搜索[云压测]结果-低调大师优秀个人博客

精选列表

搜索[云压测]，共10000篇文章

每日一博 | 功能模块提测前要做的几件事

下面重点讲一下开发阶段中的提测步骤，在提测前应该准备什么东西，以保证提测的质量。

2020-08-02

1.Ubuntu18.04 安装采用sudo apt install mysql-server 后，发现在安装过程中没有提示设置root密码，但是登录的时候还要求输入root密码，百度各种，依然没有解决问题。并且安装MySQL8.0时虽然设置了root密码，但是该密码进不去。 2.首先考虑的就是版本问题，考虑Ubuntu18.04是否还兼容MySQL，问题1中直接用命令安装的话是默认安装MySQL5.7版本。于是去MySQL官网安装指南翻译了一下，发现MySQL刚刚出了新版本8.0，这么凑巧，Ubuntu刚发布了18.04版本，MySQL就发布8.0版本，严重怀疑是因为Ubuntu18.04不支持MySQL5.7了，所以MySQL才发布了8.0版本，为了验证这个问题，在离线安装指南页面发现MySQL5.7版本最高只是适配到Ubuntu17.04，而MySQL8.0最高适配到Ubuntu18.04 3.这就没什么好说的了，只能安装MySQL8.0版本了。在MySQL官网安装指南写的很清楚了，一共就三步，去http://dev.mysql.com/downloads/repo/apt/.下载一个xxxx.deb，然后安装，弹出界面如下图所示，目的是让你选择安装8.0还是5.x版本，当然选择8.0了。然后sudo apt update更新一下，sudo apt install mysql-server 直接安装就行了，这时你就会发现默认安装的是8.0版本了。安装到最后会弹出设置root密码的界面，设置好密码后会弹出如下的界面：命令:linux@ubuntu:~/下载$ sudo dpkg -i mysql-apt-config_0.8.10-1_all.deb linux@ubuntu:~/下载$ sudo apt updatelinux@ubuntu:~/下载$ sudo apt install mysql-serverlinux@ubuntu:~/下载$ mysql -uroot -p密码是:root更详细方法浏览:https://blog.csdn.net/zyqblog/article/details/80159990

