登录社区云，与社区用户共同成长
邀请您加入社区
《Codex Viz：可视化分析Codex使用日志的实用工具》摘要 Codex Viz是一个将Codex会话日志(JSONL)转化为可视化分析界面的工具，主要功能包括： 整体看板：展示会话数、消息量、Token消耗等核心指标，分析使用趋势和工具调用情况 单会话分析：完整还原任务执行流程，包括Prompt起点、工具调用链和多轮对话逻辑 本地化运行：直接读取~/.codex/sessions数据，无需
本文探讨了AI工具调用测试中的关键问题与解决方案。当AI模型错误生成参数（如虚构枚举值）时，可能导致严重资源浪费，如某物流客服Agent因参数校验缺失而循环调用API，消耗大量token。文章提出通过工具网关进行契约校验：1) 使用Pydantic严格定义参数schema，拦截非法调用；2) 结构化返回错误信息引导模型修正；3) 通过Mock测试验证模型调用行为。测试应覆盖参数合法性、异常处理和任
本文介绍了如何在星图GPU平台自动化部署Qwen2.5-Coder-1.5B镜像，实现中文算法题到LeetCode风格测试用例的智能生成。该模型能理解中文问题描述，自动生成涵盖边界情况的测试用例，适用于面试准备和代码测试等编程辅助场景，提升开发效率。
在 AI 智能体如火如荼发展的今天，"Skill" 这个概念频繁出现在各类技术文章中。但大多数文章只是浅尝辄止地介绍其概念，很少有文章把它的运行机制、设计哲学和实际落地讲透。本文将从 Agent Skill 的本质出发，由浅入深地带你理解：Skill 与普通 Prompt 究竟有何不同、它的三层渐进式架构如何工作、它与 MCP 和 Tool 的分工边界在哪里，以及最重要的 —— 你如何在实际工作中
在现代软件开发与测试流程中，测试数据的准备与管理长期是制约交付速度的关键瓶颈。传统方式依赖手工造数、生产数据脱敏或数据库快照，不仅耗时数小时，还存在数据失真、隐私泄露和环境不一致等顽疾。随着生成式人工智能（GenAI）的成熟，以为代表的合成数据技术正在根本性改变这一局面。这类平台借助生成对抗网络（GAN）、扩散模型、规则引擎与统计建模，按需生成高保真、完全合规且极度多样化的测试数据，将数据准备从“
当测试工程师被迫成为“人肉回归机器”，我们选择用自动化脚本重构职场规则。本指南所有技术方案均经过Tor网络验证，请遵循《网络安全法》合理使用。记住：你的测试用例值得更好的人生版本号。
《致命系统的测试伦理困境》探讨了自主武器系统(LAWS)测试中工程师面临的道德挑战。文章通过风险矩阵对比传统系统与LAWS测试的本质差异，指出毫秒级决策可能造成不可逆的生命损失。研究揭示测试工程师实际参与致命决策构建，63%的敌我识别系统存在欺骗漏洞，模糊测试可能将50米误差转化为战场灾难。作者提出伦理优先的测试六原则，包括可终止性测试和VR替代方案，并开发道德防御工具模型。文章警示当测试用例成为
摘要：本文整理了覆盖测试全流程的高效AI工具清单，包含接口测试（Apifox）、UI自动化（Testim）、用例生成（TestGPT）、脚本开发（GitHub Copilot）、单元测试（EvoSuite）及通用提效工具（豆包）。这些工具兼具易用性和专业度，支持从功能测试到测试开发的转型，部分提供免费方案。重点推荐Apifox的智能接口用例生成、Testim的自愈式UI测试、Copilot的代码自
摘要：本文提供10条提升TestGPT生成测试用例质量的实用技巧：1)明确角色定位为资深测试工程师；2)详细说明业务背景而非仅功能点；3)结构化字段规则；4)指定测试方法；5)要求明确断言；6)聚焦单一功能；7)分步生成优化；8)提供正反案例；9)自动复查修正；10)规范输出格式。核心要点为：专业身份定位、需求拆解细化、规则单独列出、生成后复查补充。遵循这些方法可使AI生成的测试用例达到中级测试工
测试团队负责人深夜思考：如何应对多重管理挑战 本文记录了测试负责人与私教老师关于团队管理的深度对话，针对测试团队面临的三大典型困境提出解决方案：1)在资源有限时，建议跟随直属领导工作重点，寻找多任务的结合点；2)面对60%提测延期，应组织复盘会议、建立分批提测机制；3)质量门禁方面，可通过代码提交检查、自动化通知等机制守住最后防线。文章还探讨了工具集成的务实之道和管理沟通的艺术，强调测试管理需要技
《OpenClaw Skill生态解析：从万级规模到精选应用》摘要 当前OpenClaw Skill生态已形成万级规模，涵盖GitHub社区、ClaudeSkills等多个来源。然而大量Skills存在功能重复、质量参差和安全风险等问题，实际可用精品仅数十个。本文系统梳理了Skill生态的8大应用场景，包括AI自进化、开发者效率、搜索研究等核心领域，并详解了Skill架构设计与安全防护要点。特别建
本文以测试工程师实际场景为切入点，手把手教你基于轻量级 Agent 框架 OpenClaw 实现「AI 自动生成测试用例 + 标准化写入 Excel」全流程。从环境搭建、工具定义到 Agent 执行，全程贴合测试行业规范，代码极简可直接复用，替代传统手动写用例的低效方式，同时对比 Dify 说明 OpenClaw 轻量、代码驱动的核心优势
这两年，测试领域里和 AI 相关的词越来越多：很多时候，这些词会被放在一起讲，听起来都和“AI 更智能了”有关。但如果你真的要开发一个企业级 AI 测试用例系统，就会很快发现：这些词根本不是同一层的概念。它们分别解决的是完全不同的技术问题。如果不把它们的边界讲清楚，系统就很容易做成一个“什么都沾一点，但架构并不清晰”的拼装体。
上周五下午四点，我正在改一个没什么人看的内部文档，突然被拉进一个紧急群聊。群里测试组的老K连发三条语音，语气像丢了孩子：“完了完了，大模型接口调用量上周冲到日均500万了，我们那200条手工用例还在SVN里躺着，一条条复制粘贴到Postman跑，已经连续加了三天班了。我盯着屏幕愣了两秒。不是因为500万，而是因为“200条手工用例”和“SVN”这两个词同时出现在2024年的聊天记录里。
设单次测试通过概率为 $p$，则 $n$ 次重试后通过的概率为： $$P_{\text{pass}} = 1 - (1-p)^n$$ 例如 $p=0.7$ 时，$n=3$ 次重试后通过率提升至： $$1 - (0.3)^3 = 0.973$$当测试用例意外失败时（如网络波动导致），该插件能自动重试执行，提升测试稳定性。通过这个简单插件，你已掌握Pytest插件开发的核心流程！本文将逐步指导你开发一
Playwright mcp执行测试用例
