同一个大模型，为什么接入不同的工具、提示词和记忆系统后，执行任务的表现可能相差很大？

夜里十点四十，流水线一路绿，你合上电脑。第二天早上有个同事在本地随手跑了条命令，没跑全量，只从中间起——两条你谁也没碰过的用例突然挂了一条。奇怪的是：单跑它好，...

发布评估会上，两份自动化测试报告并排投在幕布上，前后都是全绿。争论点在一张表格用例：升级前一版绿，升级后一版也绿，可测试开发把两次的断言日志逐条摊开，发现它们验...

摘要：Anthropic 的 7 人团队借助 Claude Agent，5 个月自研版本控制系统 Scion，用来应对 AI 编码 Agent 带来海量代码提交...

凌晨一点，值班群里弹出一条告警：客服侧的智能体在商品目录页上「找不到搜索入口」，整夜只回人工。前端把截图甩了过来——搜索框在，接口 200，DOM 里的搜索语义...

摘要： AI 生成测试用例越来越方便，但用例写出来以后，谁来检查需求覆盖、边界遗漏和预期结果？腾讯 WorkBuddy 支持通过 Skills 封装可复用的工作...

摘要：Microsoft公开的Agent Experience方法指出，Agent生成旧SDK、过时认证方式或错误脚手架，并不总是模型本身的问题。测试团队要沿着...

摘要： 腾讯 WorkBuddy 能理解需求、拆解任务，还能协助生成测试用例。但对软件测试新人来说，真正值得学习的不是让 AI 一次生成多少条用例，而是如何分析...

摘要：基于Arize Phoenix数据集与实验概念，说明模型、Prompt和检索器同时变化时如何控制变量并做回归。

摘要：NVIDIA OpenShell把策略执行放在Agent进程之外，并提供默认拒绝、路径限制、网络策略和审计能力。但“使用了沙箱”不是验收结论，测试要验证策...

摘要：语音Agent的“打断”不是一个按钮，而是一条从用户开口、VAD识别、取消生成到停止播放和清理上下文的链路。只测转写准确率，很容易漏掉重复播报、错误提交和...

周二下午的评审会，为同一条退款链路，桌上摆着两个方案。测试同学摆出 A 方案：把用户三句话逐字写死，工具调用序列一步一断言——『没先查单就改地址，红』。算法同学...

摘要：用OpenTelemetry语义约定作为共同语言，再把会话、工具、业务与回归证据分层。

摘要：从LangSmith官方文档对Jev决策模型评测器的定义出发，说明它适合什么、不适合什么以及怎样校准。

摘要：从Cloudflare沙箱快照机制出发，建立仓库、依赖、工具、数据和网络一致的Agent评测环境。

摘要：基于Google公开的夜间自主优化实践，设计候选变更、独立验证与人工发布五道门禁。

摘要：基于Cloudflare Browser工具公开文档，拆解静态抓取、渲染页面和真实交互三种证据不一致时的测试方法。

“哥，我在项目里放了一个 SKILL.md，为什么 Claude Code 还是不会干活？”

摘要：千问与淘宝打通商品发现、比较、下单和售后后，AI购物不再只是“推荐商品”。本文依据阿里巴巴与支付宝公开资料，把一句自然语言购物需求拆成商品、报价、确认、订...