2018-07-17

Mavenjar包冲突的问题解决（亲测有效、实力证明）

一、今天在Pom中添加了一个依赖，导致Jar包冲突。在启动项目的时候，会包jar包冲突的问题。下面以SpringBoot项目为例。我在Pom.xml文件中添加了一个依赖： <dependency> <groupId>org.ethereum</groupId> <artifactId>ethereumj-core</artifactId> <version>1.6.3-RELEASE</version> </dependency> 二、在启动项目的时候就会报一个错误 Connected to the target VM, address: '127.0.0.1:57577', transport: 'socket' SLF4J: Class path contains multiple SLF4J bindings. SLF4J: Found binding in [jar:file:/Users/wangdong/.m2/repository/org/apache/logging/log4j/log4j-slf4j-impl/2.7/log4j-slf4j-impl-2.7.jar!/org/slf4j/impl/StaticLoggerBinder.class] SLF4J: Found binding in [jar:file:/Users/wangdong/.m2/repository/ch/qos/logback/logback-classic/1.1.11/logback-classic-1.1.11.jar!/org/slf4j/impl/StaticLoggerBinder.class] SLF4J: See http://www.slf4j.org/codes.html#multiple_bindings for an explanation. SLF4J: Actual binding is of type [org.apache.logging.slf4j.Log4jLoggerFactory] The Class-Path manifest attribute in /Users/wangdong/.m2/repository/com/sun/xml/bind/jaxb-core/2.3.0/jaxb-core-2.3.0.jar referenced one or more files that do not exist: file:/Users/wangdong/.m2/repository/com/sun/xml/bind/jaxb-core/2.3.0/jaxb-api.jar The Class-Path manifest attribute in /Users/wangdong/.m2/repository/com/sun/xml/bind/jaxb-impl/2.3.0/jaxb-impl-2.3.0.jar referenced one or more files that do not exist: file:/Users/wangdong/.m2/repository/com/sun/xml/bind/jaxb-impl/2.3.0/jaxb-core.jar Exception in thread "restartedMain" java.lang.reflect.InvocationTargetException at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method) at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:62) at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43) at java.lang.reflect.Method.invoke(Method.java:498) at org.springframework.boot.devtools.restart.RestartLauncher.run(RestartLauncher.java:49) Caused by: java.lang.IllegalArgumentException: LoggerFactory is not a Logback LoggerContext but Logback is on the classpath. Either remove Logback or the competing implementation (class org.apache.logging.slf4j.Log4jLoggerFactory loaded from file:/Users/wangdong/.m2/repository/org/apache/logging/log4j/log4j-slf4j-impl/2.7/log4j-slf4j-impl-2.7.jar). If you are using WebLogic you will need to add 'org.slf4j' to prefer-application-packages in WEB-INF/weblogic.xml: org.apache.logging.slf4j.Log4jLoggerFactory at org.springframework.util.Assert.instanceCheckFailed(Assert.java:389) at org.springframework.util.Assert.isInstanceOf(Assert.java:327) at org.springframework.boot.logging.logback.LogbackLoggingSystem.getLoggerContext(LogbackLoggingSystem.java:274) at org.springframework.boot.logging.logback.LogbackLoggingSystem.beforeInitialize(LogbackLoggingSystem.java:98) at org.springframework.boot.logging.LoggingApplicationListener.onApplicationStartingEvent(LoggingApplicationListener.java:230) at org.springframework.boot.logging.LoggingApplicationListener.onApplicationEvent(LoggingApplicationListener.java:209) at org.springframework.context.event.SimpleApplicationEventMulticaster.doInvokeListener(SimpleApplicationEventMulticaster.java:172) at org.springframework.context.event.SimpleApplicationEventMulticaster.invokeListener(SimpleApplicationEventMulticaster.java:165) at org.springframework.context.event.SimpleApplicationEventMulticaster.multicastEvent(SimpleApplicationEventMulticaster.java:139) at org.springframework.context.event.SimpleApplicationEventMulticaster.multicastEvent(SimpleApplicationEventMulticaster.java:122) at org.springframework.boot.context.event.EventPublishingRunListener.starting(EventPublishingRunListener.java:69) at org.springframework.boot.SpringApplicationRunListeners.starting(SpringApplicationRunListeners.java:48) at org.springframework.boot.SpringApplication.run(SpringApplication.java:292) at org.springframework.boot.SpringApplication.run(SpringApplication.java:1118) at org.springframework.boot.SpringApplication.run(SpringApplication.java:1107) at com.gws.GwsWebApplication.main(GwsWebApplication.java:19) ... 5 more Disconnected from the target VM, address: '127.0.0.1:57577', transport: 'socket' Process finished with exit code 0 三、仔细看一下这里面的报错关于日志的两个冲突了，我自己用的是log4j，结果还有一个slf4j SLF4J: Class path contains multiple SLF4J bindings. SLF4J: Found binding in [jar:file:/Users/wangdong/.m2/repository/org/apache/logging/log4j/log4j-slf4j-impl/2.7/log4j-slf4j-impl-2.7.jar!/org/slf4j/impl/StaticLoggerBinder.class] SLF4J: Found binding in [jar:file:/Users/wangdong/.m2/repository/ch/qos/logback/logback-classic/1.1.11/logback-classic-1.1.11.jar!/org/slf4j/impl/StaticLoggerBinder.class] 四、定位一下冲突的这个slf4j在哪里。通过下面这个找： /Users/wangdong/.m2/repository/ch/qos/logback/logback-classic/1.1.11/logback-classic-1.1.11.jar 五、下面看看红线框部分的jar包是不是刚刚引入的把刚刚引入Maven项注释掉，重新编译导下包。六、发现第四部的那两个jar包消失了，那么就说明是刚刚添加的依赖产生了jar包冲突的问题了。七、那么现在就开始来排除依赖八、这个一定要放到对应的依赖里面 groupId和artifactId一定要根据IDEA的提示写正确。 <exclusions> <exclusion> <groupId>ch.qos.logback</groupId> <artifactId>logback-classic</artifactId> </exclusion> </exclusions> 九、写完后就会发现，冲突的包不见了，就解决啦最后再启动项目，就会成功了。

