<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Privates on 秋 草 观 “测” 台</title><link>https://chengxiaqiucao.github.io/private/</link><description>Recent content in Privates on 秋 草 观 “测” 台</description><generator>Hugo -- gohugo.io</generator><language>zh-cn</language><copyright>|by 城下秋草（公众号： 秋草说测试）</copyright><atom:link href="https://chengxiaqiucao.github.io/private/index.xml" rel="self" type="application/rss+xml"/><item><title/><link>https://chengxiaqiucao.github.io/private/ai%E6%B5%8B%E8%AF%95%E4%B8%93%E6%A0%8F/%E4%B8%80ai%E5%9F%BA%E7%A1%80%E6%8A%80%E6%9C%AF/1/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://chengxiaqiucao.github.io/private/ai%E6%B5%8B%E8%AF%95%E4%B8%93%E6%A0%8F/%E4%B8%80ai%E5%9F%BA%E7%A1%80%E6%8A%80%E6%9C%AF/1/</guid><description>&lt;h1 id="基于ai的软件测试变革和机遇">基于AI的软件测试——变革和机遇
&lt;/h1>&lt;h2 id="前言">前言
&lt;/h2>&lt;p>AI领域自2025年，随着年初Deepseek的横空出世，以及后续包括OpenAI、Claude、Google Gemini，国内的千问、一言、元宝、豆包等的日臻完善，AI的快速发展和应用开始大范围影响我们的日常工作和生活。&lt;/p>
&lt;p>而除了各类大模型的你追我赶，基于MCP Server和各类 Agentic 智能体，包括以n8n、字节Coze为代表的AI工作流编排平台的出现，AI更加走向越来越丰富的应用层面，我们工作中的各种实际问题，开始引入AI能力。&lt;/p>
&lt;p>我在自己的公众号上，也一直持续关注着AI在软件测试领域的应用和发展趋势，多篇文章得到了较多关注和转发。但相关内容还比较碎片，不够体系，有不少朋友咨询我是否有进行系统整理和推出课程的计划。&lt;/p>
&lt;p>因自己在AI测试技术的理论和实践上，也积累未深，借此机会，通过本专栏进行一个比较系统的学习和总结，结合自己在测试领域多年的经验，力争理清AI在软件测试的发展脉络和应用方式，希望能和诸君共勉。&lt;/p>
&lt;h2 id="基于-ai-的测试为什么对我们很重要">基于 AI 的测试为什么对我们很重要？
&lt;/h2>&lt;p>基于 AI 的各种技术无疑是这两年最为火热的话题，也可以看到各大公司都在致力于将AI纳入实际应用。&lt;/p>
&lt;p>但这个技术，对于我们测试工作来说，是否真的能带来根本性的变化呢？&lt;/p>
&lt;p>在IT领域，一阵风似的技术和潮流并不鲜见。有很多面世之初广受关注并备受推崇的技术或概念，往往各领风骚不几年，但真正在实际应用时，往往水土不服的情况，最终归于沉寂。比如之前铺天盖地鼓吹的中台化，又比如低代码等等。&lt;/p>
&lt;p>包括像&lt;strong>自动化测试&lt;/strong>、&lt;strong>敏捷&lt;/strong>这些如今依然广为推崇的技术和方法，实践中取得效果也很大程度上和产品具体的实施方式和场景紧密相关。&lt;/p>
&lt;p>AI测试会否也只是一阵风？&lt;/p>
&lt;p>我的看法，这次可能真的不太一样。&lt;/p>
&lt;p>首先，AI 本身并不是一个只针对软件测试的技术，它甚至也不仅是一个IT技术，而是一个覆盖范围广阔到覆盖人类社会方方面面的基础技术。&lt;strong>在测试领域的应用，不仅仅是变革，更多是适应和跟随&lt;/strong>。&lt;/p>
&lt;p>其次，测试领域存在很多痛点和挑战，一直没有得到很好的解决，比如测试范围无限大和测试资源、测试窗口持续压缩的矛盾；比如需求持续变化和测试环境稳定性的矛盾，等等。而AI技术的发展和应用，提供了新的可能性。之前的很多技术，比如自动化测试、DevOps等，实质上是利用计算机的快速计算能力，将人类的一些工作更加快速的完成，予期利用 “快” 在效率上产生质的变化。
但 AI 则不一样，它其实扩展了人的能力边界，更像是提供了一个 “副脑”，不再只是执行者，更多了一层 &amp;ldquo;参谋&amp;rdquo; 的作用。&lt;/p>
&lt;p>特别是对于软件测试这样一个需要尽可能充分考虑各种可能性和场景的职业，AI在这方面的作用，意义重大。&lt;/p>
&lt;p>最后，AI 作为目前已经非常明确的后续技术发展方向，身为从业者，掌握AI相关技术的原理、功能和应用对于我们自身的职业发展同样有着极为重要，甚至可能成为后续的核心技能。&lt;/p>
&lt;p>从这几个方面，我们可以说，基于 AI 的测试，对于测试工作以及我们后续的测试职业生涯，都是极为重要的。&lt;/p>
&lt;h2 id="ai-在测试领域的应用前景和价值">AI 在测试领域的应用前景和价值
&lt;/h2>&lt;p>具体到 AI 技术 在软件测试工作中如何发挥作用，可以带来哪些价值？可以从以下几个维度来考虑：&lt;/p>
&lt;h3 id="显著的效率提升">显著的效率提升
&lt;/h3>&lt;p>虽然通过自动化测试、DevOps，我们也是为了提升效率。但实际落地上，脚本的编写、维护成本其实依然比较高昂，尤其是在产品 UI 界面频繁变动的情况下，针对产品功能的自动化测试，维护成本巨大。而通过 AI 的介入，可以让自动化测试变得更智能化以及自适应。通过AI智能识别页面元素，即使UI发生细微变化，也能实现自动调整，大大减少脚本的维护工作量。&lt;/p>
&lt;p>此外，AI在效率提升方面，还包括需求的提取，辅助甚至自动生成测试用例，可以节约大量的文案工作。AI快速地帮助梳理出测试点，并生成详细的测试步骤，可以极大地解放测试工程师在用例设计上的投入，让我们能够专注于复杂测试场景和策略。&lt;/p>
&lt;h3 id="质量提升">质量提升
&lt;/h3>&lt;p>测试在质量保障中的价值，其实在于通过更多暴露风险和缺陷来实现。而通过 AI，我们可以扩充这种能力。&lt;/p>
&lt;p>基于AI拥有强大的数据分析能力。通过历史缺陷数据、代码提交记录、甚至研发过程中的各种日志，利用AI模型&lt;strong>预测&lt;/strong>潜在的缺陷，甚至可以在代码提交前就发现风险，实现&lt;strong>缺陷的预防和前置发现&lt;/strong>。&lt;/p>
&lt;p>而当缺陷真正发生时，AI还能利用海量的知识库，加速&lt;strong>缺陷的根因分析&lt;/strong>，提升修复速度。包括智能关联测试日志、代码变更、系统指标等多维度信息，快速定位问题发生的根本原因，大大缩短排查时间。&lt;/p>
&lt;p>此外，在&lt;strong>更全面的测试覆盖&lt;/strong>上。AI 可以通过学习和模拟用户的行为模式，探索传统测试方法难以触及的测试路径和组合，更充分地暴露潜在的缺陷。&lt;/p>
&lt;p>因此，AI 的成熟应用，对于质量提升的直接价值也是显而易见的。&lt;/p>
&lt;h3 id="成本优化">成本优化
&lt;/h3>&lt;p>虽然投入AI，初期的工具应用和学习成本不菲，但对于软件行业来说，最大的成本其实就是人力成本和时间成本。所以长期来看，AI在这方面的成本节约效益明显。AI 的加入，可以释放很大一部分基础人工劳动，同时提升产出的效率。&lt;/p>
&lt;p>当然，并不是说只要应用了 AI，就必然取得成效。这个和自动化测试类似，要获得好的结果，合适的场景，成熟的方案是必要的前提。&lt;/p>
&lt;h3 id="数据驱动的辅助决策">数据驱动的辅助决策
&lt;/h3>&lt;p>除了在测试设计、测试执行时的直接应用，对于测试过程分析，AI 同样有明显的优势。软件行业，基于数字化的研发体系，往往积累海量的过程数据，而这些数据背后，往往存在很多极有价值的规律。通过AI能够从复杂的数据中提取有意义的信息，进而生成可视化的报告，预测测试趋势，甚至对发布风险进行评估，为测试管理人员和项目决策者提供有力的分析支撑。&lt;/p>
&lt;h2 id="面向传统挑战的-ai-方案">面向传统挑战的 AI 方案
&lt;/h2>&lt;p>基于 AI 在测试中应用的价值体现，以下梳理了几类传统测试中常见的挑战，通过 AI 可以如何进行改进和提升。同时，这也将是本专栏后续重点讨论的相关场景。&lt;/p>
&lt;h3 id="挑战一测试效率瓶颈与重复劳动">挑战一：测试效率瓶颈与重复劳动
&lt;/h3>&lt;p>这一挑战是许多测试团队的日常困扰。尤其是在大型项目中，大量的回归测试工作会占据测试人员绝大部分时间，导致新功能测试无法充分开展。&lt;/p>
&lt;p>通过引入 AI， 智能化分析已有需求，基于需求生成测试用例，从而大大减少人工设计和编写的工作量，测试人员只需要评估AI用例的有效性，并将更多精力集中到复杂场景和关键流程中。&lt;/p>
&lt;p>通过引入 AI，可以快速将用例转化为自动化测试脚本，极大提升自动化测试的生成产效率，进一步增强回归测试的自动化覆盖。&lt;/p>
&lt;h3 id="挑战二快速迭代带来的回归测试压力">挑战二：快速迭代带来的回归测试压力
&lt;/h3>&lt;p>在敏捷开发和持续交付模式下，代码变更频繁，每次变更都可能影响到系统的其他部分。传统模式下，全量回归不现实，选择性回归又存在遗漏风险。&lt;/p>
&lt;p>通过引入 AI，可以基于代码提交、需求变更、历史缺陷等信息，进一步推进&lt;strong>精准化测试&lt;/strong>，智能识别出变更影响范围，并自动筛选出最优的回归测试集。&lt;/p>
&lt;h3 id="挑战三缺陷定位与根因分析">挑战三：缺陷定位与根因分析
&lt;/h3>&lt;p>发现Bug不是目的，解决才是！当一个Bug被提交后，如何快速准确地定位到原因，并找到对应的代码进行修复，往往需要测试人员和开发人员共同投入大量的时间进行排查。&lt;/p>
&lt;p>通过引入 AI，整合和分析来自日志文件、代码仓库、监控系统等多个来源的数据，利用模式识别和异常检测技术，基于AI丰富的知识库，可以快速识别出潜在的问题区域，甚至直接给出问题修复的修复方法，为快速完成Bug修复的闭环提供强力支撑。&lt;/p>
&lt;h3 id="挑战四测试数据的覆盖率">挑战四：测试数据的覆盖率
&lt;/h3>&lt;p>资深测试都了解，测试是否有效，很大程度上取决于测试数据是否具有代表性，是否充分覆盖到更多场景。尤其是在探索性测试和大规模集成测试中，如何确保充分的测试覆盖，同时又能获取到充足、有效、多样化的测试数据，一直是个难题。&lt;/p>
&lt;p>通过引入 AI，智能分析系统的行为和数据特征，利用模型自动生成高度多样化、满足特定业务规则的测试数据，从而解决测试数据匮乏的问题。&lt;/p>
&lt;p>同时，AI 也能通过学习应用的行为，智能探索更深层的测试路径和用户场景，进一步有效提升测试覆盖率。&lt;/p>
&lt;h3 id="挑战五专业测试人员的培养周期">挑战五：专业测试人员的培养周期
