测试阻碍交付,如何破解这一难题?

DevOps 的目标是以更快的方式交付软件。如今,越来越多的企业正努力通过 DevOps 实践提高生产力,加快发布周期。然而在DevOps 实践中,开发人员专注于功能创建,而业务领导者则专注于交付,测试的重要性常常被忽略。这就导致,虽然交付过程的其他方面得到了简化和加速,测试却成为了软件交付的瓶颈。

软件交付的最大阻碍

GitLab 曾经发起一项针对开发者和工程师的调查。调查发现,有 52% 的受访者认为,与开发过程的其他部分相比,测试造成的延迟更多。

DevOps Review 也得出了相同的结论,63% 的受访者表示,“测试”是导致软件延迟交付的第一大因素。该调查主要针对实施 DevOps 企业的 IT 部门领导者。第二大阻碍软件交付的因素是“计划”,不过只有 32% 的受访者如此认为,远远低于站队“测试”的人群。

软件生产过程中的主要障碍在哪里?

为什么测试是一个如此可怕的瓶颈? 测试咨询公司 Tricentis 的创始人 Wolfgang Platz 经过调查后,总结了以下原因:

  • 绝大多数测试(超过 80%)仍然是手动执行的——在大型企业中甚至更多。
  • 正在构建、维护和执行的测试用例中,大约 67% 是多余的,对工作没有任何价值。
  • 在具有重要测试自动化的企业中,测试人员将 17% 的时间用于处理误报,另外 14% 的时间用于额外的维护任务。
  • 超过一半的测试人员每周花费 5 到 15 个小时处理测试数据(数据的平均等待时间约为2 周)。
  • 84% 的测试经常因测试环境访问受限而延迟,测试环境的平均等待时间为32天。
  • 从开始到结束——包括计划、实施和测试,执行回归测试套件平均需要 16.5 天,但敏捷冲刺平均需要两周时间。
  • 现在,被测应用程序平均与 52 个相关系统交互——这意味着单个端到端事务可以跨越从微服务和 API 到各种移动和浏览器界面、打包应用程序(SAP、Salesforce、Oracle、ServiceNow…… )、自定义/遗留应用程序和大型机。

如何破解测试难题?

随着软件发布变得越来越频繁,采用传统的测试方式已经跟不上开发节奏。企业应该怎么做,才能确保,测试不是软件交付的瓶颈,而是更快的催化剂。

Forrester 的一项研究发现,成功实践 DevOps/敏捷开发的企业,有一些共同点,比如通过自动化端到端功能测试等方式将软件测试转变为持续测试。还有很关键的一点是,它们会对关键测试和 QA 流程,如测试用例设计、功能测试、测试数据管理等,进行高度自动化。

这些企业证实了,有效、连续、自动化的测试方式要遵循这几大要点:

(1)尽早介入测试

测试或软件 QA,一直以来都是软件交付难题的最后一部分。在发布周期结束时测试和发现错误是常态。但这带来了问题,因为间隔了一段时间后,开发人员可能不记得问题出现的背景,修复这些缺陷、改变设计和重新开发功能会导致更多的时间花在重新测试和回归负载上,造成开发效率低下。因此,在软件开发的的各个阶段,越早进行测试,就能越早发现错误并且修复它们。测试带来的反馈还可以帮助开发流程向前推进。

(2)测试用例自动化

在 PractiTest 和 Tea-Time with Testers 最近的一项调查中,软件测试团队发现,过去已经足够好的手动流程已经跟不上交付步伐。尽管 85% 的受访者表示他们的公司使用自动化,但只有 19% 的受访者在超过 50% 的测试用例中使用自动化。

如果出现测试任务耗时、重复、停机时间长,人工测试容易出现错误,需求、测试或任务风险低、稳定等情况,测试用例应该自动化。

不过要注意,在测试用例自动化过程中,单元测试应该放在首位,其次是集成测试和功能测试。因为单元测试是最快的测试方法,更容易调试,修复成本很低,因此把单元测试作为自动化的最高优先级。而集成测试主要测试接口或模块,能够提供反馈,确保一切都按预期工作,放在第二位。

(3)回归测试自动化

回归测试意味着软件测试可以验证最近的更改——无论是程序还是代码——没有对软件的现有功能产生负面影响。利用测试自动化和持续测试工具来完成回归测试,可以让团队专注于新功能以及创新。在流程的早期揭示缺陷,可以降低风险以及开发人员修复它们所需的时间。