2018-05-09

Node.js 中 stream.pipeline 与 async 迭代器的混合使用：避免背压失控和内存泄漏

`stream.pipeline` 本身解决了错误传递和流生命周期管理，但它和 async 迭代器混用时，背压的处理方式很容易被误解。

2026-10-29

民营5G优惠幅度力压三大运营商

然而还没等到三大运营商降价，市场上就有一家民营运营商全民优打推出了一款名为5G自由选的新套餐，它的月租资费低至9元，流量费更是低至1.2元/G，优惠幅度力压目前的三大运营商，超高的性价比足以让你实现5G

2021-07-26

企业 Agent 平台 POC 测试清单：6 项必测 + 评分模板 + 避坑指南

但大多数企业的 POC 走入两个极端：要么只测 Demo 效果（"看，它真能对话"），要么测得太碎没有重点。本文给一套可直接执行的 POC 清单。

2026-10-28

亲测：GitHub 无法访问与下载缓慢的十倍提速技巧

**概括：**亲测：GitHub 无法访问与下载缓慢的十倍提速技巧 > 首先，咱们先打开这个：[GitHub中文版](https://m.bdnb.cn) | 访问方式 |是否能用 | 镜像链接 |备注

2026-10-25

测开必看｜可落地实操：用独立验收和反例检查 AI 自测

一个研发任务交给Agent后，代码很快出现，单测也跟着生成，CI还显示通过。此时测试工程师真正要回答的，可能已经不是“它有没有写测试”，而是“测试覆盖的风险是不是由一个独立标准定义的”。

2026-10-22

企业远程网络监控应该测哪些目标？网关、海外节点还是业务系统？

** 如果企业主要面向美国、欧洲或东南亚市场，可以根据实际业务流向，选择对应区域的云服务器、网络探测节点或服务商提供的测试端点。

2026-10-22

先把 quantile 的计算方法写进回测配置

做横截面选股时，经常会用“因子排名前 20%”作为入选条件。样本足够大时，分位点的算法差异不明显；但股票数量较少、因子值重复较多，或者滚动窗口刚启动时，同样的 80% 分位数可能得到不同阈值，最终连持仓名单都会变化。问题通常藏在 `quantile` 的默认参数里。NumPy 的 `np.quantile` 默认使用 `method="linear"`，当目标分位点落在两个样本之间时，会做线性插值。假设排序后的因子只有 `[1, 2, 4, 8]`，计算 0.75 分位数时，结果不一定直接等于其中某个观测值。如果策略规则是“因子大于等于阈值就买入”，插值得到的阈值会影响边界股票是否入选。如果业务含义要求阈值必须来自实际观测，可以明确选择离散方法，例如： ```python threshold = np.quantile(factor, 0.8, method="higher") selected = factor >= threshold ``` `highe` 会取上侧观测值，`lower` 取下侧观测值，`nearest` 取最近值；它们没有统一的“最好”，关键是和策略定义一致。需要注意的是，NumPy 1.22 之后参数名由 `interpolation` 改为 `method`。如果研究环境和生产环境版本不同，最好在依赖文件里锁定版本，并为阈值写一个小型单元测试。我还会同时记录三个条件：计算前是否剔除缺失值、相同因子值如何处理、入选条件用 `>` 还是 `>=`。特别是大量股票因子值相同时，单靠分位数无法保证持仓数量正好等于 20%，这时应再加稳定的次级排序规则，例如股票代码或流动性指标，避免每次运行因原始顺序不同而换股。分位数看起来只是一个函数调用，但它其实属于策略口径。把 `method`、缺失值处理和边界比较写进配置，比只写“取前 20%”更容易复现，也能减少研究端与实盘端的信号差异。