&lt;/h3>&lt;p>一个高质量的测试工程师，在具备扎实的技术功底同时，通常还需要深厚的业务理解。但要充分理解一个陌生的业务门类，少则数月，多则数年，这也是高质量测试工程师一直比较欠缺的主要原因。&lt;/p>
&lt;p>而通过引入 AI，作为极佳的学习助手，结合业务知识库的训练，可以快速辅助他们学习业务知识，将散落各处的碎片化的业务知识集中起来，以助手或培训计划的方式，协助新成员的快速成长。&lt;/p>
&lt;p>而且，AI的引入还会降低很多测试工作实施的技术门槛，使很多之前需要大量训练的技术操作，在未熟练掌握的情况下，也可借助 AI 有效往下推进并参与。比如自动测试脚本的生成，比如问题定位等等。&lt;/p>
&lt;h2 id="未来的测试工程师">未来的测试工程师
&lt;/h2>&lt;p>既然 AI 是未来的必然方向，那么作为测试工程师，我们的角色会有怎样的转变？&lt;/p>
&lt;p>其实这里最重要的一点，就是明确：&lt;strong>AI 不会替代测试工程师，但测试工程师必须掌握AI&lt;/strong>&lt;/p>
&lt;p>这也就要求我们：&lt;/p>
&lt;ul>
&lt;li>
&lt;p>我们不仅要学会使用基于AI的测试工具，更要&lt;strong>理解&lt;/strong>其工作原理，能够对其进行配置、调优，甚至参与到模型的训练和优化中去，以便让AI更好地为我们服务。&lt;/p>
&lt;/li>
&lt;li>
&lt;p>AI会生成大量的测试数据和分析结果，我们需要具备理解和分析这些数据的能力，从中&lt;strong>提取&lt;/strong>有价值的信息，并基于数据做出明智的测试决策。&lt;/p>
&lt;/li>
&lt;li>
&lt;p>掌握与AI“&lt;strong>沟通&lt;/strong>”的艺术，也就是“&lt;strong>提示词工程&lt;/strong>”。高质量的提示词能帮助我们从大模型中获得高质量的测试用例、代码片段或分析结果。&lt;/p>
&lt;/li>
&lt;li>
&lt;p>强化自己&lt;strong>对业务和测试领域的深度理解&lt;/strong>，这一点至关重要，因为这也是AI无法替代我们的核心逻辑。AI是工具，它在像人类一样真正理解复杂的业务逻辑、用户需求以及产品的战略意义等方面，是无法替代人类思考的。我们自身对业务和测试的深度理解，才可以指导AI发挥更大效用。&lt;/p>
&lt;/li>
&lt;/ul>
&lt;p>一言蔽之，AI时代的测试工程师，将更多是&lt;strong>策划、设计以及与AI协同合作的专家型人才&lt;/strong>&lt;/p>
&lt;h2 id="专栏内容规划">专栏内容规划
&lt;/h2>&lt;p>基于以上的探讨，本专栏会围绕在测试领域建立基于AI的技术能力，进行系统梳理，初步计划包含如下内容（后续可能会根据撰写进度和新的思考做一些微调）：&lt;/p>
&lt;h3 id="一ai-技术基础">一、AI 技术基础
&lt;/h3>&lt;ul>
&lt;li>AI 技术的核心概念&lt;/li>
&lt;li>大语言模型基础及常见大模型及其特点&lt;/li>
&lt;li>本地LLM搭建实践&lt;/li>
&lt;/ul>
&lt;h3 id="二大模型核心技术原理">二、大模型核心技术原理
&lt;/h3>&lt;ul>
&lt;li>提示词工程及实用技巧&lt;/li>
&lt;li>RAG技术及其应用&lt;/li>
&lt;li>大模型微调技术&lt;/li>
&lt;li>多模态大模型的使用&lt;/li>
&lt;li>MCP协议及其应用&lt;/li>
&lt;li>AI智能体编排平台，n8n及Coze&lt;/li>
&lt;/ul>
&lt;h3 id="三ai在测试设计和自动化测试中的应用实践">三、AI在测试设计和自动化测试中的应用实践
&lt;/h3>&lt;ul>
&lt;li>AI 辅助需求分析&lt;/li>
&lt;li>AI 辅助测试用例生成&lt;/li>
&lt;li>AI 代码助手及其在自动化测试中的应用&lt;/li>
&lt;li>AI 赋能UI自动化测试&lt;/li>
&lt;li>AI 在API测试中的应用&lt;/li>
&lt;li>智能测试数据的生成与管理&lt;/li>
&lt;/ul>
&lt;h3 id="四ai在缺陷分析与数据分析中的应用">四、AI在缺陷分析与数据分析中的应用
&lt;/h3>&lt;ul>
&lt;li>AI 辅助Bug报告的生成&lt;/li>
&lt;li>AI 辅助完成缺陷根因分析&lt;/li>
&lt;li>AI 在测试报告和测试结果分析中的应用&lt;/li>
&lt;li>AI 在测试度量和质量预测上的应用&lt;/li>
&lt;/ul>
&lt;h3 id="五实践和总结">五、实践和总结
&lt;/h3>&lt;ul>
&lt;li>主流AI测试工具实践（一）&lt;/li>
&lt;li>主流AI测试工具实践（二）&lt;/li>
&lt;li>主流AI测试工具实践（三）&lt;/li>
&lt;li>结语：总结并展望测试领域后续 AI 发展趋势&lt;/li>
&lt;/ul>
&lt;p>以上，和诸君共进~&lt;/p></description></item><item><title/><link>https://chengxiaqiucao.github.io/private/ai%E6%B5%8B%E8%AF%95%E4%B8%93%E6%A0%8F/%E4%B8%80ai%E5%9F%BA%E7%A1%80%E6%8A%80%E6%9C%AF/2/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://chengxiaqiucao.github.io/private/ai%E6%B5%8B%E8%AF%95%E4%B8%93%E6%A0%8F/%E4%B8%80ai%E5%9F%BA%E7%A1%80%E6%8A%80%E6%9C%AF/2/</guid><description>&lt;h1 id="ai-技术基础及关键概念">AI 技术基础及关键概念
&lt;/h1>&lt;h2 id="什么是ai">什么是AI？
&lt;/h2>&lt;p>AI 是&lt;strong>人工智能(Artificial Intelligence)&lt;/strong> 的缩写，它是一种让计算机和机器能够模拟人类学习、理解、问题解决、决策制定，以及发挥创造力和自主性的技术。&lt;/p>
&lt;p>AI &lt;strong>涵盖许多不同的学科&lt;/strong>，包括计算机科学、数据分析和统计、硬件和软件工程、语言学、神经学，甚至哲学和心理学。&lt;/p>
&lt;p>它的核心在于训练计算机去做那些原本只有人类大脑才能完成的任务，从理解周围的世界到学习新事物，甚至产生新的想法。比如目前应用广泛的&lt;strong>生成式AI(generative AI)&lt;/strong>，可以基于人类自然语言的描述，输出对应的文章、图像甚至视频结果。&lt;/p>
&lt;p>人工智能技术虽然多种多样，但从根本上来说都依赖于数据、算法和算力。AI 系统会通过接触大量数据来学习和改进，以识别人类可能会忽视的模式和关系。这些数据是 AI 的训练材料，其质量和数量对 AI 的性能至关重要。&lt;/p>
&lt;h3 id="关键技术">关键技术
&lt;/h3>&lt;p>如前所述，AI 并不是某种单一的技术，而是一个包含多种关键技术的广泛领域，主要包括如下类型：&lt;/p>
&lt;ul>
&lt;li>
&lt;p>&lt;strong>机器学习 (ML)&lt;/strong>： AI 系统通过海量数据来学习、识别模式，并在没有直接编程的情况下做出预测或决策。典型的比如从成千上万张图片中学习并识别出鸟类。&lt;/p>
&lt;/li>
&lt;li>
&lt;p>&lt;strong>深度学习 (DL)&lt;/strong>：深度学习是机器学习的一个子领域，使用多层（因此称为“深度”）人工神经网络从数据中学习。这些网络的灵感来源于人脑的结构，尤其擅长处理图像识别和语音识别等复杂任务。&lt;/p>
&lt;/li>
&lt;li>
&lt;p>&lt;strong>自然语言处理 (NLP&lt;/strong>)：NLP 使计算机能够理解、解读和生成人类语言。比如Siri、豆包等语音助理、翻译服务和聊天机器人都离不开这项技术。&lt;/p>
&lt;/li>
&lt;li>
&lt;p>&lt;strong>计算机视觉&lt;/strong>：这一技术让计算机能够“看见”并解读这个世界的视觉信息，如图片和视频。从人脸识别到自动驾驶型汽车，都需要依赖计算机视觉技术。&lt;/p>
&lt;/li>
&lt;/ul>
&lt;p>AI、机器学习、深度学习的关系可用下图表示：&lt;/p>
&lt;p>&lt;img src="https://chengxiaqiucao.github.io/AI_ML_DL.webp"
loading="lazy"
>
&lt;/p>
&lt;h3 id="按能力不同划分">按能力不同划分
&lt;/h3>&lt;p>而根据 AI 模型的智能水平和解决问题的能力，通常还可将 AI 分为如下三类。&lt;/p>
&lt;ul>
&lt;li>
&lt;p>&lt;strong>弱人工智能 (ANI, Artificial Narrow Intelligence)&lt;/strong>：这是目前已存在的人工智能形式。ANI 模型旨在执行单一的特定任务，例如识别图片、进行聊天或过滤邮件。包括语音助理、人脸识别技术、各种生成式 AI 模型、&lt;strong>大语言模型 (LLM)&lt;/strong>。但尽管以&lt;strong>智能&lt;/strong>命名，ANI 并&lt;strong>不具备推理能力或自我意识&lt;/strong>，而是将数据与算法相结合，在预定义的参数范围内做出预测。ANI 有很多好处，但也存在风险，质量不佳的训练数据可能会导致输出结果有偏见或不准确，并可能会造成严重后果(如网络AI诈骗)。&lt;/p>
&lt;/li>
&lt;li>
&lt;p>&lt;strong>通用人工智能 (AGI, Artificial General Intelligence)&lt;/strong>：这是 AI 技术假想的未来发展阶段，AGI 将达到人类思维的水平。它能够执行广泛的任务，并利用类似人类的推理能力进行学习、适应和改进。AGI 目前尚不存在。与 ANI 不同，AGI 将具有适应性、自主性，并能够从其行动中学习。很多出现在科幻影片中的机器人（如《星球大战》中的R2）都处于这一类&lt;/p>
&lt;/li>
&lt;li>
&lt;p>&lt;strong>强人工智能 (ASI, Artificial Super Intelligence)&lt;/strong>：这是理论上最先进的 AI 形式，目前技术远未达到。ASI 将是一种具有&lt;strong>自我意识&lt;/strong>的实体，其运行不受人类控制，在推理、创造力甚至情商方面都将大大超过人类智能。有理由担心 ASI 可能会对人类的生存构成威胁，一很多研究人员认为，ASI 极有可能带来非常糟糕的结果，包括人类灭绝。&lt;/p>
&lt;/li>
&lt;/ul>
&lt;h2 id="ai的历史">AI的历史
&lt;/h2>&lt;p>AI 其实并不是最近才出现的概念，早在1950年，图灵博士(Alan Turing) 在其开创性的论文《计算机与智能》中就首次谈到了计算机的智能化概念。现在的 AI 技术其实是数十年技术积累和演进的结果。&lt;/p>
&lt;h4 id="1950-年">1950 年
