- 综合排序
- 最热优先
- 最新优先
- 来自专栏CV学习史
Thinking in Java学习杂记(5-6章)
Java中可以通过访问控制符来控制访问权限。其中包含的类别有：public, “友好的”(无关键字), protected 以及 private。在C++中，访问指示符控制着它后面所有定义，直到又一个访问指示符加入为止，而在Java中，每个访问指示符都只控制着对那个特定定义的访问。
58730发布于 2020-04-02 - 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。
13400编辑于 2026-10-05 - 来自专栏腾讯云大数据
大数据产品双月刊 | 5-6月
本期热点产品 弹性 MapReduce 本期腾讯云EMR于作业诊断能力重磅增强，通过控制台提供用户泛hadoop组件中应用层原生明细信息、作业及Hive查询的日志现场，简化了用户应用层异常排查的操作过程。同时推出配置对比、扩容指定配置组、标签分账、磁盘检查更新等功能，优化了集群运维管理体验，并显著提升资源管理的便捷性。 Elasticsearch Service 本期腾讯云ES重磅推出了自治索引，通过实时跟踪业务压力变化，能够动态、稳定的调整分片数与滚动周期，实现一站式索引全托管！同时，也推出了索引管理可视
85320编辑于 2022-07-12 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 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- 来自专栏算法修养
pta 习题集5-6 堆栈操作合法性
假设以S和X分别表示入栈和出栈操作。如果根据一个仅由S和X构成的序列，对一个空堆栈进行操作，相应操作均可行（如没有出现删除时栈空）且最后状态也是栈空，则称该序列是合法的堆栈操作序列。请编写程序，输入S和X序列，判断该序列是否合法。 输入格式: 输入第一行给出两个正整数N和M，其中N是待测序列的个数，M（≤50≤50）是堆栈的最大容量。随后N行，每行中给出一个仅由S和X构成的序列。序列保证不为空，且长度不超过100。 输出格式: 对每个序列，在一行中输出YES如果该序列是合法的堆栈操作序列，或NO如
2K120发布于 2018-04-27 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AI 算法笔记
Python-100例(5-6) 排序&斐波那契数列
integer:\n')) l.append(x) print('original list:', l) l.sort() print('sorted:', l) 测试样例如下 fibs = [1, 1] for i in range(2, n): fibs.append(fibs[-1] + fibs[-2]) return fibs 测试结果如下
86020发布于 2019-08-16 - 来自专栏积累沉淀
必须掌握的八种排序（5-6）--冒泡排序，快速排序
5、冒泡排序 （1）基本思想：在要排序的一组数中，对当前还未排好序的范围内的全部数，自上而下对相邻的两个数依次进行比较和调整，让较大的数往下沉，较小的往上冒。即：每当两相邻的数比较后发现它们的排序与排
1K100发布于 2018-01-11 - 来自专栏AI机器学习与深度学习算法
机器学习入门 5-6 最好的衡量线性回归算法的指标R squared
本系列是《玩转机器学习教程》一个整理的视频笔记。本小节主要介绍衡量线性回归算法最好的指标R squared。
2.4K40发布于 2019-11-13 - 来自专栏AI 应用架构
Agent评测为什么比传统测试难 10 倍
一、Agent评测的本质：为什么它比传统软件测试难10倍？在讨论"怎么做"之前，先搞清楚"为什么难"。Agent评测的难度不是量的增加，而是质的变化。 测试的核心是穷举路径、覆盖分支，追求80%以上的代码覆盖率。但Agent是概率性系统——给定输入A，可能得到B1、B2、B3中的任意一个，且每个都可能是"正确"的。这直接打碎了传统测试的根基。 在传统软件测试的思维下，200条比50条好，1000条比200条好。但在Agent评测中，这个逻辑是错的。4.1为什么20-55条就够了答案藏在Agent的错误模式中。 这种假设冲突在单独测试时看不出来。组件测试的盲区3：错误放大效应。 （契约测试）——你不需要启动整个系统来测试两个服务之间的交互，只需要验证它们的接口是否兼容。
99679编辑于 2026-06-09 AI Agent测试体系构建：从单元测试到端到端质量保障