很多的回归测试自动化工具都可以跨 Web、移动、桌面、大型机、ERP、相关模拟器等进行测试,可以轻松添加或更新测试用例,快速运行端到端回归测试,缩短测试周期、满足最后期限和减少所需资源,同时提高软件可靠性,为公司带来巨大优势。

(4)做好测试数据管理

测试数据很重要,因为整个测试套件(包括手动测试和自动化测试)中的各种测试都需要测试数据。良好的测试数据可让验证常见或高价值用户转化历程、测试边缘用例、重现缺陷以及模拟错误。由于测试自动化可以更快、更频繁地执行测试,因此团队还必须拥有工具来管理所创建的大量数据。 

工具或平台必不可少

利用特定的工具实现测试自动化是必不可少的。这个工具可以是一个简单的测试框架,比如 Jest,也可以是一个特殊的软件框架,比如 Selenium,甚至可以是一整个平台——它可以帮助你完成你所想要做的一切。

一个好的工具会告诉你,自动化测试并没有那么难。近期,飞算发布了飞算SoFlu全自动测试平台,该平台有三大功能特性:

1.测试生命周期管理。它提供测试用例管理、测试用例评审、测试计划跟踪和测试报告生成等测试生命周期管理相关功能;

2.测试数据管理。全自动测试平台基于测试脚本与测试数据分离的思路,方便研发测试协同、方便自动化测试中的测试数据使用,支持 UI、接口等自动化工具快速可重复地使用;

3.精准回归测试。它在项目测试时,可以自动识别所有变动的接口,自动查找接口关联的所有测试用例,进行精准回归测试。

曾经,飞算云智总裁陈定玮对测试耗时长深有感触:“以前,我们公司流传过一句话:开发多久,测试就要多久。如果开发三个月,那么测试就要三个月。这样,半年就过去了。因此,整个成本非常高。并且产品、开发和测试人员的思维模式和视角不同,沟通难度不小,最终搞得大家怨声载道。"

现在,他带领团队开发的自动化测试平台几乎解决了测试中遇到的大部分问题。

比如,在进行性能则试前,必须先做好性能测试的搭建工作,一般包括硬件环境、软件环境及网络环境,这往往需要配置和开发工程师来协助完成。而在飞算SoFlu全自动测试平台,仅需要一个测试人员,即使是一个新手,也完全可以搞定,因为资源池具备支持虚拟机模式,测试人员可以自己搭建虚拟机环境,在平台上通过选择虚拟机的类型来对接口进行性能测试。

测试是软件开发生命周期的重要组成部分,测试“托后腿”折射出来的,可能是整个开发过程的管理问题。

飞算也看到了这一点,因此,不仅开发了全自动测试平台,还推出了全自动开发平台,未来还将推出全自动运维平台,它们将共同组成飞算 SoFlu 全自动软件工程平台。通过飞算 SoFlu ,可以管理从需求、研发、测试、部署、上线到运维的整个软件生命周期,真正实现了软件工程开发、测试、运维全流程自动化。 

相关推荐

Spring Boot 4.2 刚 GA,4.0 就停维护:这轮升级别裸迁,AI 先替你踩一遍雷

Spring Boot 4.2 GA将于11月底发布,4.0开源支持将于12月31日终止。团队需在年底前完成升级或转入商业支持。升级关键在于更新依赖、迁移配置、替换废弃API,尤其需新增“盘点AI生成代码的API版本”项——因训练语料滞后,AI生成代码常含旧版API,易引发编译与运行时问题。建议先编译排查报错,再结合产物记录与Code Review定位混用点,形成清单以备后续升级。借助文档与模型流程对齐,确保新代码与工程版本一致。两笔账(依赖+AI代码)同步清,可大幅降低回归成本,实现平稳升级。

CalEx_Tech的博客 277

前后端两个仓库的痛,三年开发最懂:为什么 2026 年你需要一个 Workspace

说回开头那个"隐形工时"的话题。我算了这样一笔账:一个需求,前后端联调平均消耗 2 小时;一个月 10 个需求,就是 20 小时;一年就是 240 小时,几乎等于 6 个完整的工作周。而这些时间,既没有沉淀成代码,也没有沉淀成文档,全浪费在"两边的信息没对上"上。Workspace 多项目支持真正解决的,不是写代码的速度,是信息对齐的成本。它让 AI 编程工具从"单仓库的代码补全器"变成了"懂整个业务链路的协作者"——你给它一个窗口,它看到的是从前端页面到后端接口的完整链路。

