搜索[token]结果-低调大师优秀个人博客

精选列表

搜索[token]，共10000篇文章

Agent成本失控的"隐形破产"：2026智能体Token经济学与成本工程实战

"上下文膨胀"：对话越长，每轮越贵** 第1轮对话消耗800 Token，第20轮因累积上下文已膨胀至6000 Token；Agent每轮都将全部历史塞入Prompt，即使大部分历史与当前问题无关；一个

2026-08-14

数字员工 token 消耗预估:从"该不该上"到"花多少钱"的完整方法

**这个判断决定了 token 消耗的 80%。** 拍脑袋"全部上 LLM"的项目,账单一定爆;"能不上就不上"的项目,往往跑得最稳。判断完之后,才是 token 测算。

2026-08-13

企业AI采购实战：用Token账单、子账号配额和预算上限控制Agent成本

买AI智能体不一样，许可证只是入场券，后面跟着模型调用、Token消耗、知识库容量、插件连接、流程执行、私有化运维一长串账单。

2026-08-13

Token 越降、算力越贵：云厂商剪刀差下的利润表重构

而在大洋彼岸，DeepSeek V4-Flash 已经把缓存命中场景的价格打到了每百万 Token 0.0028 美元——这个数字低到近乎免费，一个消耗 2000 万 Token 的复杂 Agent 任务

2026-08-11

Agent 上下文预算工程：从 Token 失控到可观测、可降级的调用链

可以用一个简单的近似式描述输入 Token： ```text 输入 Token = 系统提示词 + 历史消息 + 工具结果 + 当前问题 ``` 在多轮 Agent 中，历史消息和工具结果往往是主要增长项