2026-10-22

【2026 亲测】油猴脚本国内镜像站 GreasyFork 高速访问下载

**概括：**【2026 亲测】油猴脚本国内镜像站 GreasyFork 高速访问下载。

2026-10-20

2026国内镜像站亲测提速十倍

2026国内镜像站亲测提速十倍！！玩浏览器的人，一定绕不开**油猴脚本（Tampermonkey）**。

2026-10-20

我给每次回测留了一串数据指纹：定位结果漂移更快

现在我会在每次回测开始前，给输入数据生成一个“指纹”。它不是用来加密，而是快速回答一个问题：这次运行吃进去的数据，是否和上次完全一致。做法可以很轻量。

2026-10-17

股票数据看起来连续，回测为什么还是会错位？

第一次回测，结果很正常。后来我增加了几只美股，重新跑了一遍，才发现部分股票的收益率序列出现了异常跳变。我一开始怀疑是复权口径不一致。检查完复权参数后，没有找到直接证据。

2026-10-15

【揭秘】淘宝AI购物技术：AI替用户下单，付款链路怎么测？

>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、订单、支付和异步结果六段证据，并给出可运行的行为断言、异常测试矩阵与持续回归方案。阿里巴巴在2026年5月11日公开宣布，千问App与淘宝全面互通。公开资料描述的范围不只是聊天推荐，而是覆盖商品发现、比较、下单和售后；千问还能调用淘宝天猫商品库，并通过订单管理、物流追踪和售后服务等Agent能力完成电商任务。淘宝App内也上线了千问AI购物助手，提供AI问答、AI试穿、AI种草和AI省钱等功能。这是一条已经公开的产品事实，但它不等于“淘宝出现过AI错误扣款事故”。为了把公开能力转成可执行的测试任务，本文构造一条技术推演用例：用户对AI说，“帮我选一台3000元以内、256GB、明天能送到的平板，优先官方旗舰店，有合适的就提醒我确认。”Agent完成搜索、比较和优惠计算后，准备创建订单并进入付款链路。真正需要测试的，不只是AI有没有找到商品。如果推荐页显示2899元，付款前优惠券失效变成3099元怎么办？如果256GB缺货后Agent换成同色128GB怎么办？如果第一次付款响应超时，Agent换一个幂等键重新提交怎么办？这些异常都可能得到一个“订单成功”的结尾，却没有完成用户真正授权的那笔交易。本文要解决的问题是：当自然语言开始驱动真实订单，测试团队怎样证明AI买的是用户确认的商品、付的是用户确认的金额、只付了一次，而且每一步都有证据可追。 ![image.png](https://developer.qcloudimg.com/http-save/yehe-9678105/1fb1d57ca3e1d70526b6154e26dc9a2c.png) ## AI购物改变的不是入口，而是决策链传统电商测试有一个清楚的界面边界：用户看商品详情、选择SKU、勾选优惠、确认地址，再主动点击支付。每次关键决策都有页面承载。AI购物把这些选择压缩进对话，Agent可能替用户完成搜索、过滤、比价、选券和下单，用户最后只看到一张确认卡片。问题也随之变化。以前测试一张结算页，可以直接核对商品、数量、价格和地址；现在这些字段可能来自不同工具和不同时间：商品工具返回SKU，优惠工具计算券，订单工具锁库存，支付工具完成交易。任何一次工具结果过期、参数继承错误或重试失控，都可能让最终订单偏离最初意图。