CalEx_Tech的博客 458

线上排错实录:日志、堆栈、代码一起丢给 Kimi,定位快在哪

结论前置:线上排错慢,多数时候不是思路不清,而是信息散——异常堆栈在控制台,相关代码在工程里,上下游日志在别的服务。人肉排查就是在三个信息源之间来回切换,每切一次就丢一截刚建立的因果链。把日志片段、可疑类源码、启动配置一次性交给长上下文……

CalEx_Tech的博客 508

大模型选型不是玄学:手把手算清AI编程的Token成本账

成本核算搭起来两小时,之后每月复盘十分钟。它带给你的不只是省钱,更是"哪类任务交给哪档模型"的量化直觉。你的团队算过AI编程的账吗?有没有发现过反直觉的成本数据?评论区见。

CalEx_Tech的博客 849

从需求文档到接口设计:飞算JavaAI+Kimi驱动的Java后端全流程提效

上周三下午三点,产品把一份12页的PRD拍到我桌上:《营销优惠券发放功能》,下周一提测。放到去年,我的第一反应是先叹口气——吃透需求、建表、定接口、撸骨架、写联调文档,一切顺利也要三天。这次我把整条链路放在飞算JavaAI上跑了一遍,模型接的是Kimi-K3,周四下午骨架就给同组的兄弟过了一遍。这篇复盘把每个环节的耗时、token消耗、人工改动占比都记下来,给准备做同类尝试的同学一个可对照的基线。

CalEx_Tech的博客 467

Kimi 三款模型写代码该选谁?一篇文章全明白!

选Kimi写代码,三模型各有定位:K3广度强、长上下文优;K3.1-Pro执行力与可靠性跃升,幻觉率低,但输出冗长、耗时耗能;K3-低速为同一模型的调度降级版,仅延迟换取成本,无能力损失。关键不是倍率,而是输出token量×单价——K3.1-Pro虽贵,却在复杂任务中省去人工纠错成本。若追求效率与稳定,选Pro;若可容忍等待且重性价比,低速是唯一无损省钱方案;若只需基础编码,原版K3已足够。

CalEx_Tech的博客 648

前后端分离三年,我为什么把两个项目塞进同一个 Workspace?

本文探讨前后端分离项目中因代码割裂导致的开发效率低下问题,提出通过 IntelliJ IDEA 2025.2 及 Multi-Project Workspace 插件,将前后端项目纳入同一工作区,实现“一个指令、双端同步修改”。文章详解配置流程、实操效果与真实迭代对比,揭示其在减少上下文切换、避免返工、提升联调效率方面的显著价值,并区分多项目支持与多模块、Monorepo 的本质差异,为前后端独立部署、需频繁协同的团队提供高效协作新范式。

CalEx_Tech的博客 571

22 小时不睡觉把 GPU 内核推到 508 TFLOPS,AA 指数却只有 44:Step-5-Preview 的 0.5× 买的是续航不是智商,那 42% 便宜只够多试 1.74 轮

—前者对应 SRE 0.4%,后者虽然 CyberGym 84.7% 很高,但"越权 + 反序列化"这种需要业务语义判断的场景,它的强项用不上。

CalEx_Tech的博客 667

DeepSeek V4 四款模型写代码该选谁?算完 2.0×、1.0×、0.5× 这笔账,结论有点反常识

右边跟着两列数字——原价倍率与折后倍率。很多人凭直觉选「Pro」,因为 Pro 听起来更贵更强;也有人随手选最便宜的 Flash,觉得写代码都差不多。这两种选法都会亏钱,而且亏的方式不一样。;而。

CalEx_Tech的博客 1045

MiniMax-M3 折后只剩 0.15×,是整张模型表里最便宜的一格——可它在官方榜上 59%、在别人的终端 harness 上只有 1.01%,这一格到底该派什么活

既省钱,又避免长上下文里注意力稀释。

CalEx_Tech的博客 499

Qwen3.8-Max 0.5× 对 Flash 0.15×,倍率只差 3.33 倍,官方价差却是 15 倍——这张表在补贴旗舰、溢价轻量,多数人恰好选反了

Max 的"开源"是姿态,Flash-Next 的"开源"是可以落地的方案——125B/6B 激活这个体量,在合理量化下是几台机器能装下的量级。这是本系列所有模型里,自托管可行性最高的一档。

