搜索[质量保障]结果-低调大师优秀个人博客

精选列表

搜索[质量保障]，共10000篇文章

楼宇自控联动空气质量，打造智慧建筑舒适运维新标杆

而空气质量作为建筑空间舒适度、安全性与品质的核心指标，与楼宇自控系统深度绑定、相辅相成。依托楼宇自控的智能化调控能力优化室内空气质量，已然成为智慧楼宇精细化运营、提升空间价值的关键核心。

2026-08-25

单元测试自动生成 + 智能代码评审：CodeBuddy 如何帮你提升代码质量？

CodeBuddy 提供按需生成单元测试和智能审查本地代码两大能力，将 AI 深度融入质量保障环节，帮助团队在开发过程中及时发现并解决问题，有效提升代码质量和交付效率。

2026-08-20

> 别跟我提“涌现能力”，我只关心标准差和可复现率。 ## 一、把大模型当作一个带噪声的API 在工程师眼里，任何黑盒都要被**抽象成接口**。大模型的本质是什么？是一个**输入Prompt，输出Token串，且输出分布带有随机性**的函数。这意味着三点： 1. **输入决定输出的下界**（烂Prompt必然烂Code）。 1. **Temperature参数决定输出的方差**（调参不是玄学，是信噪比控制）。 1. **后处理校验是必须的，不是可选的**（你不能信任任何第三方库的返回值，何况是LLM）。所以，我们写代码的第一原则不是“让AI写代码”，而是**“为AI写一个稳定的调用封装”**。 ## 二、核心实践：用“三层过滤”代替“单次生成” 绝大多数人失败在**一次性生成**。工程师的解法是**Pipeline化**。 |层级|职责|输入|输出| | --- | --- | --- | --- | |L1 规划层|生成步骤清单，不写代码|自然语言需求|结构化步骤列表（JSON）| |L2 编码层|按步骤逐个生成函数|单一步骤+上下文|纯函数代码块| |L3 校验层|静态检查+Mock运行|完整代码|通过/失败+错误日志| 为什么要拆？因为**单次生成100行代码的错误率，远高于分5次每次生成20行**。错误率不是线性叠加，而是指数上升。 ## 三、少量代码实战：一个稳定的生成封装（核心）下面这段代码（仅12行有效逻辑）展示了一个工程师如何封装大模型调用，**把随机性关进笼子里**： ``` def generate_with_validation(prompt, schema, retries=2): for attempt in range(retries): raw = llm.chat(prompt, temperature=0.2) # 低温降方差 code = extract_code_block(raw) # 正则剥离Markdown if validate_syntax(code) and match_schema(code, schema): return code # 失败时，将错误信息追加到Prompt，下次重试 prompt += f"\n[上一版错误]: {get_compile_error(code)}" raise RuntimeError("超过重试次数，生成失败") ``` **工程要点拆解**： - **Temperature=0.2**：不是0，保留极少探索性；不是1，那是在写诗。 - **重试带反馈**：把编译器的报错喂回给模型，相当于**闭环修正**。 - **Schema约束**：提前定义好函数名、参数类型、返回结构，防止AI自由发挥。 ## 四、最关键的20%代码：写一个“负面约束清单” 工程师最值钱的能力不是告诉AI“要做什么”，而是明确**“绝对不许做什么”**。在Prompt的末尾，固定追加这一段（**仅5行**）： ``` 【硬性约束】 - 禁止使用 eval() 或 exec() - 禁止访问 os.system() 和 subprocess 直接调用 - 所有文件操作必须包裹在 try-finally 中 - 禁止生成任何交互式输入（input()） - 若无法满足上述任一条件，直接回复"REJECTED" ``` 这比给100个“正面示例”都有效。因为大模型的注意力机制对**结尾的否定词**敏感度极高。这就像给代码生成器加了一个**安全围栏**，而不是指望它自觉。 ## 五、工程指标：用“通过率”替代“感觉” 我们团队内部跑过一组对照实验（基于DeepSeek-V3）： - **对照组**：自然语言描述需求，一次生成。 - **实验组**：采用上述Pipeline+负面约束+重试闭环。 |指标|对照组|实验组| | --- | --- | --- | |首次编译通过率|37%|82%| |逻辑正确率（含边界）|21%|71%| |平均生成耗时|8秒|26秒（含重试）| 耗时增加了，但**无效返工时间减少了3倍**。工程上这叫**用确定性开销置换不确定性风险**，这笔账算得过来。 ## 六、给工程师的最后一句忠告 > **不要把大模型当作“决策者”，把它当作“高并发的实习生”。** 你需要做的不是让它自由创作，而是： 1. **给它画好格子**（Schema定义）。 1. **给它反馈回路**（编译错误回灌）。 1. **给它熔断机制**（重试上限+安全关键字黑名单）。当你把这三件事写成代码（总共不超过30行封装），大模型就不再是一个需要“哄”的玩具，而是一个**可度量、可监控、可降级的普通中间件**。 —— 这才是一个工程师该有的姿势。 --- **后记**：如果你想要这份代码的完整封装类（含日志、超时、Token计数），那就是另一个话题了。不过按工程师的习惯，你应该已经能自己手搓出来了。

2026-08-19

Agent的"质量幻觉"：2026智能体评估工程与持续验证实战

根因：Agent质量是多维的，不同利益相关方关注不同维度，缺乏统一的评估框架导致"各说各话"。 **4.

