- 综合排序
- 最热优先
- 最新优先
- 来自专栏Deep learning进阶路
3-2 队列
3-2 队列 1、基本概念 队列是一种特殊的线性表，特殊之处在于它只允许在表的前端（front）进行删除操作，而在表的后端（rear）进行插入操作，和栈一样，队列是一种操作受限制的线性表。
64040发布于 2019-07-02 3-2配置系统
两处都读取某个选项值，在A之后B之前配置项改变，A仍然是旧值，B是新值 IOptionsSnapshot<T>：和IOptionsMonitor<T>不同之处在于AB都是旧值，再次进入这个范围才会读到新值 测试读取
21810编辑于 2026-06-17- 来自专栏Hank’s Blog
3-2 矩阵的子集
> x <- matrix(1:6,nrow=2,ncol=3) > x [,1] [,2] [,3] [1,] 1 3 5 [2,] 2 4 6
81520发布于 2020-09-16 - 来自专栏叽叽西
lagou 爪哇 3-2 zookeeper 笔记
单机模式：Zookeeper只运行在一台服务器上，适合测试环境； 集群模式：Zookeeper运行于一个集群上，适合生产环境，这个计算机集群被称为一个“集合体” 伪集群模式：就是在一台服务器上运行多个Zookeeper
66310编辑于 2022-05-17 - 来自专栏破晓之歌
JAVA入门3-2（未完，待续） 原
4.3应用泛型管理课程 测试添加时不是一个类型对象 ? ? ? 跑出异常 ? ? ? 声明成功一个带有泛型的list ? 声明成功一个带有泛型的list的属性Arraylist成功 ? ? set中元素是无需的，不可重复 测试时否不可重复： ? ? ? ? 只能添加一次 ? 五、Java 中的集合框架（中） 5.1Map & HashMap 简介 ? ? ? ? ? ?
52750发布于 2018-08-15 - 来自专栏ceshiren0001
Agent Skills 入门：技能包如何让测试 Agent 真正落地？
你写清楚“第一步读什么、第二步拆什么、第三步输出什么格式、遇到异常怎么处理”，Agent才知道该怎么干活。今天这篇文章，我从零拆一个测试人最常用的Skill——测试用例生成。看完你就能自己写第一个。 一、为什么测试Agent总是“落不了地”？过去一年，很多团队都在尝试用AI做测试。但真正跑起来的没几个。问题出在哪？不是模型不行，是你给它的东西，根本不是一个“能力单元”。 用大白话说：Skill就是把“资深测试工程师怎么做一件事”的完整经验，封装成一个Agent能随时调用的能力包。它和MCP的区别是什么？ MCP给Agent提供手，Skill给Agent提供操作手册。没有Skill，Agent有手也不知道怎么干活。三、技能包如何让测试Agent真正落地？ 测试人的经验，值得被封装成Skill。你今天花30分钟写一个“测试用例生成”的Skill，以后每一个项目都能复用。别只写提示词了。写一个SKILL.md，让Agent真正替你干活。
13100编辑于 2026-10-05 给 Coding Agent 加上质量门禁：测试如何进入 Agent Loop
文件发生修改后，根据预设规则触发对应的测试；测试通过，Agent就继续执行后续任务；测试失败，Harness将失败结果重新送回模型，让Agent进入下一轮修复循环（RepairLoop）。 这样才能兼顾验证强度和Agent的执行效率。失败结果的反馈回路测试进入AgentLoop后，并不代表测试跑起来就够了。对于Agent而言，测试结果本身也是上下文输入。 当测试结果开始参与控制Agent的下一步动作时，这些反馈本身是否可靠，也成了Harness需要管理的问题。测试本身的可信度还有一个更棘手的问题，就是Agent可能同时拥有业务代码和测试代码的写权限。 Agent可以为新功能补充测试，但关键的验收测试、回归测试，或是隐藏测试都由独立的Harness和CI管理。 如果Agent修改已有测试文件，则触发额外检查，判断是否删除断言、增加Skip、扩大Mock范围，或者放宽原有测试条件。变异测试也可以用来检查测试本身是否足够有效。
28710编辑于 2026-08-19- 来自专栏k8s技术圈
Kubernetes 动态创建 Jenkins Agent 压力测试
另外，由于 Jenkins Agent Pod 配置的是软亲和，当 CI 节点资源不足时，也可以调度到其他节点。 2. 使用 Kubernetes 提供的动态 Pod 作为 Jenkins Agent 用于构建流水线，具体配置可以参考顶部的文档链接。 2.5 测试用的 Pipeline Demo Demo 采用的是一个 Java 项目，克隆代码、执行单元测试、镜像构建。由于镜像内容都一样，这里就没有推送镜像，同时也减少了外部依赖。 测试策略 为了更好的测试 Jenkins 在 Kubernetes 上执行流水线的性能，在上面的配置中，我提供了足够 400 条流水线并发执行的资源。 在执行测试之前，执行 20 次流水线对节点进行预热。 主要进行五组测试，分别为 50、100、200、400、800 条流水线并发。
2.4K20发布于 2020-12-01 - 来自专栏刷题笔记
3-2 数组元素的区间删除 (20 分)
本文链接：https://blog.csdn.net/shiliang97/article/details/101225075 3-2 数组元素的区间删除 (20 分) 给定一个顺序存储的线性表，请设计一个函数删除所有值大于 裁判测试程序样例： #include <stdio.h> #define MAXN 20 int Delete( int A[], int L, int minA, int maxA ); int
1.1K30发布于 2019-11-08 - 来自专栏软件测试
Prompt、Agent、测试智能体:测试的新机会,还是新焦虑?