CalEx_Tech的博客 711

一个指令,前后端同步开发:刚提完需求,两端代码一起落地的真实体验

以前开发跨端需求是"等着别人/另一端的代码",现在变成了"验收两端一起生成的代码"。变化不是"从写代码变成不写代码",而是工作重心从"转译需求 + 对齐口径"转移到了"审核生成、把关边界、验回归"。后者是更接近工程本质的工作。如果你也是前后端分仓库、一个人扛需求、或者整天被联调折磨,建议按上篇文章的步骤把 Workspace 搭起来,拿一个真实的筛选类需求试一次。跑通之后你就会发现,以前最花时间的"联调对齐",变成了生成时就完成的事。

CalEx_Tech的博客 870

一篇文章说清楚,模型该如何选

飞算JavaAI 的模型选择框,这次被完整截了下来。17 行,5 个厂商,每一行都是「原价划掉 → 实收价」的格式,后面挂一个小小的角标。先看三个一眼能看出来的东西。四个 0.15×(GLM-5.3-Flash、MiMo-V2.6-Flash、MiniMax-M3、Qwen3.8-Flash),两个 0.2×(两个 DeepSeek Flash),保留率清一色落在 15%–20%。这不是巧合,是标准定价策略——轻量层不靠折扣区分,谁打折都一样深。

CalEx_Tech的博客 610

AGENTS.md 里塞一句话,AI 九成会照做:先查你仓库里这几个文件

安全公司ForeverSecurity披露,智能体因读取恶意指令文件(如AGENTS.md)导致高复现攻击风险,暴露了代码生成链路中“说明文件即入口”的安全隐患。攻击者可伪装合法提交,绕过审查,使智能体执行恶意操作。行业应对方向为前置防护:厂商推沙箱与政策钩子,团队则需构建自身控制面——通过扫描、单元测试验证及流程化验收,确保产物可运行、可追溯。关键在于将安全检查嵌入开发流程,实现“三步走”:文件进Review、改动跑用例、上线前扫漏洞。唯有双层护栏协同,才能真正封堵此类低门槛高风险攻击。

CalEx_Tech的博客 5

61%的企业开源账单流向Kimi、Llama只剩7%:中国模型赢下份额战,Java团队该跟着换吗

2026年企业AI报告显示,中国模型占企业开源支出89%,Kimi以61%份额领先,但榜单第一不等于Java场景最优。通用模型在代码补全、依赖管理等实战中存在颗粒度、上下文成本与安全边界三大落差。真正决定效率的是工具层:是否理解工程结构、能否智能控费、是否支持本地化部署。选型应聚焦“认不认得我的工程”“账单可不可控”“代码出不出域”三大问题,而非盲目追随份额。

CalEx_Tech的博客 71

代码生成不是终点:飞算JavaAI + Kimi 的“生成-验证”闭环实践

AI 生成代码最常见的翻车姿势,不是编译报错,而是“编译干净、自测全绿、一上预发就崩”。我用飞算JavaAI(飞算科技面向 Java 开发者的 IDE 插件)搭配 Kimi 系模型跑了几个月,被坑过也验证过,结论收敛成一句话:生成质量取……

CalEx_Tech的博客 376

一千多美元、两周时间,智能体偷走苹果签名证书和19万游戏凭证:AI干活的安全账,谁来记

智能体攻击成本降至千元级,4小时完成入侵,企业修复却需43天。一例攻击中,自主智能体两周内窃取苹果证书与19万游戏凭证,暴露凭据管理、代码路径与工具安全漏洞。对Java团队,四条防线亟需建立:凭据轮换、投毒文件审查(如AGENTS.MD)、代码本地化处理、全程操作审计。安全不再依赖技术高墙,而取决于响应速度与流程闭环。

CalEx_Tech的博客 556

Cursor 发布 Build Live Apps:AI 写完代码之后,到上线还有几步

本月AI编码工具竞争焦点从代码生成转向生成后链路承接。Cursor打通建库、登录、安全检查到发布的全流程,实现一键上线;Copilot与Anthropic强化本地沙箱与前置审查,提升安全性。对多仓库企业系统而言,关键在于前后端接口对齐——飞算JavaAI通过多项目工作区实现跨仓库同步修改,变更可见、提交独立,大幅减少沟通成本。工具选型应匹配项目形态:单仓库选全链路工具,多仓库则优先支持协同编辑与变更可视化的方案。试用小需求即可验证工具适配性,真正高效的是“改哪看哪”的透明化协作。