因此，AI购物不能只做Outcome Evaluation——“订单是否创建、支付是否成功”；还要做Behavioral Evaluation——“Agent为什么选择这个SKU、何时重新询价、确认绑定了哪一版报价、支付工具调用了几次、超时后有没有先查交易状态”。结果是终点，轨迹才是责任链。 ## 先看支付宝公开的三段支付流程支付宝公开的移动端智能体支付文档，把链路拆成三个阶段：第一阶段由智能体平台提交用户购买意图，商家服务端发起预下单；第二阶段由智能体平台发起智能体支付加签，获取orderStr并唤起支付宝客户端SDK；第三阶段由支付宝服务端异步通知最终支付结果。这张官方流程图很重要，因为它说明“AI发起付款”并不是一次接口调用。用户意图、商家预下单、支付加签、客户端支付和异步结果属于不同环节。测试如果只拿到最后的成功回调，无法证明前面的商品、金额和授权没有被换过。 ![image.png](https://developer.qcloudimg.com/http-save/yehe-9678105/1faa3505195f92f740887e0b18496742.png) ## 把一句购物需求编译成“购买合同” “3000元以内的平板”不是完整授权。测试团队需要把它编译成一份机器可校验的购买合同，至少包括：商品类别、SKU约束、容量、数量、商家范围、最高实付、收货地址版本、最晚送达时间、允许使用的优惠、是否允许替代，以及哪些变化必须重新确认。以这条用例为例，可以把红线写清楚：实付不得超过3000元；容量必须是256GB；商家改变、SKU改变或地址改变必须重新确认；优惠失效导致价格上涨时旧确认立即失效；同一购买意图只能产生一笔成功支付；支付状态未知时先查询原交易，禁止直接新建第二笔支付。这里最关键的不是Prompt，而是独立于模型的业务Oracle。无论换成哪个模型、怎样改提示词，Agent最后都必须接受同一套确定性规则检查。否则，模型既解释需求，又生成订单，还评价自己是否做对，极容易出现“同源共错”。 ## 用Trace断言，而不是看聊天截图测试数据可以为每次任务生成一个不可变的purchase_intent_id，把用户意图、候选商品、最终SKU、报价、确认、订单、付款和异步结果串在一起。下面这段代码不是为了展示语法，而是承担六个业务判断。 ```python def assert_purchase_trace(trace, contract): # 1. 买到的必须是用户允许的规格 assert trace["selected"]["category"] == contract["category"] assert trace["selected"]["storage_gb"] == contract["storage_gb"] # 2. 商家、SKU、金额必须与用户确认的报价完全绑定 approved = trace["confirmation"] payment = trace["payment_request"] assert payment["sku_id"] == approved["sku_id"] assert payment["merchant_id"] == approved["merchant_id"] assert payment["quote_hash"] == approved["quote_hash"] assert payment["amount"] 本文部分内容参考了霍格沃兹测试开发学社整理的相关技术资料，主要涉及软件测试、自动化测试、测试开发及 AI 测试等内容，侧重测试实践、工具应用与工程经验整理。