&lt;/h4>&lt;p>艾伦·图灵 (Alan Turing) 发表了《计算机与智能》(Computing Machinery and Intelligence)。在这篇论文中，被称为“计算机科学之父”的图灵提出了以下问题：“机器能思考吗？”&lt;/p>
&lt;p>为了回答这个问题，他提供了一个测试，这就是著名的“&lt;strong>图灵测试&lt;/strong>”，此测试中，人类询问者将尝试区分哪些文本响应是计算机做出的，哪些是人类做出的。虽然这项测试自发布以来经过了大量审查，但它仍然是 AI 历史的重要组成部分，也是哲学中一个不断发展的概念，因为它利用了有关语言学的想法。&lt;/p>
&lt;h4 id="1956-年">1956 年
&lt;/h4>&lt;p>约翰·麦卡锡 (John McCarthy) 在达特茅斯学院举行的第一届 AI 会议上首创“人工智能”一词。（麦卡锡后来发明了 Lisp 语言。）同年晚些时候，Allen Newell、JC Shaw 和 Herbert Simon 共同创建了第一个运行的 AI 计算机程序——Logic Theorist。&lt;/p>
&lt;h4 id="1967-年">1967 年
&lt;/h4>&lt;p>弗兰克·罗森布拉特 (Frank Rosenblatt) 建造了 Mark 1 Perceptron，这是第一台基于&lt;strong>神经网络&lt;/strong>的计算机，可以通过反复试错来“学习”。仅仅一年后，Marvin Minsky 和 Seymour Papert 就出版了一本名为《感知器》 (Perceptrons) 的书，该书成为神经网络的里程碑式著作，至少在一段时间内成为反对未来神经网络研究项目的论据。&lt;/p>
&lt;h4 id="1980-年">1980 年
&lt;/h4>&lt;p>使用反向传播算法进行自身训练的神经网络在 AI 应用中得到了广泛使用。&lt;/p>
&lt;h4 id="1995-年">1995 年
&lt;/h4>&lt;p>斯图尔特·罗素 (Stuart Russell) 和彼得·诺维格 (Peter Norvig) 出版了《人工智能：一种现代方法》(Artificial Intelligence: A Modern Approach)，成为 AI 研究领域的领先教科书之一。在这本书中，他们深入研究了 AI 的四个潜在目标或定义，这些目标或定义根据理性和思考与行动来区分计算机系统：&lt;/p>
&lt;h4 id="1997-年">1997 年
&lt;/h4>&lt;p>IBM 的“深蓝”在一场国际象棋比赛（以及复赛）中击败了当时的世界象棋冠军 Garry Kasparov。&lt;/p>
&lt;h4 id="2004-年">2004 年
&lt;/h4>&lt;p>约翰·麦卡锡 (John McCarthy) 撰写了一篇名为《什么是人工智能？》(What Is Artificial Intelligence?) 的论文，并提出了一个经常被引用的 AI 定义。此时，大数据和云计算时代已经到来，这使组织能够管理越来越大的数据资产，这些数据资产未来将用于训练 AI 模型。&lt;/p>
&lt;h4 id="2011-年">2011 年
&lt;/h4>&lt;p>IBM Watson 在 Jeopardy! 比赛中击败冠军 Ken Jennings 和 Brad Rutter！同时，大约在这个时候，数据科学开始成为一门受欢迎的学科。&lt;/p>
&lt;h4 id="2015-年">2015 年
&lt;/h4>&lt;p>百度的 Minwa 超级计算机使用一种称为卷积神经网络的特殊深度神经网络来识别和分类图像，准确率超越普通人。&lt;/p>
&lt;h4 id="2016-年">2016 年
&lt;/h4>&lt;p>DeepMind 的 AlphaGo 程序，由深度神经网络支持，在一场五局比赛中击败了围棋世界冠军李世石 (Lee Sodol)。由于棋局中可能出现大量棋步（四手之后就有超过 14.5 万亿个可能棋步！），因此，这场胜利意义重大。后来，Google 作价 4 亿美元收购了 DeepMind。&lt;/p>
&lt;h4 id="2022-年">2022 年
&lt;/h4>&lt;p>大语言模型 (LLM)（以 OpenAI 的 ChatGPT为代表）的兴起为 AI 的性能带来了显著变化，并增强其为企业创造价值的能力。借助这些新一代的生成式 AI 技术，深度学习模型能够在海量数据上进行预训练。&lt;/p>
&lt;h4 id="2024-年后">2024 年后
&lt;/h4>&lt;p>AI 趋势表明 AI 发展正在大步走向应用领域。多模态模型可以接受多种类型的数据作为输入，提供了更丰富、更强大的体验。这些模型将计算机视觉中的图像识别和 NLP 语音识别功能结合在一起。在大规模模型收益递减、参数数量庞大的时代，小型模型也在不断进步。&lt;/p>
&lt;h2 id="ai中的常见概念">AI中的常见概念
&lt;/h2>&lt;p>AI 技术领域广大，涵盖范围几多。而学习 AI 技术，不可避免会接触各种专业概念，以下择要对一些常见概念进行说明和解释。&lt;/p>
&lt;h3 id="机器学习machine-learning">机器学习（Machine Learning）
&lt;/h3>&lt;p>机器学习是人工智能的一个分支，通过向系统输入大量数据后，系统会使用&lt;strong>神经网络&lt;/strong>和&lt;strong>深度学习&lt;/strong>进行自主学习和改进，而无需对其明确编程。&lt;/p>
&lt;p>机器学习可让计算机系统通过累积更多“经验”来不断调整并增强自身功能，因此，通过提供更大、更多样化的数据集进行处理，可以提高这些系统的性能。&lt;/p>
&lt;p>而在进行机器学习时，根据采用的学习模式又可分为：&lt;/p>
&lt;ul>
&lt;li>
&lt;p>&lt;strong>监督式学习（Supervised learning）&lt;/strong>：在该模式下，数据科学家扮演向导，告诉算法它应该得出什么结论。就像小孩通过在图画书中记住苹果的样子来学习什么是苹果一样，在监督学习中，算法是由已经标记并具有预定义输出的数据集进行训练的。监督机器学习使用线性和逻辑回归、多类分类和支持向量机等算法。&lt;/p>
&lt;p>最常用的监督式学习算法包括：&lt;/p>
&lt;ul>
&lt;li>线性回归&lt;/li>
&lt;li>多项式回归&lt;/li>
&lt;li>K 近邻算法&lt;/li>
&lt;li>朴素贝叶斯&lt;/li>
&lt;li>决策树&lt;/li>
&lt;/ul>
&lt;/li>
&lt;li>
&lt;p>&lt;strong>无监督式学习（Unsupervised learning）&lt;/strong>：在该模式下，计算机会在人类没有持续提供密切指导的前提下学习识别复杂的过程和模式。无监督机器学习包括根据没有标签的数据或特定的、定义好输出的数据进行训练。无监督机器学习类似于给孩子一个水果图片，小孩通过观察颜色和图案来识别这是不是苹果，而不是在老师的帮助下记住水果的名字。孩子（算法）会自己寻找图像之间的相似性，对图像分组，为每一个小组分配一个新标签。无监督机器学习的算法有 K 均值聚类、主成分和独立分量分析以及关联规则。&lt;/p>
&lt;p>常用的非监督式学习算法包括：&lt;/p>
&lt;ul>
&lt;li>模糊均值&lt;/li>
&lt;li>K-means 集群&lt;/li>
&lt;li>层次聚类&lt;/li>
&lt;li>偏最小二乘&lt;/li>
&lt;/ul>
&lt;/li>
&lt;li>
&lt;p>&lt;strong>半监督式学习 (semi-supervised learning):&lt;/strong> 训练模型时采用的数据中，某些训练样本有标签，而其他样本则没有标签。半监督式学习采用的一种技术是推断无标签样本的标签，然后使用推断出的标签进行训练，以创建新模型。如果获得有标签样本需要高昂的成本，而无标签样本则有很多，那么半监督式学习将非常有用。&lt;/p>
&lt;/li>
&lt;/ul>
&lt;p>&lt;strong>两者的区别主要在于用于学习的数据是否存在标签&lt;/strong>&lt;/p>
&lt;p>&lt;img src="https://chengxiaqiucao.github.io/ML.webp"
loading="lazy"
>
&lt;/p>
&lt;h3 id="深度学习deep-learning">深度学习（Deep Learning）
&lt;/h3>&lt;p>深度学习是机器学习的一个分支。许多传统机器学习算法学习能力有限，知识是从数据中获取的，但是只是增加数据量并不能持续增加学到的知识总量。深度学习系统可以通过访问更多数据来提升性能，即“更多经验”的机器代名词。机器通过深度学习获得足够经验后，即可用于特定的任务，如驾驶汽车、识别田地作物间的杂草、确诊疾病、检测机器故障等。&lt;/p>
&lt;h3 id="神经网络neural-network-nn">神经网络（Neural Network, NN）
&lt;/h3>&lt;p>神经网络是一种机器学习程序或模型，它以类似于人脑的方式做出决策，通过使用模仿生物神经元协同工作方式的过程来识别现象、权衡利弊并得出结论。&lt;/p>
&lt;p>每个神经网络都由多个节点层或人工神经元组成 ， 一个输入层、一个或多个隐藏层和一个输出层。每个节点都与其他节点相连，具有一个关联的权重和阈值。如果任何单个节点的输出高于指定的阈值，那么该节点将被激活，并将数据发送到网络的下一层。否则，不会将数据传递到网络的下一层。神经网络依靠训练数据来学习并随着时间的推移提高其准确性。一旦对其准确性进行微调，它们就会成为计算机科学和人工智能领域的强大工具，使我们能够高速对数据进行分类和聚类。与人类专家的人工识别相比，人工智能进行语音识别或图像识别只需几分钟，而人工识别则需要几小时。神经网络最著名的例子之一就是 Google 的搜索算法。&lt;/p>
&lt;p>神经网络有时被称为人工神经网络 (ANN) 或模拟神经网络 (SNN)。它们是机器学习的一个子集，是深度学习模型的核心。&lt;/p>
&lt;h3 id="自然语言处理nlp">自然语言处理(NLP)
&lt;/h3>&lt;p>自然语言处理（Natural Language Processing，NLP）是计算机科学和人工智能的一个重要领域，旨在使计算机能够理解、解释、生成和响应人类自然语言。NLP结合了语言学、计算机科学和统计学的知识，以处理和分析大量自然语言数据，从而实现人机交互、文本分析等任务。&lt;/p>
&lt;h3 id="大语言模型llm">大语言模型(LLM)
&lt;/h3>&lt;p>大语言模型（large language model）。是一种利用机器学习技术来理解和生成人类语言的人工智能模型。LLM 使用基于神经网络的模型，通常运用自然语言处理（NLP）技术来处理和计算其输出。目前比较知名的大语言模型有GPT-4、DeepSeek、文心一言、通义千问等。&lt;/p>
&lt;h3 id="大模型的蒸馏">大模型的“蒸馏”
&lt;/h3>&lt;p>中文词语“蒸馏”是提纯的意思，以酿酒工艺为例，蒸馏利用酒精和水沸点的不同，通过加热使酒精汽化，然后冷凝收集高浓度的酒精溶液。酒精的沸点为78.5℃，而水的沸点为100℃，因此通过加热发酵液，酒精会先于水蒸发出来，经过冷凝后得到高度数的酒精溶液‌，&lt;strong>是用蒸馏提纯，特点是在源溶液的基础上做减法。&lt;/strong>&lt;/p>