在某技术社区的测试专场,一位有十年经验的测试总监分享了他们团队的实践:"我们引入测试智能体后,三个月内测试效率提升了5倍,团队规模从15人缩减到6人。"台下掌声雷动,但散场后我听到两种截然不同的声音。 这个场景折射出当下测试行业的核心困惑:从Prompt工程到Agent编排,再到测试智能体,这些新技术究竟是测试人员的机会,还是威胁?问题的本质不在于技术本身,而在于我们如何理解这场变革的底层逻辑。 某金融公司的测试架构师老王,在使用测试智能体时,工作方式发生了根本改变。 某金融公司的测试总监王总,从一开始就将智能化定位为"组织能力建设"。他推动建立了"测试智能体中台",将团队积累的Prompt模板、Agent编排模式、决策规则全部沉淀到平台。 帮助建立智能化测试知识库,让团队在你的经验基础上持续进化,这是从个人贡献者到能力建设者的跃迁。真正的测试工程师,从来不是"测试用例的编写者",而是"产品质量的守护者"。
53711编辑于 2026-01-17 - 来自专栏万能的小草
pandas入门3-2:识别异常值以及lambda 函数
假设每个月的客户数量保持相对稳定，将从数据集中删除该月中特定范围之外的任何数据。最终结果应该是没有尖峰的平滑图形。
1.5K10发布于 2020-02-17 多模态 Agent 如何规划 UI 测试路径
多模态 Agent 如何规划 UI 测试路径 文章封面 UI 自动化的难点，表面看是脚本维护成本高，深层看是测试设计无法持续跟上系统变化。 多模态 Agent 的价值，不是把脚本换一种写法，而是让系统具备持续感知页面、动态规划路径、执行后反馈修正的能力。目标也从“写自动化脚本”升级为“生成可回放、可审阅、可纳管的高质量测试用例”。 因此，真正要解决的是三个问题： 机器能否自己看懂页面当前状态 机器能否自主决定下一步测什么 生成的路径能否直接回放并纳入测试资产 Agent 测试闭环：感知、决策、执行、反馈 多模态 Agent 的核心思路 Agent 没有人类测试者的先验偏见，因此可能执行一些人认为“不会有人这么干”的操作。 第三，概率与确定性必须分层。模型只适合做不可判定的事；凡是可判定的，都应该通过规则、标准和工程机制固化下来。 结语：让自动化从回放工具变成有记忆的探索系统 基于多模态 Agent 的 UI 自动化路径规划，关键不在于让模型替人点页面，而在于重构测试设计方式：人定义目标，系统感知状态，Agent 规划路径，工程约束负责校验
18610编辑于 2026-10-05- 来自专栏WebJ2EE
React：Table 那些事（3-2）—— 斑马纹、固定表头
《React：Table 那些事》系列文章，会逐渐给大家呈现一个基于 React 的 Table 组件的定义、设计、开发过程。每篇文章都会针对 Table 的某个具体功能展开分析：
4.6K10发布于 2019-07-19 Agent + MCP 架构下的功能测试模式变革
当业务需要新增“信用卡分期”功能测试时,测试工程师不需要从零写脚本,而是: 定义测试场景的DSL描述 Agent自动识别需要哪些能力(创建账户、绑定信用卡、发起分期、验证账单) Agent调用对应的MCP ,Agent自动重新组合测试流程,所有场景无缝适配。 智能化的能力编排 Agent不是简单执行预定义的脚本,而是根据测试意图动态规划执行路径。 例如,测试“用户购买VIP会员”这个场景: Agent理解测试意图:验证购买流程的完整性和支付后的权益生效 Agent查询可用的MCP能力:账户创建、商品浏览、下单、支付、权益验证 Agent生成执行计划 拥抱智能编排尝试用Agent来描述测试意图,而不是手写详细的执行步骤。让机器处理执行细节,人专注于测试策略和质量目标。 4.