2026-10-13

月末权重不能反推整月收益：组合回测要先固定调仓时点

回测检查可以很朴素：抽一个调仓月，把权重生成日、生效日、第一天收益和下一次调仓日打印出来；再确认每个交易日权重和接近 1，缺失股票没有被悄悄补成旧仓位。

2026-10-13

我测了5个边缘AI平台，最后选了最“寒酸”的那个

他的需求很朴素：工厂里有 200 台设备，装了振动和温度传感器，想做个异常告警，预算不高，不想换硬件，不想数据上云。我陪他测了 5 个平台，结果挺意外的。

2026-10-10

Jev火了之后，AI质检开始只输出概率：这种模型到底该怎么测？

摘要：从近期决策模型Jev切入，拆解“只输出概率”的AI质检器为什么仍会产生高置信误判，并给出数据集、阈值、校准、漂移和CI门禁的完整测试方法。客服回复了一句：“已经帮您申请退款，预计三个工作日到账。”AI质检器返回：合规概率0.94。流水线据此放行，第二天业务才发现，这个订单根本不满足退款条件，客服也没有真正发起退款。 ![image.png](https://developer.qcloudimg.com/http-save/yehe-9678105/41eed0c6e60ceafb167b725abc0967a0.png) 这类问题和聊天机器人答错不一样。决策模型不负责写一段漂亮答案，它只做判断：合规还是违规、投诉属于哪一类、图片有没有缺陷、这条请求要不要转人工。输出看起来更简单，却可能直接控制后续流程。一旦概率被当成事实，错误就会从“回答不好”升级为“放错、拦错、分错”。 Liquid AI在10月5日发布了支持文本和图像的d1决策模型。官方介绍中，它不生成长文本，而是针对问题返回各选项概率；页面还展示了工单过滤、代码搜索和视觉质检等案例。官方同时公布了与通用模型的单次对比结果，但这些数字属于厂商自报实验，不能直接当成你业务上的上线结论。 ![image.png](https://developer.qcloudimg.com/http-save/yehe-9678105/1b6751af3e8b30413d333e8fa6805a5b.png) 这里我们不讨论谁的Benchmark更高，而是回答测试工程师真正会碰到的问题：当AI只返回一个概率，数据怎么准备、阈值怎么定、高置信错误怎么抓、模型升级后怎么回归，以及怎样把它安全接进CI/CD。 ## 准确率高，为什么仍然会放错？假设质检集有一万条，其中九千条都是清晰、普通的合规回复。模型只要把常见样本判对，总准确率就很好看。但真正造成损失的，往往是少数边界：退款规则存在例外、客服承诺了系统并未执行的动作、图片主体正常但角落出现敏感信息。因此第一步不是追求一个总准确率，而是把错误拆成业务类型。把违规回复判成合规，是漏放；把正常回复判成违规，是误拦；把本该转人工的灰区样本高置信放行，则是最危险的一类。三种错误的成本完全不同，不能平均掉。 ![image.png](https://developer.qcloudimg.com/http-save/yehe-9678105/c8241f1109aab20151113a513ca7f145.png) 决策模型还多了一个传统分类测试容易忽略的维度：概率是否可信。模型给0.9，不代表同类样本真的有九成正确。如果0.9区间里仍有大量错误，业务阈值就失去了意义。 ## 先把“模型判断”拆成四段证据一条质检链路至少有四段。第一段是输入：模型到底看到了完整客服对话，还是只看最后一句；图片是否被压缩、裁剪或旋转。第二段是概率：每个类别的分数是多少，模型版本和问题模板是什么。第三段是规则：0.8以上自动放行，0.5到0.8人工复核，还是不同业务使用不同阈值。第四段才是动作：放行、拦截、转人工或者记录观察。如果只保存最后动作，测试无法区分是模型变了、阈值变了，还是输入被截断。Trace不需要记录模型内部思维，只要保留样本ID、输入版本、各类别概率、阈值版本、最终动作和人工复核结果，就能形成可回放证据。 ## 先写业务损失，再写阈值同一个0.8，在不同场景里不是同一种风险。商品评论情感分类错一次，影响可能只是统计；把高风险退款话术误判为合规，可能形成资金和承诺风险；把正常用户投诉误判成攻击，则会伤害用户体验。测试团队应和业务先写清三件事：什么错误绝不能自动放行；什么错误可以进入抽检；人工每天最多处理多少条。阈值不是从模型报告里复制出来的，而是业务损失、人工容量和模型分布共同决定的。可以先用一段简单代码把门禁写实： ~~~python def decide_quality(sample, probs, policy): risk = probs["policy_violation"] if sample["has_money_commitment"] and risk >= 0.35: return "human_review" if risk >= policy["block_threshold"]: return "block" if risk >= policy["review_threshold"]: return "human_review" return "pass" def assert_release(report): assert report["high_confidence_false_negative"] == 0 assert report["money_case_recall"] >= 0.995 assert report["review_queue_p95"] 本文部分内容参考了霍格沃兹测试开发学社整理的相关技术资料，主要涉及软件测试、自动化测试、测试开发及 AI 测试等内容，侧重测试实践、工具应用与工程经验整理。