&lt;p>&lt;img src="https://i-blog.csdnimg.cn/img_convert/a21333ba2f46d73161cc622f4a826ef6.png"
loading="lazy"
alt="图片"
>
&lt;/p>
&lt;p>大模型“蒸馏”技术如果非专业人看很容易&lt;strong>误解为“偷窃、偷取之意，如A模型被“蒸馏”后数据就减少了”&lt;/strong>，实际并非如此。准确来讲大模型“蒸馏”技术应该翻译为“&lt;strong>教学或传授”（类似老师教学生）&lt;/strong>，比如数学老师利用自身丰富的知识储备，把各类常考题目整理成册并配上解题思路后讲授给学生，学生不只是简单的背题库还学习了老师的解题思路，掌握了问题分析和思考的能力（能够举一反三），&lt;strong>大模型“蒸馏”技术是把大语言模型中的能力和知识迁移到更小的模型的技术&lt;/strong>，&lt;strong>目的是在于构造出来资源高效和性能优异的小模型&lt;/strong>，未经过蒸馏的模型好比是老师，经过蒸馏的小模型可以比作学生。&lt;/p>
&lt;p>&lt;img src="https://i-blog.csdnimg.cn/img_convert/49f7a15d2de4acbc3d6d0766f27fa4d3.jpeg"
loading="lazy"
alt="img"
>
&lt;/p>
&lt;p>DeepSeek允许把目前最强的大模型R1的能力蒸馏给任意小模型，并且官方给出了操作方式，在已公布的蒸馏版小模型中大家经常看到R1-Distill-Qwen-7B，好比把满血版的671B DeepSeek R1当做老师，老师出了一个教学册子，让阿里的模型Qwen作为学生来学习，利用了R1合成的高质量数据微调了Qwen7B的模型，虽然模型体量较小但是得到了R1的“教学”，其推理的能力有明显提升，老美在AI大模型领域也会经常用到蒸馏的技术，属于常规操作。&lt;/p>
&lt;p>“蒸馏”模型优点是体积小、速度快和成本低、便于大规模的部署，缺点是：有时会模仿教师模型的回答习惯和视角，有时候创造性不足，老师大模型就是非蒸馏的大模型，优点是拥有更大规模的参数量，更完整的知识图谱，可以展现出来更高的能力，回答更有深度和创造性，缺点是运行成本高，资源占用大，对硬件GPU的依赖较高，最后总结，蒸馏技术让小模型的能力得到提升，且更易于本地部署，帮助开发者实现应用落地。&lt;/p>
&lt;h3 id="大模型中的token">大模型中的“Token”
&lt;/h3>&lt;p>商用大模型有关的报价通常都以“百万Tokens”为单位。这里 &lt;strong>Token（令牌）&lt;/strong> 是模型用来表示自然语言文本的的最小单位，可以是一个词、一个数字或一个标点符号等。各模型服务商根据模型输入和输出的总Token数进行计量计费。&lt;/p>
&lt;p>Token是模型领域，专门用来表示自然语言文本的基本单位，也是通用的计费单元，可以直观的理解为“字”或“词”；每个Token通常是1个中文词语、1 个英文单词、1个数字或 1个符号。DeepSeek官方也给出Token数和字数的大致换算比例如下：&lt;/p>
&lt;ul>
&lt;li>1 个英文字符 ≈ 0.3 个 token。&lt;/li>
&lt;li>1 个中文字符 ≈ 0.6 个 token。&lt;/li>
&lt;/ul>
&lt;p>实际使用时，也会因为不同模型的分词不同，换算比例也存在差异，每一次实际处理 token 数量以模型返回为准。&lt;/p>
&lt;p>&lt;img src="https://i-blog.csdnimg.cn/img_convert/8f10a402857590b8da752496b34aa918.png"
loading="lazy"
alt="img"
>
&lt;/p>
&lt;p>关于Token扣费：跟我们使用运营商的流量包类似，扣减的费用=Token 消耗量×模型单价，如DeepSeek官方的扣费是规则是直接从充值余额或赠送余额中进行扣减。&lt;/p>
&lt;h3 id="检索增强生成retrieval-augmented-generationrag">检索增强生成（Retrieval-Augmented Generation，RAG）
&lt;/h3>&lt;p>RAG‌是一种结合信息检索技术与生成式大语言模型（LLM）的架构，通过实时引入外部知识库提升模型在知识密集型任务中表现的技术。&lt;/p>
&lt;p>&lt;img src="https://i-blog.csdnimg.cn/img_convert/fcc5eae6c85283060fcdaba0165eff63.png"
loading="lazy"
alt="img"
>
&lt;/p>
&lt;p>核心是检索+生成结合‌将传统信息检索系统（如数据库、知识库）与LLM结合，利用检索到的外部信息辅助生成更准确、时效性更强的文本‌，常见的有通过外挂知识库‌：通过动态接入外部数据源（如企业文档、资料）用于弥补大模型训练数据滞后、领域知识不足等缺陷‌。&lt;/p>
&lt;p>典型场景有RAG与Agent结合‌，通过智能体（Agent）实现动态决策，例如自动调用工具链完成复杂任务‌，实现多模态的扩展‌，可以从文本检索向图像、视频等多模态数据延伸，提升应用范围‌。&lt;/p>
&lt;p>RAG通过“动态知识注入”机制，成为平衡大模型通用性与领域专业性的主流方案，尤其在需要实时性和高准确率的场景中表现突出。&lt;/p>
&lt;h3 id="智能体agent">智能体（Agent）
&lt;/h3>&lt;p>按照OpenAI对AI能力等级的划分，可分为五个阶段，具体如下：&lt;/p>
&lt;p>&lt;strong>Level 1：聊天机器人（Conversational AI&lt;/strong>）
这是目前AI所处的阶段，AI能够以自然语言与人类进行对话交流。例如常见的聊天机器人、虚拟助手等，像ChatGPT、Claude等都属于这一级别。它们可以处理客户服务交互，提供基本的协助，但仅限于基于语言的任务，缺乏复杂的解决问题能力。&lt;/p>
&lt;p>&lt;strong>Level 2：推理者（Reasoners）&lt;/strong>
在这一阶段，AI系统能够像拥有博士学位的人类一样解决复杂问题，但无法使用外部工具。这些“推理者”有望在学术和专业领域独立解决复杂问题，这标志着AI认知能力的显著提升。&lt;/p>
&lt;p>&lt;strong>Level 3：智能体（Agents）&lt;/strong>
这一阶段的AI系统被称为“智能体”，能够代表用户自主执行任务，持续数天甚至更长时间。这些系统可以在不同领域独立完成多种任务，无需人类持续干预，有望彻底改变商业运营和效率。&lt;/p>
&lt;p>&lt;strong>Level 4：创新者（Innovators）&lt;/strong>
这一阶段的AI能够协助发明创造，为科学发现和技术进步提供支持。它不仅能执行任务，还能创造和创新，提出创新的解决方案和想法。&lt;/p>
&lt;p>&lt;strong>Level 5：组织者（Organizations&lt;/strong>）
这是AI发展的最终阶段，AI系统能够完成整个组织的工作，管理并执行业务的所有功能，其效率和生产力将超越传统的人类运营模式。&lt;/p>
&lt;p>智能体是AI系统实现自主决策的核心载体，其能力边界通过‌环境交互‌、‌多模态融合‌与‌策略优化‌不断拓展，正在重塑自动驾驶、工业自动化等领域的智能化水平‌，2025年普遍被认为是智能体发展的元年。1月份OpenAI宣布上线名为Operator的首款AI智能体，能为用户提供餐饮、活动、配送、购物、旅行相关服务和建议。&lt;/p>
&lt;p>很多朋友分不清智能体、AIGC和AGI的关系，AGI是一个很长期且宏观的目标，是一个“超级大脑”，啥都能干，但目前还只是个理想。AIGC 是 AGI 的一部分，它主要关注的是内容创作这个领域，就像是 AGI 的“文艺细胞”。而智能体（Agent）则是 AGI 的另一个方面，它更注重行动，就像是 AGI 的“手脚”。简单来说，AGI 是一个大目标，AIGC 和智能体（Agent）都是朝着这个目标前进的不同方向。‌技术成熟度排序‌：AIGC（已大规模商用）＞智能体（部分落地）＞AGI（理论探索）&lt;/p>
&lt;h3 id="提示词prompt">提示词（Prompt）
&lt;/h3>&lt;p>提示词是指用户输入给大语言模型（如ChatGPT）的指令、问题或一段文字，旨在引导模型生成符合期望的回复。再细分一点会分为系统提示词和用户提示词，这两种提示词是在与大型语言模型（特别是基于对话的模型如 ChatGPT）交互时的两个关键概念，它们共同决定了模型的最终输出。&lt;/p>
&lt;p>&lt;strong>系统提示词&lt;/strong>用于定义模型的角色、行为方式、回复风格和边界限制。&lt;/p>
&lt;p>&lt;strong>用户提示词&lt;/strong>用户在对话过程中直接输入给模型的每一条消息或问题用于表达用户当前意图，触发模型响应。&lt;/p>
&lt;h3 id="微调fine-tuning">微调（Fine-tuning）
&lt;/h3>&lt;p>微调是指在预训练模型的基础上，使用特定任务的数据集对模型进行进一步的训练，使其适应特定任务。&lt;/p>
&lt;p>微调和 RAG 都是针对特定用途调整 LLM 的不同方法。选择正确的方法取决于任务类型、是否有足够的数据以及想要实现的目标等因素。&lt;/p>
&lt;table>
&lt;thead>
&lt;tr>
&lt;th>&lt;strong>技术&lt;/strong>&lt;/th>
&lt;th>&lt;strong>主要区别&lt;/strong>&lt;/th>
&lt;th>&lt;strong>优势&lt;/strong>&lt;/th>
&lt;th>&lt;strong>挑战&lt;/strong>&lt;/th>
&lt;/tr>
&lt;/thead>
&lt;tbody>
&lt;tr>
&lt;td>&lt;strong>微调&lt;/strong>&lt;/td>
&lt;td>更改模型的参数。&lt;/td>
&lt;td>准确率更高，更具体，幻觉更少，可定制互动，经济高效，偏见更少。&lt;/td>
&lt;td>存在“灾难性遗忘”风险，资源成本较高，对数据的要求更高，可能发生“过拟合”。&lt;/td>
&lt;/tr>
&lt;tr>
&lt;td>&lt;strong>RAG&lt;/strong>&lt;/td>
&lt;td>利用外部知识增强提示。&lt;/td>
&lt;td>动态知识集成，上下文相关性，多功能性，对广泛训练的需求较少。&lt;/td>
&lt;td>准确率有限（例如，RAG 只能参考它有权访问的数据，不根据训练进行推理），RAG 系统的维护较复杂，可能产生幻觉。&lt;/td>
&lt;/tr>
&lt;tr>
&lt;td>适用微调的场景：&lt;/td>
&lt;td>&lt;/td>
&lt;td>&lt;/td>
&lt;td>&lt;/td>
&lt;/tr>
&lt;/tbody>
&lt;/table>
&lt;ul>
&lt;li>&lt;strong>理解特定语言或术语：&lt;/strong> 如果您的项目使用大量行业术语，微调可以帮助模型学习并正确使用这些语言&lt;/li>
&lt;li>&lt;strong>提高特定任务的准确率：&lt;/strong> 如果您需要模型执行特定任务，例如对顾客评价进行分类或生成产品说明，微调可以显著提高模型的性能。&lt;/li>
&lt;li>&lt;strong>匹配特定风格或语气：&lt;/strong> 如果您希望模型生成符合特定品牌声音或写作风格的文本，微调可以帮助您实现这一目标&lt;/li>