CalEx_Tech的博客 307

思考过程看得见、中断后一键续跑:当AI编程工具开始「晒思路」,Java开发者该怎么验收

飞算JavaAI发布新版本,新增智能会话思考内容展示、任务中断后“继续生成”按钮、容错优化及IDEA卡顿治理,配合Tokens福利中心与邀请有礼功能,推动AI编程从“黑盒执行”走向“透明协作”。通过“晒思路”,开发者可实时掌握智能体决策逻辑,实现任务可追溯、可干预、可续跑。尤其在Java场景中,深度理解代码结构与工程约束的思考内容,成为可信交付的关键。结合Cursor实时语音交互,两大工具共同指向同一趋势:下一阶段竞争核心是过程透明与可控性。真正可靠的AI助手,不在于快,而在于讲得清、错得起、停得下。

CalEx_Tech的博客 204

不用再手动开线程、主Agent自己拆任务派活:多Agent编排卷到「说目标」这一层,Java团队怎么接

Amp与Meta同步推出Spaces,标志着多Agent编排从“谁开更多线程”转向“谁替你管线程”。开发者不再手动调度,而是通过清晰描述目标,由主Agent自动拆解任务、协调并行线程,并以实时卡片反馈进展。对Java团队而言,关键在于:提供完整工程上下文、写清目标、确保过程可观测。工具迭代不停,但“懂工程”与“会说目标”才是核心竞争力。

CalEx_Tech的博客 420

AI估值一天缩水千亿、编码客户被报九成折扣:资本降温之后,Java团队的Token账怎么省

资本降温下,AI估值缩水千亿,企业开始严控Token开支。智能体时代三大隐性成本:上下文膨胀、重试开销与并发消耗,并提出四条省钱策略:智能路由降本69.4%、可视化消耗追踪、会话压缩防浪费、统筹福利额度。工具机制与使用习惯双管齐下,让每枚Token都产出价值,实现预算内效率翻倍。

CalEx_Tech的博客 174

ChatGPT封号潮之后:AI编程这笔账,还有一块在订阅费外面

产物落在仓库,账号那头就轻了。对话记录没了,需求为什么这么定,docs/ 里的文档写着;提示词调没了,接口约定在文件里,下游照读不误。新人接手,翻 docs/ 就能上手,交接不拄任何人的账号还活着。封号潮里最疼的是「说没就没」,落成文件的产物没有这个死穴:换台机器、换个账号,工程克隆下来,文档和代码还是配套的,接上就能继续干。复盘也省事:哪次改动为什么这么定,翻文件就有,不用去问当年的会话还在不在。第三问是验证谁兜底。生成的代码不直接进仓库。

CalEx_Tech的博客 120

Java 超过 C++ 重回第三:TIOBE 11 月榜,后端的热度回来了

11月TIOBE榜单显示,Java搜索热度回升至第三,超越C++,反映其在企业级后端的持续影响力。尽管热度不等于岗位或装机量,但Java生态成熟、需求稳定,支撑其长期竞争力。AI辅助开发虽提升编码效率,却加剧了对齐与文档的依赖。飞算JavaAI通过智能生成并沉淀需求、接口、库表等产物至docs/,实现流程留痕,提升协作效率与项目稳定性。真正决定项目成败的,不是语言排名,而是工程产出是否完整可追溯。

CalEx_Tech的博客 157

AI 编程工具怎么选?写给 Java 开发者的七款主流工具盘点

2026年AI编程工具分工明确,按形态可分为四类:AI原生IDE(如Cursor、TRAE)、插件型(Copilot、通义灵码、CodeBuddy)、终端智能体(ClaudeCode)与垂直工程化工具(如飞算JavaAI)。选工具关键看“交哪段活”:补全提速用插件,原型开发选原生IDE,批量任务用终端工具,而Java企业级工程从需求到落地全程管控,需依赖飞算JavaAI这类垂直工具。核心三问:认不认工程、产物落不落仓库、验证谁兜底。不盲目跟风,对号入座才是高效之法。