2026-10-09

只测最终答案已经不够了：Agent Regression Testing到底在回归什么？

## 接口没报错，用户的钱为什么退错了？客服 Agent 收到“这笔订单不要了，帮我退掉”。它最后回复“退款已提交”，用户也看到了退款金额。两小时后财务发现：退款走到了上一笔订单，优惠券却补给了当前订单。最难排查的地方是，每个接口都正常：查单成功、退款成功、补偿成功。真正错的是 Agent 的路径——它先根据上下文猜了订单号，又在退款失败后自行换了一笔订单重试。最终文本听上去没毛病，业务动作却已经越界。这正是 AI Agent 和普通接口自动化的分水岭。接口测试验证“给定请求，服务是否正确处理”；Agent 测试还要验证“这个请求该不该发生、参数从哪里来、失败后能不能继续试”。NVIDIA 最近关于 Agent Evaluation 的工程讨论也把重点放在多步工具调用和失败恢复，而不只是最后任务是否完成。 ## 把“退款成功”拆成四个必须成立的事实先别急着给 Agent 打总分。退款这种高风险动作，至少要拆成订单归属、调用顺序、参数来源和停止条件。只要其中一个不成立，即使最后页面显示“退款成功”，也应该判为失败。下面的断言故意不关心模型说了什么漂亮话，只关心它实际调用了什么： ![image.png](https://developer.qcloudimg.com/http-save/yehe-9678105/095d56f1500d44de68e35955793977a7.png) ## 用Trace写出能拦业务事故的断言 ```python def assert_refund_trace(trace, owned_orders): calls = [x for x in trace if x["type"] == "tool_call"] names = [x["name"] for x in calls] assert names[:2] == ["list_my_orders", "get_order_detail"] refund = next(x for x in calls if x["name"] == "create_refund") assert refund["arguments"]["order_id"] in owned_orders assert refund["arguments"]["reason"] in {"user_cancel", "defective"} assert names.count("create_refund") == 1 ``` 这段代码拦的不是接口 500，而是“猜订单号”“没核对归属就退款”“失败后重复扣动作”三类高损失问题。它也告诉团队，Trace 不是为了画一条漂亮链路，而是为了让测试能追溯参数来自哪一步。 ## 回归集要收集坏轨迹，不只收集标准问法坏轨迹不等于故意写很怪的提示词。它来自真正容易发生的业务分叉：订单已部分退款、用户改过收款账户、库存锁定尚未释放、上一步工具超时但服务端其实已经成功。每修复一次线上或灰度问题，就把脱敏后的输入、工具结果和正确处理方式沉淀成一条 Evaluation Dataset。下一次模型、提示词或工具 Schema 变动时，CI 先跑这批“曾经出过事”的 Trace。这样做的价值是从 Outcome Evaluation 升级到 Behavioral Evaluation。最终余额一样，有时只是碰巧；调用路径正确，才说明 Agent 在下一次边界条件下仍可控。质量门禁也不必一刀切：涉及钱、权限、删除操作的轨迹必须零越权；普通咨询可以允许文字风格波动，但不能允许引用不存在的订单。第一类案例是用户表达不完整，例如“刚才那单别要了”；第二类是上下文混杂，例如同一会话里既谈上一单又谈当前单；第三类是工具失败，例如退款接口超时或订单不可退。每类都要标注“允许什么、禁止什么、失败后应该停在哪里”。每次改 Prompt、模型、工具描述或退款规则，就在 CI 中跑这份 Agent Regression Testing。高风险断言直接阻断发布；低风险差异进入人工复核。这样你回归的不是某段固定回复，而是一条能造成真实损失的行为边界。 ## 传统测试能力怎么迁移做过接口自动化的人已经有一半能力：你会构造数据、检查状态机、验证幂等、看日志。现在要补的是把这些判断前移到 Agent 决策过程里：把请求日志升级为 Trace，把结果断言升级为行为断言，把线上投诉升级为 Evaluation Dataset。下一次写 Agent 用例时，先问一句：它答对以后，有没有可能还是办错了事？能用 Trace 回答这句话，你就开始在做真正的 AI 测试开发。