&lt;li>&lt;strong>处理有限的数据：&lt;/strong> 当数据有限时，微调比从头训练模型更高效，因为它利用了预训练模型已经掌握的知识&lt;/li>
&lt;li>&lt;strong>降低成本和延迟：&lt;/strong> 对于高用量应用场景，微调较小的模型比为每个请求使用较大的通用模型更经济高效&lt;/li>
&lt;li>&lt;strong>处理边缘情况：&lt;/strong> 微调可以提高模型处理边缘情况和复杂提示的能力，这些情况和提示仅通过提示工程很难解决&lt;/li>
&lt;/ul>
&lt;h3 id="嵌入embedding">嵌入（Embedding）
&lt;/h3>&lt;p>嵌入是将文本、图像和音频等对象表示为连续向量空间中的点的一种方法，其中这些点在空间中的位置对于机器学习 (ML) 算法具有语义意义。&lt;/p>
&lt;p>对于构建文本和图像搜索引擎、推荐系统、聊天机器人、欺诈检测系统等应用程序的机器学习工程师来说，嵌入是一个重要工具。从本质上讲，嵌入能让机器学习模型找到相似的对象。&lt;/p>
&lt;p>与其他机器学习技术不同，嵌入是使用各种算法（例如 Neural Networks）从数据中学习的，而不是明确要求人类专业知识来定义。它们允许模型去学习数据中的复杂模式和关系，否则人类将无法识别这些模式和关系。&lt;/p>
&lt;p>例如，OpenAI 的嵌入实施使 ChatGPT 能够轻松理解不同单词和类别之间的关系，而不是仅仅单独分析每个单词。 通过嵌入，OpenAI 的 GPT 模型可针对用户提示和问题生成更加连贯、与上下文更相关的响应。&lt;/p>
&lt;p>常用场景：&lt;/p>
&lt;ul>
&lt;li>&lt;strong>Search 搜索&lt;/strong>（结果按与查询字符串的相关性排序）&lt;/li>
&lt;li>&lt;strong>Clustering 聚类&lt;/strong>（文本字符串按相似性分组）&lt;/li>
&lt;li>&lt;strong>Recommendations 推荐&lt;/strong>（推荐具有相关文本字符串的条目）&lt;/li>
&lt;li>&lt;strong>Anomaly detection 异常检测&lt;/strong>（识别出相关性很小的异常值）&lt;/li>
&lt;li>&lt;strong>Diversity measurement 多样性测量&lt;/strong>（分析相似性分布）&lt;/li>
&lt;li>&lt;strong>Classification 分类&lt;/strong>（其中文本字符串按其最相似的标签分类）&lt;/li>
&lt;/ul>
&lt;h3 id="多模态aimultimodal-ai">多模态AI（Multimodal AI）
&lt;/h3>&lt;p>&lt;strong>多模态 AI&lt;/strong> 指的是能够处理、理解和生成多种数据类型（称为&amp;quot;模态&amp;quot;）的人工智能系统，例如：&lt;/p>
&lt;ul>
&lt;li>&lt;strong>文本&lt;/strong> - 书面语言、文档、聊天消息&lt;/li>
&lt;li>&lt;strong>图像&lt;/strong> - 照片、图表、图形、扫描文档&lt;/li>
&lt;li>&lt;strong>音频&lt;/strong> - 语音、音乐、声音效果&lt;/li>
&lt;li>&lt;strong>视频&lt;/strong> - 有声或无声的动态影像&lt;/li>
&lt;/ul>
&lt;p>关键的创新是多模态 AI 不仅分别处理这些数据——它还能理解&lt;strong>它们之间的关系&lt;/strong>。例如，它可以查看图像并描述其中的内容，或者听取语音并准确转录&lt;/p>
&lt;p>&lt;img src="https://chengxiaqiucao.github.io/MultiModalAI.webp"
loading="lazy"
>
&lt;/p>
&lt;h3 id="模型上下文协议model-context-protocol-mcp">模型上下文协议（Model Context Protocol， MCP)
&lt;/h3>&lt;p>MCP （Model Context Protocol，模型上下文协议）定义了应用程序和 AI 模型之间交换上下文信息的方式。这使得开发者能够&lt;strong>以一致的方式将各种数据源、工具和功能连接到 AI 模型&lt;/strong>（一个中间协议层），就像 USB-C 让不同设备能够通过相同的接口连接一样。MCP 的目标是创建一个通用标准，使 AI 应用程序的开发和集成变得更加简单和统一。&lt;/p>
&lt;p>&lt;img src="https://chengxiaqiucao.github.io/MCP.webp"
loading="lazy"
>
&lt;/p>
&lt;p>AI的覆盖范围非常广大，这里只是收集整理了一些常见的概念，大家在后续见到相关概念，包括后续要继续深入的化，可以先有一个认知起点。&lt;/p></description></item><item><title/><link>https://chengxiaqiucao.github.io/private/ai%E6%B5%8B%E8%AF%95%E4%B8%93%E6%A0%8F/%E4%B8%80ai%E5%9F%BA%E7%A1%80%E6%8A%80%E6%9C%AF/3/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://chengxiaqiucao.github.io/private/ai%E6%B5%8B%E8%AF%95%E4%B8%93%E6%A0%8F/%E4%B8%80ai%E5%9F%BA%E7%A1%80%E6%8A%80%E6%9C%AF/3/</guid><description>&lt;h1 id="ai中的大语言模型llm">AI中的大语言模型LLM
&lt;/h1>&lt;h2 id="什么是llm">什么是LLM
&lt;/h2>&lt;h2 id="">
&lt;/h2></description></item><item><title/><link>https://chengxiaqiucao.github.io/private/ai%E6%B5%8B%E8%AF%95%E4%B8%93%E6%A0%8F/%E4%B8%80ai%E5%9F%BA%E7%A1%80%E6%8A%80%E6%9C%AF/4/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://chengxiaqiucao.github.io/private/ai%E6%B5%8B%E8%AF%95%E4%B8%93%E6%A0%8F/%E4%B8%80ai%E5%9F%BA%E7%A1%80%E6%8A%80%E6%9C%AF/4/</guid><description/></item><item><title/><link>https://chengxiaqiucao.github.io/private/temp/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://chengxiaqiucao.github.io/private/temp/</guid><description>&lt;p>以下是该文章的逐句翻译：&lt;/p>
&lt;h1 id="混沌测试的教训我们在一个本以为低风险的服务中失去了客户体验">混沌测试的教训：我们在一个本以为低风险的服务中失去了客户体验
&lt;/h1>&lt;p>大家好，&lt;/p>
&lt;p>今天我想分享一些我们从混沌测试经验中获得的见解。&lt;/p>
&lt;p>简单来说，混沌工程是在受控方式下故意“破坏”系统，以了解它们在意外情况下的表现。&lt;/p>
&lt;p>其目标并不是真的要破坏系统，而是为了提前发现漏洞，发掘改进机会，并采取预防措施。&lt;/p>
&lt;p>起初，我们将重点放在那些看起来微不足道的服务上，认为它们风险很小。&lt;/p>
&lt;p>但混沌工程很快向我们展示了，即使是表面上“很小”的服务也可能对客户体验产生巨大影响。&lt;/p>
&lt;p>在这篇文章中，我将带你了解我们如何准备环境、定义混沌场景、监控系统，以及——最重要的是——当事情未按预期发展时我们学到了什么。&lt;/p>
&lt;p>这种方法多年前随着 Netflix 的 Chaos Monkey 工具而流行起来，现在被许多科技公司使用——因为没有系统能 100% 无错误运行。&lt;/p>
&lt;p>真正重要的是故障对客户的影响有多大，以及团队能多快地对此做出响应。&lt;/p>
&lt;p>作为 Trendyol 卖家广告团队，我们也开始采用这种方法。&lt;/p>
&lt;p>在我们最初的测试中，我们发现那些我们最初认为低风险的领域，实际上对客户体验至关重要。&lt;/p>
&lt;h3 id="为什么要进行混沌测试">为什么要进行混沌测试？
&lt;/h3>&lt;p>在设计系统时，我们通常专注于“最佳情况”。&lt;/p>
&lt;p>换句话说，服务是健康的，连接是稳定的，数据库是有响应的，用户发送请求也没有问题。&lt;/p>
&lt;p>但在现实中，事情并不总是那么顺利：&lt;/p>
&lt;ul>
&lt;li>
&lt;p>Pod 可能会崩溃，&lt;/p>
&lt;/li>
&lt;li>
&lt;p>CPU 或内存限制可能会被超出，&lt;/p>
&lt;/li>
&lt;li>
&lt;p>可能会发生网络丢包，&lt;/p>
&lt;/li>
&lt;li>
&lt;p>或者第三方服务可能只是暂时无法响应。&lt;/p>
&lt;/li>
&lt;/ul>
&lt;p>混沌工程试图回答“如果出错了怎么办？”这个问题——而我们的测试恰恰建立了这种关键的意识。&lt;/p>
&lt;h3 id="一个乍看之下风险很低的服务">一个乍看之下风险很低的服务
&lt;/h3>&lt;p>在开始我们的混沌测试之前，我们的团队需要决定专注于哪个服务。&lt;/p>
&lt;p>经过一番讨论，我们选择了一个我们认为风险相对较低的服务。&lt;/p>
&lt;p>普遍的看法是，“这项服务并不关键；我们要在这里不会遇到任何重大问题。”&lt;/p>
&lt;p>我们的目标是从一个更安全的点开始，在团队内传播混沌文化，并分享经验。&lt;/p>
&lt;p>但我们很快意识到，该服务对客户的影响远比我们预期的要大。&lt;/p>
&lt;h3 id="我们遵循的步骤">我们遵循的步骤
&lt;/h3>&lt;p>我们试图按照混沌工程的原则来设计我们的步骤。&lt;/p>
&lt;h4 id="1-定义假设">1. 定义假设
&lt;/h4>&lt;ul>
&lt;li>
&lt;p>如果 Pod 崩溃，服务能自动恢复吗？&lt;/p>
&lt;/li>
&lt;li>
&lt;p>当超出内存限制时，服务能优雅地降级吗？&lt;/p>
&lt;/li>
&lt;li>
&lt;p>如果服务返回错误，我们能向客户显示一个兜底值吗？&lt;/p>
&lt;/li>
&lt;/ul>
&lt;p>例如，我们形成了一个这样的假设：“如果此服务失败，X 值将不会显示在客户的屏幕上。”&lt;/p>
&lt;p>&lt;img src="https://miro.medium.com/v2/resize:fit:640/format:webp/1*nx1-92mkPmzl16sI1Kfgvg.jpeg"