51210编辑于 2026-04-15- 来自专栏AI机器学习与深度学习算法
机器学习入门 3-2 jupyter notebook中的魔法命令
%time系列 应用场景： 我们常常会测试某条代码或者某段代码算法性能，然后对比，选择性能好的代码段。 此时jupyter为我们提供了一个%time的魔法命令，当然这个是一系列的魔法命令。 ? 但是上面代码有明显的局限性，%timeit后面只能接一句代码，如果我想测试一段代码的性能该怎么办呢？我们只需要在jupyter cell中开头使用%%timeit（也叫区域命令符）魔法命令： ? 那这里有一个问题，在视频中有CPU时间，但是在我的电脑中测试的时候并没有，只有wall time人类感知的时间，他们的区别：有些时候我们可能使用一些多线程的算法，那么在这种情况下我们的wall time 可以看出执行一次所消耗的事件998 μs，比上面的慢很多，这是因为我们只执行了一次循环，而上面执行了1000次取3次最快的时间然后取平均值，这里也就显示出了一个问题，测试一次时间是不稳定的，当我们再执行一次的时候
1.8K00发布于 2019-11-13 - 来自专栏帮你学MatLab
MATLAB智能算法30个案例分析(3-2)
神经网路部分 function err=Bpfun(x,P,T,hiddennum,P_test,T_test) %% 训练&测试BP网络 %% 输入 % x：一个个体的初始权值和阈值 % P：训练样本输入 % T：训练样本输出 % hiddennum：隐含层神经元数 % P_test:测试样本输入 % T_test:测试样本期望输出 %% 输出 % err：预测样本的预测误差的范数 ? net.b{1}=reshape(B1,hiddennum,1); net.b{2}=reshape(B2,outputnum,1); %% 训练网络以 net=train(net,P,T); %% 测试网络
1.1K50发布于 2018-04-18 - 来自专栏技术让梦想更伟大
C语言中3-2=？3%-2=？你确定答案吗
不过，我们已知 h>-HASHSIZE，因此我们可以这样写： h = n % HASHSIZE; if(n < 0) h += HASHSIZE; 测试代码： #include <stdio.h>
1.5K61发布于 2020-07-03 业务链路驱动的 Web UI Agent 测试
业务链路驱动的 Web UI Agent 测试 文章封面 Web UI 测试的重点可以从“按脚本点完页面”转向“在真实页面状态下完成并验证业务目标”。 从脚本自动化转向业务链路 传统 UI 自动化常沿着测试范围、测试点、环境与数据、脚本编写、调试、执行、缺陷回归、页面变更后的维护逐步推进。 业务链路驱动把更稳定的业务目标和验收条件放在中心，由 Agent 根据页面观察推进执行；人仍负责质量判断与高风险决策。 五层架构与执行闭环 系统按职责分为任务接入、任务调度、Agent 编排、浏览器执行、数据与结果五层。 感知、规划、执行、验证与运行时护栏构成的执行闭环 运行时护栏先于自主恢复 Agent 可以提议操作，但高风险写操作必须经过确认。
10110编辑于 2026-10-06AI Agent不按套路出牌，测试圈慌了
有个做了六年自动化测试的同事，最近跟我吐槽了一件事：他给一个AI Agent写了一条一模一样的测试指令，早上跑一遍，下午跑一遍，结果居然不一样。 测试用例的全部意义，就建立在这条公理之上——因为结果是确定的，我们才能写出断言，才能判断"通过"还是"失败"。 但AI Agent打破了这条公理。 四种正在被验证有效的新方法论 第一种，对抗性测试。既然Agent会自主决策，测试的重点就要从"验证正确路径"转向"主动构造刁钻场景，看Agent会不会被带偏"。 当Agent做出一个决策，测试人员需要有能力回溯"它为什么这么选"，而不只是看结果对不对。这要求测试工程师学会阅读Agent的思考链路和调用日志，把"黑箱"尽可能变成"灰箱"。 对想要入门的测试工程师，一条相对务实的路径是：先别急着重写整套测试框架，而是挑一个团队里已经在用的AI Agent功能，从"行为一致性评测"入手——设计十组语义相近但表述不同的输入，跑上二三十次，记录每次的决策路径和最终结果
24800编辑于 2026-07-16- 来自专栏c语言与cpp编程
C语言中3-2=？3%-2=？你确定答案吗
不过，我们已知 h>-HASHSIZE，因此我们可以这样写： h = n % HASHSIZE; if(n < 0) h += HASHSIZE; 测试代码： #include <stdio.h>
74500发布于 2020-12-02
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号