前两天在跟几个做集成商的老朋友喝茶，聊到现在这行情，大家都在叹气。订单是有，但利润薄得像纸，甲方要求还越来越高——既要快，又要好，还得智能。这让我想起最近集中爆...

这期分享下RS和SR触发器，两大平台居然名称相同，但是逻辑完全相反！也给大家避避坑哈！欢迎点赞、收藏和转发！

可以参与投票看到最新的结果。如果把观望和不养的朋友加起来差不多有70%，也就是说7成的是处于观望或者坚决不养的态度。

龙虾已经火了一阵子了！最近深圳市龙岗区率先端出了自己的“龙虾十条”——《龙岗区支持OpenClaw&OPC发展的若干措施（征求意见稿）》，成为全国首个以系统性政...

翻译的质量，取决于测试工程师的业务理解深度。理解深的工程师，能从一段模糊的需求描述中提炼出关键的验证意图；理解浅的工程师，只能逐字照搬需求条目，将其机械地转化为...

一个具体的场景可以说明这种差异。某运维团队需要对一批服务器进行配置核查。Copilot 的辅助方式是：工程师描述需求，Copilot 生成检查脚本，工程师执行脚...

传统需求评审会议的问题发现，高度依赖参与者的个人经验和临场状态。资深工程师能从一段业务描述里嗅出逻辑漏洞，有业务积累的测试工程师会追问异常场景，懂技术的产品经理...

问题的根源，不在于测试工程师不够努力，而在于两种截然不同的工作模式之间存在一道鸿沟——“数据搬运”模式与“洞察提炼”模式。前者把报告当成测试活动的归档副产品，后...

一个没有这个 Skill 的工程师，可能需要花 30 分钟与 AI 反复对话，才能得到一份覆盖较好的测试点清单。拥有这个 Skill 的工程师，粘贴需求文档，5...

功能性测试的出发点，是假设用户有明确的、善意的使用目的。测试工程师构造输入的逻辑是：这个功能应该支持什么，我就测什么。

与那些“只生成代码”的 AI 助手不同，testers.ai 的核心是 “AI Skills” —— 一种可跨平台复用的专业测试能力单元。正如其官网标语所说：

用 Martin Fowler 的话说："这是在 AI 时代保持代码质量的新型工程实践。"

近年来，‘AI赋能软件测试’已成为行业高频热词。然而，据2023年《中国DevOps与AI测试实践白皮书》统计，超68%的企业仍停留在POC（概念验证）阶段，仅...

2024年，大模型驱动的AI智能体（Agent）已不再是实验室概念——AutoGen构建的金融风控分析助手、LangChain调度的电商售后决策流、字节跳动内部...

在AI工程化落地加速的今天，一个高准确率的模型≠一个可交付的模型。真正决定AI系统成败的，往往不是训练时的炫酷指标，而是上线前那场严谨、多维、贴近业务的模型评估...

在传统软件测试时代，测试工程师的核心价值常被简化为‘用例执行者’或‘缺陷捕手’。而随着大语言模型（LLM）深度融入产品架构——从智能客服、代码补全到AI原生应用...

* **Harness Engineering 本质上是把 DevOps 的思想引入到了 AI 领域**。它承认 LLM 是非确定性的，因此用确定性的传统软...

本文聚焦工程落地：从最简单的 Buffer Memory 到生产级的向量记忆、图记忆，一步步带你把 AI 记忆真正跑起来。所有代码均可直接运行。

这几天，朋友圈被“裁员”刷屏了。阿里、字节、网易，连一向岁月静好的 B 站也没能幸免。更夸张的是，有的城市、有的业务线是整锅端，直接清零。

关心我的读者朋友肯定发现，我已经断更一个多月了。这期间忙活了很多家务事，因为琐事太多了，所以我就趁碎片时间刷网络小说奖励自己。这几天想着，公众号文章还得继续坚持...