loading="lazy"
alt="Image Placeholder"
>
&lt;/p>
&lt;h4 id="2-提取依赖关系和流程">2. 提取依赖关系和流程
&lt;/h4>&lt;p>我们要绘制该服务与其他系统的依赖关系图。&lt;/p>
&lt;p>识别故障可能产生级联效应的点是一个关键步骤。&lt;/p>
&lt;p>&lt;img src="https://miro.medium.com/v2/resize:fit:1100/format:webp/1*R1XUUDJvxeIlOziwkIFj1g.png"
loading="lazy"
alt="Image Placeholder"
>
&lt;/p>
&lt;h4 id="3-故障可能性与影响分析">3. 故障、可能性与影响分析
&lt;/h4>&lt;p>我们评估了每个识别出的场景发生的可能性及其业务影响。&lt;/p>
&lt;ul>
&lt;li>
&lt;p>低可能性 / 高影响 → 最关键的场景&lt;/p>
&lt;/li>
&lt;li>
&lt;p>高可能性 / 低影响 → 运营负担&lt;/p>
&lt;/li>
&lt;/ul>
&lt;h4 id="4-混沌监控仪表板">4. 混沌监控仪表板
&lt;/h4>&lt;p>我们要创建一个专用的仪表板来监控测试期间的错误。&lt;/p>
&lt;p>诸如 CPU、内存、Pod 重启次数、错误率和响应时间等指标被实时跟踪。&lt;/p>
&lt;p>&lt;img src="https://miro.medium.com/v2/resize:fit:1100/format:webp/1*h5D-R3PGVntuZYJ6SaC7ig.png"
loading="lazy"
alt="Image Placeholder"
>
&lt;/p>
&lt;p>&lt;img src="https://miro.medium.com/v2/resize:fit:1100/format:webp/1*0WbXFrx5gYvnkboQluAo7w.png"
loading="lazy"
alt="Image Placeholder"
>
&lt;/p>
&lt;p>&lt;img src="https://miro.medium.com/v2/resize:fit:1100/format:webp/1*qTrePPw-i64vBPG-hvahpw.png"
loading="lazy"
alt="Image Placeholder"
>
&lt;/p>
&lt;h4 id="5-预发布环境的准备">5. 预发布环境的准备
&lt;/h4>&lt;p>我们准备了测试环境以使其更类似于生产环境，考虑了像 Pod 数量和多数据中心（MDC）设置等因素。&lt;/p>
&lt;p>此外，我们运行了性能测试以生成人工流量。&lt;/p>
&lt;p>&lt;img src="https://miro.medium.com/v2/resize:fit:1100/format:webp/1*o-MQcyjHbSQaYnjSg3JQxg.png"
loading="lazy"
alt="Image Placeholder"
>
&lt;/p>
&lt;h4 id="6-混沌场景">6. 混沌场景
&lt;/h4>&lt;p>我们将识别出的假设转化为混沌实验：&lt;/p>
&lt;ul>
&lt;li>
&lt;p>Pod 网络丢失（Pod 之间的网络中断）&lt;/p>
&lt;/li>
&lt;li>
&lt;p>Pod 崩溃，内存/CPU 限制压力测试&lt;/p>
&lt;/li>
&lt;li>
&lt;p>增加服务响应时间&lt;/p>
&lt;/li>
&lt;/ul>
&lt;p>&lt;img src="https://miro.medium.com/v2/resize:fit:4800/format:webp/1*b1sA7RPzfFn_znWGDyY0gw.png"
loading="lazy"
alt="Image Placeholder"
>
&lt;/p>
&lt;table>
&lt;thead>
&lt;tr>
&lt;th>&lt;strong>字段 (Field)&lt;/strong>&lt;/th>
&lt;th>&lt;strong>内容 (Content)&lt;/strong>&lt;/th>
&lt;/tr>
&lt;/thead>
&lt;tbody>
&lt;tr>
&lt;td>&lt;strong>假设 (Hypothesis)&lt;/strong>&lt;/td>
&lt;td>当 Pods 应用网络中断时，服务将在混沌期间尝试重启。混沌结束后，应用程序应该能够成功响应请求。&lt;/td>
&lt;/tr>
&lt;tr>
&lt;td>&lt;strong>混沌工具 (Chaos Tool)&lt;/strong>&lt;/td>
&lt;td>Ares（Trendyol 内部工具）/ Litmus&lt;/td>
&lt;/tr>
&lt;tr>
&lt;td>&lt;strong>环境 (Environment)&lt;/strong>&lt;/td>
&lt;td>预发布环境 (Stage)&lt;/td>
&lt;/tr>
&lt;tr>
&lt;td>&lt;strong>爆炸半径/影响范围 (Blast Radius)&lt;/strong>&lt;/td>
&lt;td>我们将对 100% 的相关服务 Pods 应用网络丢失故障类型。&lt;/td>
&lt;/tr>
&lt;tr>
&lt;td>&lt;strong>在团队日历上设置实验时间 (Set Experiment Time at Team Calendar)&lt;/strong>&lt;/td>
&lt;td>我们可以在日历上标记运行实验的时间。这样每个人都会知道这个实验。还可以在团队日历中添加一个 Zoom 会议。&lt;/td>
&lt;/tr>
&lt;tr>
&lt;td>&lt;strong>通知利益相关者 (Notify Stakeholders)&lt;/strong>&lt;/td>
&lt;td>我们通过 Slack 频道通知了可能受影响的利益相关者和直接参与人员。&lt;/td>
&lt;/tr>
&lt;/tbody>
&lt;/table>
&lt;h3 id="意想不到的现实">意想不到的现实
&lt;/h3>&lt;p>测试中最惊人的发现是：&lt;/p>
&lt;p>我们最初认为不关键的一个服务，结果却是客户体验中最重要的组件之一。&lt;/p>
&lt;p>在一个场景中，我们要遇到了一个 5XX 错误。&lt;/p>
&lt;p>由于这个错误，某些需要显示给客户的值无法在屏幕上显示。&lt;/p>
&lt;p>从技术上讲，这个服务看起来“很小”，但从业务角度来看，它产生了重大影响。&lt;/p>
&lt;p>&lt;img src="https://miro.medium.com/v2/resize:fit:1100/format:webp/1*dannrsJGs9tPygImGrAmFw.png"
loading="lazy"
alt="Image Placeholder"
>
&lt;/p>
&lt;p>更重要的是，系统对这种故障没有弹性。&lt;/p>
&lt;p>服务难以恢复，Pod 重启了多次，并且在很长一段时间内无法处理流量。&lt;/p>
&lt;p>在此期间，我们无法向客户显示数值。&lt;/p>
&lt;p>这时，我们意识到：&lt;/p>
&lt;p>即使在混沌场景中，从客户的角度来看，整个系统也不应该失败。&lt;/p>
&lt;p>服务的重要性不应仅由技术复杂性决定，还应由它们对客户体验的影响决定。&lt;/p>
&lt;h3 id="输出与行动">输出与行动
&lt;/h3>&lt;p>混沌测试中最具体的教训：&lt;/p>
&lt;ul>
&lt;li>
&lt;p>&lt;strong>缺少兜底机制。&lt;/strong> 当服务失败时，无法向客户显示替代信息。&lt;/p>
&lt;/li>
&lt;li>
&lt;p>&lt;strong>警报存在缺口。&lt;/strong> 应该为 Pod 崩溃和内存限制激增定义更有意义的警报。&lt;/p>
&lt;/li>
&lt;li>
&lt;p>&lt;strong>应审查资源限制（CPU 和内存）。&lt;/strong>&lt;/p>
&lt;/li>
&lt;li>
&lt;p>&lt;strong>Kubernetes 构建块（存活探针、就绪探针、重启策略）应正确配置。&lt;/strong>&lt;/p>
&lt;/li>
&lt;li>
&lt;p>&lt;strong>风险分析应以客户体验为中心。&lt;/strong> 一个技术上看起来很小的服务，从客户的角度来看可能至关重要。&lt;/p>
&lt;/li>
&lt;/ul>
&lt;h3 id="结论">结论
&lt;/h3>&lt;p>我们的混沌工程经验教会了我们：&lt;/p>
&lt;p>真正的风险有时隐藏在我们预期之外的地方。&lt;/p>
&lt;p>当我们最初认为微不足道的服务无法传递关键信息时，它导致了整个客户体验的失败。&lt;/p>
&lt;p>通过混沌测试，我们要亲身体验了这一现实，并被提醒系统永远不应从客户的角度失败。&lt;/p>
&lt;p>混沌不仅向我们展示了系统在哪里崩溃，还展示了我们在哪里失去了客户。&lt;/p>
&lt;hr></description></item><item><title/><link>https://chengxiaqiucao.github.io/private/%E6%96%87%E7%AB%A0%E6%B8%85%E5%8D%95/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://chengxiaqiucao.github.io/private/%E6%96%87%E7%AB%A0%E6%B8%85%E5%8D%95/</guid><description>&lt;h2 id="草稿">草稿
&lt;/h2>&lt;div class="highlight">&lt;div class="chroma">
&lt;table class="lntable">&lt;tr>&lt;td class="lntd">
&lt;pre tabindex="0" class="chroma">&lt;code>&lt;span class="lnt">1
&lt;/span>&lt;span class="lnt">2
&lt;/span>&lt;span class="lnt">3
&lt;/span>&lt;/code>&lt;/pre>&lt;/td>
&lt;td class="lntd">
&lt;pre tabindex="0" class="chroma">&lt;code class="language-fallback" data-lang="fallback">&lt;span class="line">&lt;span class="cl">TABLE title as &amp;#34;标题&amp;#34;, date as &amp;#34;创建日期&amp;#34;
&lt;/span>&lt;/span>&lt;span class="line">&lt;span class="cl">from &amp;#34;post&amp;#34;
&lt;/span>&lt;/span>&lt;span class="line">&lt;span class="cl">where draft = true