2026-08-07

词嵌入Embedding：Token离散转连续向量规则、RoPE特性、微调适配实践18.5

分词之后每个Token都会对应词表里唯一编号，也就是Token ID，ID只是序号标签，不包含任何语义。

2026-08-05

随着ChatGPT、Claude、通义千问、豆包等大模型应用快速落地，软件测试领域正在出现一个新的方向： **大模型测试（LLM Testing）** 过去测试工程师关注： * 页面是否正常 * 接口是否返回正确 * 功能流程是否符合需求而现在，需要验证： * AI回答是否准确？ * 是否产生幻觉？ * 多次回答是否稳定？ * 是否泄露敏感信息？ * 模型升级后效果有没有下降？测试对象从传统软件：变成了一个拥有“不确定输出”的智能系统。 --- 但是很多测试工程师忽略了一个问题：当测试规模扩大以后，大模型测试首先面对的不是模型问题。而是： > 海量测试数据如何管理？这时候，一个基础数据结构：哈希表（Hash Table）开始发挥重要作用。 --- # 一、什么是哈希表？简单理解：哈希表是一种通过“映射关系”快速存储和查询数据的数据结构。普通列表查询：例如：有100万个测试问题： ```text 问题1 问题2 问题3 ...... 问题1000000 ``` 现在需要判断： “这个问题之前有没有测试过？” 如果逐个比较：需要遍历大量数据。数据越多：效率越低。 --- 哈希表的思路：给每个数据生成一个唯一标识。例如：用户输入： ```text 如何申请退款？ ``` 经过Hash计算：得到： ```text a83fd92x ``` 存储： ```text a83fd92x ↓ 如何申请退款？ ``` 下一次测试：同样的问题再次出现。系统直接计算Hash值。如果存在：说明已经测试过。查询效率大幅提升。 --- # 二、大模型测试场景1：测试数据去重这是LLM测试中非常常见的问题。假设企业测试自己的智能客服模型。准备了： 100万个测试问题。来源包括： * 用户历史聊天记录 * 工单数据 * FAQ知识库 * 人工设计测试案例但是这些数据里面：可能存在大量重复。例如：用户： “怎么退款？” “我要退款怎么办？” “退款流程是什么？” 语义接近。如果全部测试：不仅浪费模型调用成本。还会影响测试效率。 --- 测试平台可以利用Hash思想：第一步：对输入数据生成唯一标识。第二步：检查是否已经存在。第三步：过滤重复测试。例如： ```python question_hash = hash(question) if question_hash not in test_pool: add(question) ``` 这样可以减少： * GPU调用成本 * API调用费用 * 测试执行时间 --- # 三、大模型评测为什么需要Hash？很多团队做LLM评测时，会保存大量数据：一次模型测试可能产生：输入： Prompt ↓ 模型： Response ↓ 评测： Score ↓ 人工反馈例如： ```json { "prompt":"解释什么是TCP", "answer":"......", "score":9 } ``` 随着模型不断迭代：每天可能产生几十万条评测记录。问题来了：如何判断：模型升级后：哪些问题重新测试？哪些结果发生变化？ --- 可以通过Hash建立版本关联。例如： Prompt： ```text 什么是HTTP协议？ ``` 生成： ```text prompt_hash=xxxxx ``` 模型V1：输出结果A 模型V2：输出结果B 系统发现：同一个Hash对应不同结果。说明：模型行为发生变化。测试人员重点分析。 --- # 四、大模型幻觉测试中的Hash应用大模型最大的风险之一：幻觉（Hallucination）例如：用户问： “某公司2028年的财务数据是多少？” 模型可能：生成一个不存在的数据。测试系统需要大量验证：哪些问题： * 稳定回答 * 错误回答 * 随机回答 --- 可以建立：问题库Hash索引。例如：高风险问题： ```text 金融医疗法律安全 ``` 每个问题建立：唯一ID。模型每次测试：快速定位：历史表现。发现：以前正确。现在错误。触发质量告警。 --- # 五、AI Agent测试中的Hash应用未来AI测试不仅测试模型回答。还要测试Agent行为。例如：一个智能助手：任务： “帮我查询订单并退款” 执行：调用订单接口 ↓ 验证用户身份 ↓ 调用退款接口测试过程中：可能产生大量执行轨迹。例如： ```text Agent Path: A-B-C-D A-B-E-D A-C-D ``` 如何判断：是否出现重复路径？是否覆盖新的行为？可以利用Hash：给每条执行路径生成唯一标识。例如： ```text Path Hash: 8af32xx ``` 如果出现：相同路径。说明： Agent重复执行。如果出现：新Hash。说明：发现新行为。 --- # 六、为什么测试工程师需要理解哈希？很多测试工程师认为： “哈希是开发的事情。” 实际上：高级测试开发岗位越来越需要理解底层技术。因为未来测试系统面对的问题：不是： 10个接口。 100条用例。而是：百万级测试数据。千万级模型调用。复杂AI行为。没有数据处理能力：很难建设智能测试平台。 --- # 七、从自动化测试到AI质量工程，能力发生变化传统测试开发：重点： * 自动化框架 * 接口测试 * CI/CD AI质量工程：增加： * 数据处理 * 模型评测 * Prompt测试 * Agent测试 * AI安全测试其中：数据结构和算法思想，成为连接两者的重要能力。 --- # 八、测试工程师应该如何学习哈希？不需要像算法工程师一样研究复杂实现。重点理解：三个能力： ## 1. 去重解决：重复测试数据。 ## 2. 快速查询解决：海量测试记录定位。 ## 3. 唯一标识解决：模型版本变化分析。掌握这些思想，已经足够应用到AI测试场景。 --- # 结语 AI时代，测试工程师面对的最大变化：不是工具变化。而是测试对象变化。以前：测试代码。现在：测试模型。未来：测试智能系统。而智能系统背后：离不开大量数据管理和分析。哈希表只是一个基础数据结构。但它体现了一种重要能力： > 用工程方法管理复杂数据。这也是测试工程师走向： AI质量工程师必须补齐的一项基础能力。 --- # AI质量工程持续分享：关注： * 大模型测试 * LLM评测体系 * AI Agent质量保障 * 测试开发技术 * 软件质量工程实践一起探索AI时代测试技术的新方向。 --- >**霍格沃兹测试开发学社，隶属于测吧（北京）科技有限公司，是一个专注软件测试、自动化测试、人工智能测试与测试开发的技术交流社区，并参与高校测试实训、火焰杯赛事及工程化人才培养。**