二、建立Agent测试金字塔Agent测试最容易犯的错误是把所有测试都做成端到端测试。这样做成本高、执行慢，而且一旦失败，很难定位问题。 一个成熟的Agent架构应该尽可能把确定性逻辑从模型中拿出来。四、第二层：ToolCalling测试ToolCalling是Agent测试的核心。 久而久之，测试集会成为Agent系统真正的“经验数据库”。十三、回归测试不能只测试新增功能Agent最大的特殊性之一，是修改A可能影响B。 十七、PromptInjection和安全测试必须进入Agent测试体系Agent一旦拥有工具，就不再只是“聊天机器人”。 这是Agent测试从Demo走向生产的关键一步。
32411编辑于 2026-08-27- 来自专栏霍格沃兹测试开发学社
AI Agent测试实战：如何测试一个会自主决策的软件系统？
Agent实际上在做：感知→决策→行动→观察→再决策。这也是Agent测试和传统接口测试最大的区别。二、为什么传统测试方法不够用了？ 进一步可以计算：路径覆盖率节点覆盖率工具覆盖率异常路径覆盖率九、Agent测试最容易忽略的问题：死循环这是传统接口测试和Agent测试之间一个非常明显的区别。 死循环十、Agent测试还需要关注“越权调用”这是企业真正落地Agent后非常重要的一类测试。 ：Agent权限与安全测试。 十三、Agent测试和传统自动化测试最大的区别可以简单总结：展开代码语言：TXTAI代码解释传统自动化测试输入↓固定流程↓接口↓断言而：展开代码语言：TXTAI代码解释Agent测试用户目标↓Agent
30310编辑于 2026-08-12 - 来自专栏需求开发实录
Agent 场景怎么做灰度发布和 AB 测试
Agent场景怎么做灰度发布和A/B测试又是一道面试题刨出来的思考前言刷到一道题：Agent场景下如何做灰度发布和A/B测试？和传统软件的灰度有什么区别？ Agent场景下，这两个前提其实是不成立的。Agent的"版本"，不是改代码才算传统软件发版，改的是代码。Agent呢？ Agent呢？它返回200，语气流畅，但是内容是错的。错误率这个传统灰度的核心指标，在Agent场景是失效的。那现在看什么？ 大概这几类：任务完成率：任务到底完成没有用户负反馈：点踩、重新生成、中途放弃人工抽检：抽样看输出，灰度初期量小，人还看得过来离线评估：拿固定评估集先跑一遍，LLM-as-judge或者规则打分，当回归测试用成本和延迟 A/B测试的区别在哪传统A/B：切流量，跑两周，看转化率，统计显著就选哪个组。Agent的A/B有几处不一样：目标从"bug少"变成"效果好"。传统灰度是选没异常的版本，Agent是选答得更好的版本。
19100编辑于 2026-09-06 一天用完一个月额度——AI编程Agent 2026年中大洗牌
2026年5-6月，AI编程工具市场在一个月内发生了五件大事： 5月19日：Google Antigravity 2.0发布——直接删掉了代码编辑器 5月28日：Claude Code推出Dynamic 今天这篇文章，把5-6月的所有变化捋清楚，帮你看懂谁在进攻、谁在收缩、谁在退场。 当一个终端工具开始支持并行Agent编排，它就不再是终端工具了。 二、Copilot：从"无限量"到"按Token收费" 这是5-6月最具争议的变化。 2.1 发生了什么？ 五、四条路线：2026年AI编程Agent的竞争格局 经过5-6月的洗牌，AI编程Agent市场形成了四条清晰的竞争路线： 路线一：编辑器路线 代表产品：Cursor、Devin Desktop 核心逻辑 写在最后 2026年5-6月的AI编程工具市场，像极了2015年的移动支付大战——所有人都知道方向对，但没人知道最终谁会赢。
98110编辑于 2026-06-19- 来自专栏AI SPPECH
10：2026 AI变现实战总览：内容、工具、信息差三种变现闭环
= ResearchAgent() self.writing_agent = WritingAgent() self.optimize_agent = OptimizeAgent 写作 draft = self.writing_agent.write(research) # 3. 原型 完成基础功能测试 收集初步反馈 Month 2: 产品打磨 Week 5-6: 功能完善 核心功能开发完成 用户体验优化 成本模型建立 Week 7-8: 测试验证 内测用户招募 反馈收集迭代 推广渠道启动 数据监控建立 八、个人vs团队路线图 8.1 个人路线图（1人） 阶段 时间 目标 收入预期 学习期 1-2月 掌握核心技能 $0 验证期 3-4月 MVP验证 $0-500 变现期 5- 稳定收入 $2,000-10,000 8.2 小团队路线图（2-5人） 阶段 时间 目标 收入预期 组建期 1月 团队组建 -$5,000 开发期 2-4月 MVP开发 -$15,000 验证期 5-
2.2K30编辑于 2026-04-03
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