&lt;/span>&lt;/span>&lt;/code>&lt;/pre>&lt;/td>&lt;/tr>&lt;/table>
&lt;/div>
&lt;/div>&lt;h2 id="已发布">已发布
&lt;/h2>&lt;div class="highlight">&lt;div class="chroma">
&lt;table class="lntable">&lt;tr>&lt;td class="lntd">
&lt;pre tabindex="0" class="chroma">&lt;code>&lt;span class="lnt">1
&lt;/span>&lt;span class="lnt">2
&lt;/span>&lt;span class="lnt">3
&lt;/span>&lt;span class="lnt">4
&lt;/span>&lt;/code>&lt;/pre>&lt;/td>
&lt;td class="lntd">
&lt;pre tabindex="0" class="chroma">&lt;code class="language-fallback" data-lang="fallback">&lt;span class="line">&lt;span class="cl">TABLE title as &amp;#34;标题&amp;#34;, date as &amp;#34;创建日期&amp;#34;
&lt;/span>&lt;/span>&lt;span class="line">&lt;span class="cl">from &amp;#34;post&amp;#34;
&lt;/span>&lt;/span>&lt;span class="line">&lt;span class="cl">where draft != true
&lt;/span>&lt;/span>&lt;span class="line">&lt;span class="cl">sort date desc
&lt;/span>&lt;/span>&lt;/code>&lt;/pre>&lt;/td>&lt;/tr>&lt;/table>
&lt;/div>
&lt;/div></description></item><item><title/><link>https://chengxiaqiucao.github.io/private/%E7%BC%93%E5%AD%98/bug_again/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://chengxiaqiucao.github.io/private/%E7%BC%93%E5%AD%98/bug_again/</guid><description>&lt;h1 id="bug的复活被99的团队忽视的质量黑洞">Bug的复活！被99%的团队忽视的质量“黑洞”
&lt;/h1>&lt;blockquote>
&lt;p>&lt;strong>每个Bug都值得一个测试用例，这不仅是原则，更是产品质量的生命线。&lt;/strong>&lt;/p>&lt;/blockquote>
&lt;p>本篇和大家聊一个看似不起眼，却像“黑洞”一样，悄无声息地吞噬着我们产品质量和团队信心的现象——&lt;strong>Bug的“复活”&lt;/strong>。&lt;/p>
&lt;p>你是否经历过这样的场景：&lt;/p>
&lt;p>一个紧张的发版前夜，团队正在做最后的回归测试。突然，一个本应在三个月前就被“修复并关闭”的严重Bug，赫然再次出现在测试报告中。项目经理的脸色瞬间沉了下来，开发人员一头雾水：“这不可能啊，我明明修好了！”而你，作为测试工程师，只能无奈地叹口气，重新打开那个尘封的Bug工单，将其状态从“Closed”改回“Reopen”。&lt;/p>
&lt;p>这一幕，是不是似曾相识？&lt;/p>
&lt;p>我们总以为，一个Bug被修复，就像游戏里的怪物被击败，永远消失了。但现实是，&lt;strong>“百足之虫，死而不僵”&lt;/strong>，如果没有正确的“封印”仪式，这些Bug就会像僵尸一样，会在你最意想不到的时候，从代码的坟墓里爬出来，给你致命一击。&lt;/p>
&lt;p>而那个被我们忽视的“封印仪式”，就是——&lt;strong>为每一个修复的Bug，编写一个专属的测试用例。&lt;/strong>&lt;/p>
&lt;h2 id="修复并关闭就够了吗">“修复并关闭”就够了吗？
&lt;/h2>&lt;p>在大多数团队的工作流中，处理一个Bug的流程通常是“三部曲”：&lt;/p>
&lt;ol>
&lt;li>&lt;strong>发现与报告&lt;/strong>：测试人员提交Bug报告。&lt;/li>
&lt;li>&lt;strong>修复与验证&lt;/strong>：开发人员修复代码，测试人员验证一次修复。&lt;/li>
&lt;li>&lt;strong>关闭归档&lt;/strong>：验证通过，关闭Bug工单，皆大欢喜。&lt;/li>
&lt;/ol>
&lt;p>这个流程看起来高效、闭环，完美无缺。但问题恰恰出在“验证一次”和“关闭归档”上。&lt;/p>
&lt;p>这就像你发现家里有只蟑螂，打死了一只，然后就心安理得地走开了。你没有去寻找它的巢穴，也没有喷洒杀虫剂。结果呢？过不了多久，你会发现更多的蟑螂。&lt;/p>
&lt;p>在软件世界里，&lt;strong>代码的重构、新功能的合并、依赖库的升级，都可能成为那只“蟑螂”的“催化剂”，让被“修复”的逻辑再次失效。&lt;/strong>&lt;/p>
&lt;p>我们把这个现象称为 &lt;strong>“质量债务”&lt;/strong>。每一次你 “修复并关闭” 一个Bug却没有留下守护它的测试用例，就等于欠下了一笔债务。这笔债务不会立刻显示在账面上，但它会不断累积利息，直到有一天，以一个线上P0级故障的形式，让你连本带利地偿还。&lt;/p>
&lt;h2 id="为每个bug设立一个守护者">为每个Bug设立一个“守护者”
&lt;/h2>&lt;p>测试专栏作家&lt;code> Kevin Konda&lt;/code> 提出：&lt;strong>Every Bug Deserves a Test Case&lt;/strong>。我对此深表赞同，并想在此基础上进一步引申：&lt;strong>Bug对应的测试用例，是Bug的“墓志铭”，更是我们代码的“守护者”。&lt;/strong>&lt;/p>
&lt;p>&lt;img src="https://chengxiaqiucao.github.io/private/%E7%BC%93%E5%AD%98/bug_again/-20251016-1_hu_618bde3aec54d53.webp"
width="1024"
height="668"
srcset="https://chengxiaqiucao.github.io/private/%E7%BC%93%E5%AD%98/bug_again/-20251016-1_hu_5040fdc7decbda8e.webp 480w, https://chengxiaqiucao.github.io/private/%E7%BC%93%E5%AD%98/bug_again/-20251016-1_hu_618bde3aec54d53.webp 1024w"
loading="lazy"
class="gallery-image"
data-flex-grow="153"
data-flex-basis="368px"
>
&lt;/p>
&lt;p>想象一下，当我们遵循一个更严谨的流程时，会发生什么：&lt;/p>
&lt;ol>
&lt;li>&lt;strong>发现与报告&lt;/strong>：测试人员提交Bug报告。&lt;/li>
&lt;li>&lt;strong>修复与验证&lt;/strong>：开发人员修复代码。&lt;/li>
&lt;li>&lt;strong>创建“守护者”&lt;/strong>：&lt;strong>测试人员（或开发人员）针对这个Bug的根本原因，编写一个新的、可自动化的回归测试用例。&lt;/strong> 这个用例不仅要验证Bug被修复，更要确保其背后的逻辑在未来的任何变更中都保持正确。&lt;/li>
&lt;li>&lt;strong>链接与归档&lt;/strong>：将这个新的测试用例ID链接到Bug工单上，然后运行完整的回归测试套件（包括新加入的“守护者”）。&lt;/li>
&lt;li>&lt;strong>最终关闭&lt;/strong>：所有测试通过，Bug工单才被真正关闭。&lt;/li>
&lt;/ol>
&lt;p>这个流程多了一步，但这一步，却是从“消防员”思维到“建筑师”思维的转变。&lt;/p>
&lt;p>这个新创建的测试用例，就像一个忠诚的哨兵，日夜不休地守护着那片曾经出过问题的代码疆域。任何未来可能引入相同或相似问题的代码变更，都会被它立刻捕获并报警。&lt;/p>
&lt;p>这不仅仅是防止Bug回归，这更是在为我们的代码库 &lt;strong>“接种疫苗”&lt;/strong>。我们通过一个微小的“病灶”（Bug），找到了系统的免疫缺陷，并针对性地开发了“疫苗”（测试用例），从而让整个系统对这类问题产生了持久的免疫力。&lt;/p>
&lt;h2 id="价值所在">价值所在
&lt;/h2>&lt;p>或许你会说：“道理我都懂，但项目这么忙，哪有时间给每个Bug写测试用例？”&lt;/p>
&lt;p>这正是短视的地方。让我们从不同角色的视角，看看这项投资带来的长期回报：&lt;/p>
&lt;ul>
&lt;li>
&lt;p>&lt;strong>对于测试工程师&lt;/strong>：你的价值不再仅仅是“找Bug的”，而是“构建质量防线的”。你从一个被动的验证者，变成了一个主动的质量守护者。你的工作成果——那些日益壮大的自动化回归测试集——是你专业能力最直观的体现。&lt;/p>
&lt;/li>
&lt;li>
&lt;p>&lt;strong>对于开发工程师&lt;/strong>：你获得了重构和创新的“勇气”。因为你知道，背后有强大的回归测试套件为你兜底。你可以大胆地优化代码结构，而不用担心“牵一发而动全身”，修复一个旧Bug，引出三个新Bug。同时，这个测试用例也成为了最鲜活的“活文档”，清晰地解释了某段代码“为什么这么写”。&lt;/p>
&lt;/li>
&lt;li>
&lt;p>&lt;strong>对于项目经理&lt;/strong>：你获得了更可预测的交付周期。线上紧急Bug的数量会显著下降，版本发布的风险大大降低。团队不再需要把大量精力耗费在无休止的“救火”上，而是可以聚焦于真正创造价值的新功能开发。&lt;/p>
&lt;/li>
&lt;li>
&lt;p>&lt;strong>对于整个业务&lt;/strong>：最终受益的是我们的用户和产品的口碑。一个稳定、可靠的产品，是赢得用户信任的基石。每一次对Bug的彻底“封印”，都是在为产品的品牌价值添砖加瓦。&lt;/p>
&lt;/li>
&lt;/ul>
&lt;p>&lt;img src="https://chengxiaqiucao.github.io/private/%E7%BC%93%E5%AD%98/bug_again/-20251016-2_hu_77e3858dc588f71a.webp"
width="1024"
height="772"
srcset="https://chengxiaqiucao.github.io/private/%E7%BC%93%E5%AD%98/bug_again/-20251016-2_hu_960f5ea6345fdc05.webp 480w, https://chengxiaqiucao.github.io/private/%E7%BC%93%E5%AD%98/bug_again/-20251016-2_hu_77e3858dc588f71a.webp 1024w"