2026-08-14

黄金数据集与检索质量评测

> AI 测试开发面试高频题："你们怎么评测 RAG 系统的质量？" > 答"看回答得对不对"只能算及格。这篇讲一次真实的"答非所问"故障是怎么定位到检索层的，以及黄金数据集 + 分层评测怎么搭。

2026-08-13

LLM测试体系设计：从Prompt测试到模型质量评估的完整实践

--- 当企业把大模型应用到： * 智能客服 * 企业知识库 * AI助手 * Agent工作流 * 自动代码生成测试工程师面对的是一个新的问题： > 一个没有固定答案的软件系统，如何测试质量？

2026-08-08

深入前端工程化：提升开发效率与代码质量的实践指南

它不仅提高了开发效率，而且通过规范化和自动化流程，确保了代码的质量和可维护性。本文将深入探讨前端工程化的核心概念，并通过实际案例分析，展示如何有效应用这些概念以优化开发流程。 ## 1.

2026-08-03

AI工具生成搜索内容的质量评估：27篇实测数据深度分析

60-90分钟 | 90分 | 可行，稳定引用 | 持续引用 | | 全人工写 | 4-6小时 | 95分 | 难持续 | 持续引用 | 60-90分钟的人工干预，比4-6小时的全人工写省80%时间，质量接近全人工

2026-07-27

Word to Markdown：让你的 Word 文档轻松变身高质量 Markdown

## 它的核心能力，远不止“能转” ### 高质量转换 Word to Markdown 能将 Word 中常见的内容准确转换为标准 Markdown，包括文本、标题、列表、表格、图片、链接等。

2026-07-27

Google DeepMind 发了三款新模型，token 更少，质量更高，成本没涨

Figma、Harvey、Hebbia、JetBrains 都表示 3.6 Flash 在成本和质量上都有进步，尤其在文档解析、图表数据分析、报告起草等多模态任务上表现突出。

2026-07-23

200 行 Python 实现代理 IP 质量评分系统（附完整代码）

IP 质量应该是**连通性、响应延迟、来源可辨识度、稳定性**四个维度加权的结果。

2026-07-17

LangChainGo 文档切分器：如何为 RAG 灌入高质量的文本块

## **ChunkOverlap：边界信息不丢失的关键** `ChunkOverlap` 这个参数容易被忽略，但对检索质量影响很大。

2026-07-15

给AI一个"人设"，输出质量直接飙升：角色嵌套提示词

输出质量完全不同。 --- ## 为什么角色嵌套这么有效？原因很直接：**AI会根据你给的角色，调整它的"知识优先级"和"表达风格"。

2026-07-14

MANUS Metagloves Pro Haptic 数据采集：科研与机器学习质量验收方法

完成官方校准后执行固定基线动作，自动生成质量报告。 3. 正式任务中监控有效帧率、连续缺失、异常跳变和电量状态。 4. 每个任务结束后立即保存校验和与 session 清单，避免文件错配。 5.

2026-07-13

不止于“找Bug”：如何管理软件测试成本与质量风险？

一些领先企业开始探索测试组织能力的升级路径：建立独立测试卓越中心，统一标准、工具与方法论；推行测试左移，将质量保障前置到需求与设计阶段；搭建数据化度量体系，从效率、有效性、业务价值多维度评估测试产出，以系统规划驱动效能升级

2026-05-31

软件定义汽车时代，禅道ASPICE版助力企业高质量发展

企业需要解决四大难题：难题一：软件质量与交付速度协调难激烈的市场竞争迫使车企不得不尽可能压缩产品上市时间。

2025-12-11

高质量编写非功能性代码的一些实践

为提升非功能性质量，作者以Java语言为例，详细分析了几对相关概念或实践，并提供了具体建议。写在前面软件的质量包含功能性、性能、可靠性、可维护性、可移植性等等。

2025-02-26

DataWorks Copilot：让你的数据质量覆盖率一键飞升！

为什么要保障数据质量？在数据加工链路中，如何确保高质量的数据产出是一个一直需要重点解决的问题。

2025-02-08

代码覆盖率：质量的黄金标准，你的软件有多可靠？

我们能明显感受到大家对软件质量的重视程度越来越高。在重视代码覆盖率的同时，大家也能更为及时地暴露出现有软件开发流程中存在的各类风险。

2024-09-24

国光加入openKylin，共推开源桌面操作系统高质量发展

在加入openKylin社区后，国光将与社区生态厂商围绕基础软硬件进行紧密合作，积极推动生态建设，共同为社区发展提供支撑服务，实现优势互补，资源共享、协同推荐，共同推进开源桌面操作系统的高质量发展。

2023-04-14

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。

Spring

Spring框架（Spring Framework）是由Rod Johnson于2002年提出的开源Java企业级应用框架，旨在通过使用JavaBean替代传统EJB实现方式降低企业级编程开发的复杂性。该框架基于简单性、可测试性和松耦合性设计理念，提供核心容器、应用上下文、数据访问集成等模块，支持整合Hibernate、Struts等第三方框架，其适用范围不仅限于服务器端开发，绝大多数Java应用均可从中受益。

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。