务上的表现，对于复杂问题尤其是复杂的数学题大模型很难直接给出正确答案。如算术推理（arithmetic reasoning）、常识推理（commonsense reasoning）、符号推理（symbolic reasoning）。COT通过要求模型在输出最终答案之前，显式输出中间逐步的推

LLM评估是指在人工智能系统中评估和改进语言和语言模型的过程。在人工智能领域，特别是在自然语言处理（NLP）及相关领域，LLM评估具有至高无上的地位。通过生成和理解模型，LLM评估有助于细化人工智能驱动的语言相关任务和应用程序，确保在语言发挥关键作用的各种场景中增强准确性和适应性。随着大模型的版本升级和应用的持续，对大模型的评估也绝非一次性，而是需要多次迭代的过程。建立一个有效的、可持续的评估过程