loading="lazy"
class="gallery-image"
data-flex-grow="132"
data-flex-basis="318px"
>
&lt;/p>
&lt;h2 id="如何落地实施">如何落地实施？
&lt;/h2>&lt;p>改变一个团队的惯性并非易事，但我们可以从小处着手：&lt;/p>
&lt;ol>
&lt;li>&lt;strong>从今天开始&lt;/strong>：不要纠结于历史遗留的Bug。从今天起，规定所有新修复的Bug，必须附带一个回归测试用例才能关闭。&lt;/li>
&lt;li>&lt;strong>工具支持&lt;/strong>：在你的缺陷管理工具（如Jira、禅道）中，设置一个必填字段，如“回归测试用例ID”。利用流程来强制执行。&lt;/li>
&lt;li>&lt;strong>拥抱自动化&lt;/strong>：手动测试用例虽然好，但自动化才是发挥其威力的终极形态。利用你的Python技能，结合Selenium、Playwright或Pytest等框架，将这些“守护者”自动化，让它们7x24小时为你站岗。&lt;/li>
&lt;li>&lt;strong>文化宣导&lt;/strong>：在团队内部分享这篇文章，或者组织一次讨论。让每个人都理解“为什么”要这么做，而不仅仅是“必须”这么做。当大家形成共识，文化就建立起来了。&lt;/li>
&lt;/ol>
&lt;h2 id="结语">结语
&lt;/h2>&lt;p>在软件质量的道路上，没有捷径可走。那些看似“高效”的取巧之法，往往通向更深的泥潭。&lt;/p>
&lt;p>直接“修复并关闭”的诱惑很大，但我们必须多做一步。我们应该用一种更专业、更负责任的态度来对待每一个Bug。&lt;/p>
&lt;p>&lt;strong>不要只修复它，要“杀死”它，为它立下“墓志铭”，并派一个“守护者”永远看管它。&lt;/strong>&lt;/p>
&lt;hr>
&lt;h1 id="推荐一个面向测试的开源-ai-提示词收集项目">推荐一个面向测试的开源 AI 提示词收集项目
&lt;/h1>&lt;p>在我们&lt;/p></description></item><item><title/><link>https://chengxiaqiucao.github.io/private/%E7%BC%93%E5%AD%98/qa_in_ai_era/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://chengxiaqiucao.github.io/private/%E7%BC%93%E5%AD%98/qa_in_ai_era/</guid><description>&lt;h1 id="ai时代测试工程师的转型指南">AI时代，测试工程师的转型指南
&lt;/h1>&lt;blockquote>
&lt;p>“糟糕，我的工作就要被AI取代了。”&lt;/p>&lt;/blockquote>
&lt;p>这可能是最近每个测试工程师朋友心头悬着的一把剑。从自动写代码的Copilot，到自动生成测试方案的AI工具，“AI替代”的浪潮正以前所未有的速度席卷整个科技行业。我们这些习惯了&amp;quot;抓虫&amp;quot;的“质量守门员”，似乎正面临着前所未有的身份危机。&lt;/p>
&lt;p>&lt;img src="https://chengxiaqiucao.github.io/private/%E7%BC%93%E5%AD%98/qa_in_ai_era/-20251023_hu_c52e7ad69d87674d.webp"
width="1024"
height="557"
srcset="https://chengxiaqiucao.github.io/private/%E7%BC%93%E5%AD%98/qa_in_ai_era/-20251023_hu_722fe7301ebd7845.webp 480w, https://chengxiaqiucao.github.io/private/%E7%BC%93%E5%AD%98/qa_in_ai_era/-20251023_hu_c52e7ad69d87674d.webp 1024w"
loading="lazy"
class="gallery-image"
data-flex-grow="184"
data-flex-basis="441px"
>
&lt;/p>
&lt;h2 id="点点点到运筹帷幄qa工作模式的变化">“点点点”到“运筹帷幄”，QA工作模式的变化
&lt;/h2>&lt;p>回想一下我们传统的工作模式：产品经理丢来需求文档，我们逐字逐句阅读，然后设计出上百个测试用例，接着在UI上日复一日地“点点点”，确保按钮能点，链接能跳，数据能保存。&lt;/p>
&lt;p>这就像一个技艺精湛的工匠，用放大镜一寸寸检查产品，确保没有瑕疵。我们付出了大量的时间和精力，但大部分都消耗在重复、低效的执行层面。&lt;/p>
&lt;p>而AI的出现，则正在改写这个剧本。&lt;/p>
&lt;p>我们不再是那个埋头苦干的工匠，只需要下达指令，AI这个“超级助手”就能帮你完成这些工作：&lt;/p>
&lt;ul>
&lt;li>&lt;strong>测试用例自动生成&lt;/strong>：把需求文档“喂”给AI，它就能在几分钟内生成覆盖核心功能、边界条件甚至异常场景的测试用例，极速覆盖了手工测试要考虑的大部分场景。&lt;/li>
&lt;li>&lt;strong>智能缺陷分析&lt;/strong>：面对成千上万条日志，AI能迅速聚类、分类，精准定位问题的根源，把Debug从“大海捞针”的痛苦中解放出来。&lt;/li>
&lt;li>&lt;strong>视觉回归测试&lt;/strong>：AI能像“像素眼”一样，自动比对UI更新前后的每一个像素，发现人眼极易忽略的错位、色差、样式丢失等问题。&lt;/li>
&lt;li>&lt;strong>复杂性能测试&lt;/strong>：AI可以模拟成千上万个真实用户的复杂行为路径，进行更贴近现实的压力测试，让系统瓶颈无所遁形。&lt;/li>
&lt;/ul>
&lt;p>所以，当AI接管了“怎么测”的&lt;strong>执行层面&lt;/strong>后，我们的价值重心，也必然要转移到“为什么测”和“测什么”的&lt;strong>战略层面&lt;/strong>。QA不再是Bug的发现者，而是产品质量的诠释人和风险的掌控者。&lt;/p>
&lt;h2 id="ai负责算qa负责断">AI负责“算”，QA负责“断”
&lt;/h2>&lt;p>也许你会问：“AI这么强大，我们还有啥用？”&lt;/p>
&lt;p>这正是问题的关键。AI擅长基于数据和模式进行计算和执行，但它在以下几个核心领域，永远无法替代人类：&lt;/p>
&lt;p>&lt;strong>1. 批判性思维与业务洞察&lt;/strong>&lt;/p>
&lt;p>AI可以生成1000个测试用例，但它无法判断哪个用例对应的业务风险最高。它不知道一个支付流程的Bug，可能导致公司损失百万；也不知道一个注册按钮的失效，会流失多少潜在用户。&lt;/p>
&lt;p>&lt;strong>这种基于商业目标、用户体验和成本效益的优先级判断，是QA工程师最核心的价值。&lt;/strong> 你需要站在全局视角，思考“我们应该把有限的资源投入到哪里，才能最大化地保障质量？”——这是AI算不出来的“断言”。&lt;/p>
&lt;p>&lt;strong>2. 共情能力与用户体验&lt;/strong>&lt;/p>
&lt;p>AI可以检测一个按钮是否可以点击，但它无法“感受”到一个用户在连续三次操作失败后，内心的抓狂和沮-丧。它无法理解一个看似合理的流程，对于新手用户来说是多么的复杂和不友好。&lt;/p>
&lt;p>&lt;strong>质量，从来不只是功能的正确性，更是体验的愉悦性。&lt;/strong> 作为QA，我们是用户的“代言人”，我们需要用共情心去“使用”产品，发现那些冰冷的自动化脚本无法触及的“体验之伤”。&lt;/p>
&lt;p>&lt;strong>3. 创造力与探索性测试&lt;/strong>&lt;/p>
&lt;p>AI在规则明确的场景下所向披靡，但它缺乏人类的“好奇心”和“破坏欲”。我们常常会做一些“出格”的测试：在输入框里写诗、在注册时用特殊字符、在网络极差的情况下反复提交订单……这些看似“无厘头”的操作，往往能挖出最隐蔽、最致命的Bug。&lt;/p>
&lt;p>&lt;strong>这种跳出框架、天马行空的探索性测试，是人类创造力的体现，也是AI的盲区。&lt;/strong>&lt;/p>
&lt;p>&lt;strong>4. 沟通、协作与领导力&lt;/strong>&lt;/p>
&lt;p>质量不是QA一个部门的事，而是整个团队的共同责任。QA工程师需要与产品、开发、运维等各个角色紧密沟通，将质量理念贯穿于产品生命周期的每一个角落。你需要去说服、去协调、去推动，成为团队中那个最坚定的“质量倡导者”。&lt;/p>
&lt;p>&lt;strong>复杂的人际互动和影响力，是AI无法企及的软技能。&lt;/strong>&lt;/p>
&lt;h2 id="拥抱变革未来已来qa工程师的升维指南">拥抱变革，未来已来：QA工程师的“升维”指南
&lt;/h2>&lt;p>时代的车轮滚滚向前，与其焦虑被取代，不如主动拥抱变化，完成自我的“升维”。未来的顶尖QA工程师，一定是“人机合一”的复合型人才。&lt;/p>
&lt;ul>
&lt;li>&lt;strong>学习与AI“对话”&lt;/strong>：掌握提示词工程是你的第一课。学会如何清晰、精准地向AI描述你的需求，让它成为你最得力的助手。&lt;/li>
&lt;li>&lt;strong>理解AI的基本原理&lt;/strong>：你不需要成为算法专家，但需要了解机器学习、自然语言处理等基本概念。这能帮助你更好地选择和使用AI工具，并理解其局限性。&lt;/li>
&lt;li>&lt;strong>深耕业务，成为领域专家&lt;/strong>：当技术门槛被AI拉平时，对业务的理解深度将成为你最强的护城河。懂金融、懂电商、懂社交……你的业务知识越深厚，你的战略价值就越高。&lt;/li>
&lt;li>&lt;strong>强化数据分析能力&lt;/strong>：AI会产出海量的测试数据，如何从数据中洞察趋势、发现问题、驱动决策，是你必须掌握的新技能。Python等数据分析语言将是你手中的利器。&lt;/li>
&lt;li>&lt;strong>刻意练习软技能&lt;/strong>：多参与跨部门会议，尝试在团队中承担更多沟通和协调的角色。你的影响力，将直接决定你的职业高度。&lt;/li>
&lt;/ul>
&lt;h4 id="结语">&lt;strong>结语&lt;/strong>
&lt;/h4>&lt;p>AI时代的到来，对测试工程师而言，不是末日，而是一次前所未有的机遇。它把我们从重复劳动的枷锁中解放出来，让我们有机会去从事更具创造性、战略性和影响力的工作。&lt;/p>
&lt;p>我们不再是流水线上的质检员，而是产品质量的“总设计师”，是用户体验的“守护神”，是团队高效协作的“催化剂”。&lt;/p>
&lt;p>所以，无需恐慌，从现在起，把AI看作自己的“超级副驾”，去学习它，驾驭它，然后，回归我们价值最大的地方，去发现风险，去真正为质量保驾护航。&lt;/p></description></item></channel></rss>