CalEx_Tech的博客 176

个人Claude Code账号连上国防部系统、Aoki木马专偷AI工具密钥:10月底四起事件接连曝光,你的代码和凭据到底去了哪

10月底四起事件暴露编程智能体权限失控危机:国防系统被个人账号外传、Copilot读取私钥目录、插件擅自上传提示词、Aoki木马窃取API密钥。根源在于智能体能力扩张远超权限管控。MIT呼吁实时监控替代事后审计。企业应立即盘点工具、最小化权限、治理凭据、管好提示词、部署实时叫停机制。飞算JavaAI提出本地化方案,代码全程不离域,从架构上杜绝数据泄露风险,是应对智能体安全挑战的确定性路径。

CalEx_Tech的博客 308

Stack Overflow 调查:AI 写的代码,熟悉领域 67% 敢用,陌生领域 56%

后端开发者跨领域到前端时,因缺乏验证手段而对AI生成代码信心不足。StackOverflow调查揭示:熟悉领域中67%愿用AI,陌生领域降至56%,核心在于“验证成本”——后端经验可快速判断代码质量,而前端则无此能力。关键解法是建立契约:通过预先定义的接口文件(如飞算JavaAI实现),让前后端以统一契约为尺,无需精通对方领域即可验证对错。这将“学完再做”变为“先对契约、边做边学”,降低跨域门槛。工具不解决所有问题,但能将信任从“个人经验”转向“可衡量的契约”,让56%的犹豫逐步回升。

CalEx_Tech的博客 413

万亿参数权重开放下载、评测榜六成换私有题、编码客户被报九成折扣:模型越出越多,Java团队到底该信谁

10月,Mistral开放万亿参数模型LeChonk,OpenAI降价抢用户,ArtificialAnalysis升级评测体系,模型供给空前充裕。面对“信不过榜单、信不过旗舰、信不过数据流”的三重挑战,Java团队需构建“可自测、可编排、可私有”的选型框架。飞算JavaAI聚焦本地化、智能路由与专有训练,以工程实效替代参数竞赛,真正实现“不追最大,只懂最深”。

CalEx_Tech的博客 187

AI 编程提效多少?METR 自评快 20%,秒表慢 19%

2025至2026年,METR两轮实验揭示AI提效难题:随机对照显示用AI反慢19%,但开发者自评提速20%;后续问卷更显矛盾——自评提效达2-3倍,但实际数据不可靠,因参与者藏任务、报酬降、多智能体干扰。关键问题在于:体感快源于生成即时,而验证、返工等“隐形耗时”无人记账。调查显示96%不信任AI代码,仅48%复核,改写率升39%。真正可衡量的是产物落地——如飞算JavaAI将需求、设计、测试等沉淀于Git仓库,形成可追溯的底稿。

CalEx_Tech的博客 310

TRAE宝把助理拆成两层、跨项目记忆告别重复「入职培训」:这道坎,Java工程的调用链过得去吗

字节TRAE宝上线“全局+项目”双层助理,解决开发者重复交代背景痛点。全局助理统筹跨项目记忆,项目助理自动拆解任务并行推进。但跨项目记忆难点在于“记什么粒度”——Java工程需记住调用链、规范与历史决策,仅靠对话记录不足。飞算JavaAI另辟蹊径,以代码语义索引为记忆载体,支持多项目协同、智能路由与目标驱动指令,真正实现“懂工程”的智能辅助。

CalEx_Tech的博客 325

Spring AI 2.1给工具调用装上「人工确认」、会话记忆支持分支隔离:企业Agent系上安全带,IDE这一侧该做什么

SpringAI 2.1.0-RC1引入Session会话记忆与Human-in-the-Loop机制,解决上下文截断与高危操作失控问题,实现多Agent分支隔离与可审计的决策链。与此同时,飞算JavaAI在IDE端通过中断条件、容错重试与Token可视化,补全生成过程的可控性与透明度。框架与工具层协同构建智能体安全闭环,企业级应用需兼顾“安全带”与“仪表盘”,方能从演示走向生产。

CalEx_Tech的博客 268
上一篇: 2022年之前,你不得不了解的一些 DevOps 趋势
下一篇: DevOps 需要更多的自动化
飞算JavaAI智能体
飞算JavaAI智能体 飞算官方账号 飞算官方账号
博客等级 码龄6年 2333粉丝 1744原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值