搜索[AI幻觉]结果-低调大师优秀个人博客

精选列表

搜索[AI幻觉]，共10000篇文章

AI 产品：不是接入模型，而是经营概率

把大模型 API 接进应用，不叫 AI 产品，那叫演示。AI 产品真正难的地方在于：模型输出是概率的，而用户要的是确定价值。产品经理和工程师的任务，就是在这两者之间搭一座桥。 **场景比模型重要。

2026-09-29

AI大模型API聚合平台选型指南

DMXAPI** 该平台覆盖文本、图像、音频、视频多模态能力，国产主流大模型版本覆盖齐全，兼容 OpenAI 标准 API 协议，可对接 Dify、Cherry Studio、FastGPT、n8n 等主流 AI

2026-09-28

Agentic AI：智能的行动化及其代价

## 一、一个根本性的转变 2026年，AI领域最深刻的转变不是模型又大了多少，而是AI开始从“生成内容”走向“采取行动”。

2026-09-26

AI开始接管数据生产|爱分析访谈

**数据生产方式正在被AI改造。** 在语音、语言和文本等成熟场景中，超过90%的数据已经可以由模型自动处理。

2026-09-23

AI 原生数据库架构选型指南

**AI 原生数据库架构选型指南** **核心观点摘要** • **用户主体在变**：AI 原生时代数据形态剧变，新增数据已以非结构化为主，数据库核心用户正从人转向 Agent，多模态统一管理与长期记忆能力成为架构选型的第一优先级

2026-09-23

Octop自托管AI助手跑法拆解

## 先给结论：Octop 真正解决的是“AI 助手怎么变成可管理服务” - Octop 是 TencentCloud/Octop 仓库中的自托管 AI 助手项目，定位是 multi-user、multi-agent

2026-09-19

AI开始争夺专家数据|爱分析访谈

围绕AI数据服务的产业演进、具身智能的数据路线、仿真与真实数据的关系，以及流程工业如何组织专家数据，爱分析与张梦轩展开了深入交流。 !

2026-09-18

AI玩俄罗斯方块（Python实现）

有了这个想法之后，在Python实现俄罗斯方块这个游戏基础上，利用周六周日两天的时间去搜集了大量的资料，在电脑死机好多次之后终于将AI俄罗斯方块实现了。

2026-09-18

26ai新特性实战：INSERT INTO SET

# 胖头鱼的技术专栏-461 26ai新特性实战：INSERT INTO SET（20260814） ```javascript 作者：胖头鱼的鱼缸（尹海文） Oracle ACE Pro: Database

2026-09-17

AI 编程将阻碍专业能力的形成

一方面，我们不断强调：如果不用 AI 工具，就会被那些使用 AI 的同行“甩在后面”。

2026-09-16

怎么用AI做自动化测试？

如今AI的发展正改变了测试方式，之前我写过一篇《取代或转型？人工智能对软件测试的影响》，讲了一些AI对软件测试带来的影响。接下来，我想再继续讲讲AI到底是如何推动测试自动化的发展。

2026-09-16

不会markdown，你可能没法用好ai

现在到处在讨论什么skills、mcp、agent等，好像哪怕一个纯技术小白也能用ai做开发，我认为任何一个人在ai时代需要掌握三门“语言”，不然搞ai会很难受，这三门语言分别是：英语、markdown

2026-09-16

没错，最强的AI编程工具还是它！

/developer.qcloudimg.com/http-save/yehe-2919732/03a99f02d41952caec1a18f887ed649d.png) 一个有趣的现象是，现在的各种AI

2026-09-15

AI 英语教培智能体的开发

开发一个用于英语教培的 AI 智能体（如口语外教、语法批改官、分级阅读助手等），通常需要经历从场景定义到上线迭代的 6 个核心阶段。 **1.需求定义与教学场景设计：确定角色定位与教学法。

2026-09-15

从零到实战，完整AI学习路线

# 从零到实战，完整AI学习路线 ## 一、文档概述本文面向AI零基础入门者，梳理轻量化、可落地的AI学习全流程路线，规避复杂理论堆砌，聚焦核心基础、核心模型与实战落地，配套可直接运行的入门代码案例，

2026-09-14

AI原生的公司，长什么样

第一种：买了 AI 软件，开了账号，员工"被要求用 AI"。老板觉得——我们上 AI 了。第二种：员工离了 AI 干不了活，流程是围着 AI 重排的，数据都喂给了 AI。