2026-08-05

在 Cloudflare Worker 上免费部署自托管 AI 网关：集中管理与供应 Token

如果你跟我一样，平时折腾独立产品、或者是 AI 方向的 OPC，相信你一定买了很多 Coding Plan、Token Plan 等各种 AI 资源。

2026-07-25

让AI代码审查省82倍Token！这个开源项目太狠了！

### **性能基准** 项目官方做了6个真实开源仓库的基准测试，数据非常惊人： |仓库|原始Token数|图查询Token数|降低倍数| | --- | --- | --- | --- | |fastapi

2026-07-21

JAP 1.0.4 正式发布，支持自定 token、自定义验证 client_secret 等新特性

更新内容 fix: [jap-ids] 支持生成自定义 token（包含 access_token 和 refresh_token）。

2021-08-16

码农翻身讲网络4：从Token到Sessions说到OAuth认证和CAS单点登录

这个token 我不保存，当小F把这个token 给我发过来的时候，我再用同样的HMAC-SHA256 算法和同样的密钥，对数据再计算一次签名，和token 中的签名做个比较，如果相同，我就知道小

2018-02-16

深度实测Gemini 4 Hydrogen：快到飞起、比GPT省4倍Token，谷歌最能打的主力来了

前两天 Carbon 出来的时候，我说可以彻底替代 Claude 了（毕竟被封号后我也不能用）。

2026-11-13

爱分析Token工厂竞争力榜：28家入围、9家进领导者象限

2026年3月，中国日均Token调用量是140万亿。到6月，这个数字变成500万亿。目前预计已经超过 1000万亿大关。

2026-11-10

多轮对话的 token 到底花在哪：一次 10 轮客服会话的完整实测

多轮对话的成本优化，大部分文章都在讲同一件事：裁历史。滑动窗口、摘要压缩、只带最近几轮。

2026-11-09

多 Key 分配 + 积分池管控：Token Plan 企业版怎么管好团队的 AI 用量

腾讯云大模型服务平台 TokenHub 的 Token Plan 企业版通过“账号—套餐—API Key”三层结构，统一管理积分池、多

2026-11-06

vLLM 推理原理（一）：从一条 HTTP 请求，到第一个输出 token

**采样得到一个 token，与计算这个 token 的中间表示，是相邻但不同的步骤。** ## 4.

2026-10-22

Agent Token优化怎么做？代码节点、工具调用、RAG检索与Prompt上下文管理

它节省的并不是所有 Token，而是**减少了稳定执行环节反复调用大模型进行规划的必要。

2026-10-22

腾讯云Token Plan指南：收费价格、支持AI模型、工具支持及问题解答FAQ

Token Plan是大模型服务平台推出的AI大模型Token省钱订阅套餐计划，阿里云、腾讯云等云厂商均有提供，腾讯云分为通用Token Plan和Hy Token Plan两种，Hy Token Plan

2026-10-21

MiniMax M3.1 Flash 上线：每百万 token 输入 1 元、输出 4 元，权重稍后开放

价格是国内价输入每百万 token 1 元、输出 4 元，我拿它和 DeepSeek V4.1 Flash 比，差不多，所以不算便宜。权重官方只说“稍后开放”。

2026-10-19

Gemini 4 Argon 深度解读：12 项基准登顶、百万 Token 输出，跑分之外更该看什么

#### 关键规格与定价 **能力规格** - **输出上限**：直接拉到 **100 万 token**（上一代为 64K），目前业界最高 - **输入模态**：文本、图像、视频、语音 - **输出模态

2026-10-06

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。

腾讯云软件源

为解决软件依赖安装时官方源访问速度慢的问题，腾讯云为一些软件搭建了缓存服务。您可以通过使用腾讯云软件源站来提升依赖包的安装速度。为了方便用户自由搭建服务架构，目前腾讯云软件源站支持公网访问和内网访问。

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。

Sublime Text

Sublime Text具有漂亮的用户界面和强大的功能，例如代码缩略图，Python的插件，代码段等。还可自定义键绑定，菜单和工具栏。Sublime Text 的主要功能包括：拼写检查，书签，完整的 Python API ， Goto 功能，即时项目切换，多选择，多窗口等等。Sublime Text 是一个跨平台的编辑器，同时支持Windows、Linux、Mac OS X等操作系统。