2026-09-29

DolphinDB 多协议接入实战：从 MQTT、Modbus 到统一测点流

核心思路一句话：**协议差异在汇聚层归一成"时间戳 + 测点 + 值 + 质量"四元组，转换和清洗全部入库后做，采集端只做尽量少的事**。

2026-09-27

资源下载

更多资源

Mario

马里奥是站在游戏界顶峰的超人气多面角色。马里奥靠吃蘑菇成长，特征是大鼻子、头戴帽子、身穿背带裤，还留着胡子。与他的双胞胎兄弟路易基一起，长年担任任天堂的招牌角色。

Nacos

Nacos /nɑ:kəʊs/ 是 Dynamic Naming and Configuration Service 的首字母简称，一个易于构建 AI Agent 应用的动态服务发现、配置管理和AI智能体管理平台。Nacos 致力于帮助您发现、配置和管理微服务及AI智能体应用。Nacos 提供了一组简单易用的特性集，帮助您快速实现动态服务发现、服务配置、服务元数据、流量管理。Nacos 帮助您更敏捷和容易地构建、交付和管理微服务平台。

Rocky Linux

Rocky Linux（中文名：洛基）是由Gregory Kurtzer于2020年12月发起的企业级Linux发行版，作为CentOS稳定版停止维护后与RHEL（Red Hat Enterprise Linux）完全兼容的开源替代方案，由社区拥有并管理，支持x86_64、aarch64等架构。其通过重新编译RHEL源代码提供长期稳定性，采用模块化包装和SELinux安全架构，默认包含GNOME桌面环境及XFS文件系统，支持十年生命周期更新。

WebStorm

WebStorm 是jetbrains公司旗下一款JavaScript 开发工具。目前已经被广大中国JS开发者誉为“Web前端开发神器”、“最强大的HTML5编辑器”、“最智能的JavaScript IDE”等。与IntelliJ IDEA同源，继承了IntelliJ IDEA强大的JS部分的功能。

精选列表

每日一博 | 功能模块提测前要做的几件事

亲测Ubuntu18下安装MySQL未提示密码不能登录问题

Mavenjar包冲突的问题解决（亲测有效、实力证明）

Node.js 中 stream.pipeline 与 async 迭代器的混合使用：避免背压失控和内存泄漏

民营5G优惠幅度力压三大运营商

企业 Agent 平台 POC 测试清单：6 项必测 + 评分模板 + 避坑指南

亲测：GitHub 无法访问与下载缓慢的十倍提速技巧

测开必看｜可落地实操：用独立验收和反例检查 AI 自测

企业远程网络监控应该测哪些目标？网关、海外节点还是业务系统？

先把 quantile 的计算方法写进回测配置

【2026 亲测】油猴脚本国内镜像站 GreasyFork 高速访问下载

2026国内镜像站亲测提速十倍

我给每次回测留了一串数据指纹：定位结果漂移更快

股票数据看起来连续，回测为什么还是会错位？

【揭秘】淘宝AI购物技术：AI替用户下单，付款链路怎么测？

月末权重不能反推整月收益：组合回测要先固定调仓时点

我测了5个边缘AI平台，最后选了最“寒酸”的那个

Jev火了之后，AI质检开始只输出概率：这种模型到底该怎么测？

只测最终答案已经不够了：Agent Regression Testing到底在回归什么？

DolphinDB 多协议接入实战：从 MQTT、Modbus 到统一测点流

资源下载

Mario

Nacos

Rocky Linux

WebStorm

欢迎您来访！