2026-09-09

**引言：当测试从‘找Bug’走向‘防缺陷’** 在传统软件测试范式中，测试团队常被定位为质量守门员——在开发完成后介入，通过用例执行、回归验证与缺陷拦截来保障交付底线。然而，随着DevOps节奏加速、微服务架构普及、需求变更频次激增，这种‘滞后式质量控制’正面临严峻挑战：平均47%的缺陷在UAT或生产环境才被发现（2023年World Quality Report数据），修复成本呈指数级上升。在此背景下，测试预测分析（Test Prediction Analytics, TPA）正悄然重构质量保障的价值链——它不再追问‘哪里有Bug？’，而是率先回答‘哪里最可能出Bug？’‘哪些用例最值得优先执行？’‘下个版本的风险热区在哪？’ **一、什么是测试预测分析？超越静态指标的动态推演** 测试预测分析并非简单复用历史缺陷数据做统计报表，而是融合代码变更特征、构建日志、测试执行轨迹、开发行为模式及环境上下文等多源异构数据，借助机器学习（如XGBoost、LSTM、图神经网络）构建可解释性预测模型。其核心输出包括三类关键预测： - **缺陷倾向预测（Defect-Prone Module Prediction）**：基于代码复杂度（Cyclomatic Complexity）、变更频率、开发者经验分布、历史缺陷密度等20+维度，识别高风险模块。例如，某银行核心支付系统引入TPA后，将83%的严重缺陷聚焦于仅12%的代码文件，测试资源投入效率提升3.2倍。 - **测试用例优先级排序（Test Case Prioritization）**：动态评估每个用例对当前变更的‘故障检出潜力’，替代传统按模块/功能分组的静态执行策略。微软Azure DevOps团队实测显示，采用基于变更影响图谱的TPA模型后，在50%执行时间内捕获91%的回归缺陷。 - **测试遗漏风险预警（Gap Risk Forecasting）**：结合需求描述文本、API契约变更与已有测试覆盖缺口，自动识别未被覆盖的关键业务路径。某电商中台项目在双十一大促前两周，TPA模型预警‘优惠券并发核销路径缺乏分布式锁压测用例’，团队据此补充6个混沌工程场景，成功规避线上超发事故。 **二、落地瓶颈：不是技术不够强，而是数据太‘哑’** 尽管算法能力持续突破，TPA规模化落地仍受制于三大现实约束： - **数据孤岛顽疾**：代码仓库（Git）、CI/CD流水线（Jenkins/GitLab CI）、测试管理平台（qTest/TestRail）、缺陷跟踪系统（Jira）间API松耦合，字段语义不统一（如‘严重程度’在Jira中为枚举值，在测试平台中为自由文本），导致特征工程耗时占模型开发总工时60%以上。 - **可解释性鸿沟：**一线测试工程师需要理解‘为什么这个模块被标为高风险’。某车企智能座舱团队曾因模型输出‘Risk Score: 0.92’却无法追溯归因，导致测试计划遭QA经理否决。当前前沿实践正转向SHAP值可视化、反事实推理（Counterfactual Explanation）等技术，让预测结论具备‘可审计、可对话’能力。 - **组织心智滞后**：当TPA建议跳过某模块的完整回归测试时，测试负责人常本能质疑‘没跑完所有用例，怎么敢放行？’——这本质是质量文化从‘过程合规’向‘结果可信’的范式迁移。需配套建立‘预测置信度SLA’（如高置信度预测漏检率代码->测试->用户反馈’全链路因果图谱。某在线教育平台借此发现‘课程回放卡顿’缺陷根因并非前端性能，而是后端视频转码服务在特定分辨率下的内存泄漏——该问题在需求评审阶段已被标注为‘高计算负载场景’，但未被测试用例覆盖。 **结语：预测不是取代测试者，而是释放其战略价值** 测试预测分析的终极意义，不在于让自动化脚本更聪明，而在于将测试工程师从海量重复执行中解放出来，聚焦于更高维的工作：设计不可被算法替代的探索性测试场景、定义业务敏感的非功能质量阈值、参与架构风险评审、推动质量左移的文化变革。当机器负责‘预判风险’，人类才能真正回归质量保障的初心——以用户可感知的方式，守护每一次点击背后的责任与温度。未来已来，只是尚未均匀分布。那些正在构建高质量数据管道、培养‘数据+测试’复合型人才、并敢于用预测结果驱动发布决策的团队，已悄然站在质量新范式的潮头。

2026-09-09

AI测试工具如何实现性能优化？

**引言：当AI开始‘测’AI，性能瓶颈正被重新定义** 在持续交付节奏日益加快的今天，传统自动化测试框架已难以应对微服务架构下每小时数十次部署、千级API接口、TB级日志数据的验证压力。

2026-09-09

AI视频创作：在噪点中“雕刻”时间

如果说写文章的大模型是“文字填空高手”，那么做视频的AI就是一位“梦境雕刻师”。

2026-09-09

AI编程，最先革命是程序员

**AI编程确实是当下最火的一场生产力革命，但它“革命”的不是程序员这个职业，而是程序员的工作方式——重复、机械的编码活儿正在被AI接管，人的价值转向了架构设计、业务理解和判断决策**‌。

2026-09-09

资源下载

更多资源

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。

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。

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

AI 产品：不是接入模型，而是经营概率

AI大模型API聚合平台选型指南

Agentic AI：智能的行动化及其代价

AI开始接管数据生产|爱分析访谈

AI 原生数据库架构选型指南

Octop自托管AI助手跑法拆解

AI开始争夺专家数据|爱分析访谈

AI玩俄罗斯方块（Python实现）

26ai新特性实战：INSERT INTO SET

AI 编程将阻碍专业能力的形成

怎么用AI做自动化测试？

不会markdown，你可能没法用好ai

没错，最强的AI编程工具还是它！

AI 英语教培智能体的开发

从零到实战，完整AI学习路线

AI原生的公司，长什么样

测试预测分析：AI驱动的质量未来

AI测试工具如何实现性能优化？

AI视频创作：在噪点中“雕刻”时间

AI编程，最先革命是程序员

资源下载

Nacos

Rocky Linux

Sublime Text

WebStorm

欢迎您来访！