墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
400+累计阅读
472平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
1分工测，几个人测试一块功能
2不全部测，只测试那些很常用的重点功能
3不要电话、QQ、邮件来报告给单独的开发人员，给我一个人发就可以了，我来判断衡量安排。也不要随时报告。每天下班的时候来统一发送，由各个测试小组的负责人来汇总自己组内的测试，并且把重复的问题合并掉
4每个测试小组的每天的测试报告要连续在一起，不要今天发今天的测试EXCEL，明天是明天的测试EXCEL，这样没有连贯性
5每个问题，要标好功能模块，有测试人，有测试版本号，有测试时间，有测试操作过程，有测试输入数据，有报错截图
6先测试正常的数据输入，正常的操作流程，是否能全部流程走通，是否数据保存正常，是否保存后的数据还能正确的取出来。那些临界条件测试先不要做。对于功能不易操作、界面不好看、起的窗口标题是否得当，字体是否加粗这些需求不要提。咱们目前阶段的重点是测试问题，不要把需求和找问题混在一起。
Linux 音频驱动(六) ALSA音频驱动之PCM Write数据传递过程
目录1. 前言2. PCM Data Flow3. 总结 1. 前言 本文，我们将以回放（Playback，播放音频）为例，讲解PCM Data是如何从用户空间到内核空间，最后传递到Codec。 在Linux 音频驱动(一) ASoC音频框架简介中，我们给出了回放（Playback）PCM数据流示意图： 对于Linux来说，由于分为 user space 和kernel space，而且两者之间不能随便互相访问。因此用户如果播放音频，则需要调用copy_from_user()将用户数据从user spa
模型之外的那套装置：用 AI harness 完成一个三端同步应用
AI harness 指模型之外、让模型能持续产出可交付软件的全部工程装置。本文把它称作"支架"。它由五层构成：输入层规定模型读什么，反馈层规定模型怎么知道自己错了，观测层把界面与设备状态变成可读事实，记忆层让跨会话不失真，边界层规定哪些动作不许模型自行作出。支架的价值在六天里可以直接计量。
智能网联汽车电子电气架构（下）
从资产的表现形式， 可以分为数据、 软件、 硬件、 服务等， 而从需要保护的业务过程和活动、 所关注信息的角度， 资产类型可包括基于 ECU 的控制功能、 与特定车辆相关的信息、 车辆状态信息、 用户信息、 配置信息、 特定的软件、 内容等。面向新一代 EEA 的安全需求， 基于芯片提供的 OTP， 或SHE\HSM 的安全存储能力， 实现系统关键数据（身份、 密钥等关键信息） 的安全存储， 保证系统的关键数据不被盗取、 破坏、 改写。结合攻击者的动机与识别出的系统用例， 分析对汽车电子系统可能的攻击。
如果用pytest命令启动测试脚本有哪些方法和参数呢？请详细解析
pytest的命令行启动非常灵活，它围绕“”、“”和“”三个核心维度，提供了一套强大的参数体系。
NCBI|叶绿体基因组数据上传
叶绿体基因组NCBI上传 小编最近在NCBI上传了好几次数据…想着可以把具体的上传步骤写下来，供大家参考。以下是叶绿体基因组的上传示例，大家可以瞅瞅 图片 准备工作 1.登录NCBI官网：https://www.ncbi.nlm.nih.gov/， 依次点击“sign in to NCBI”——“See more 3rd party sign in options”——搜索“Microsoft live.com”。 ”sign in to NCBI“ ”See more 3rd party sign i
VS2022下C# WPF项目一键打包成独立exe的完整指南
本文提供了一份在Visual Studio 2022中将C# WPF项目一键打包成独立可执行exe文件的完整指南。通过配置项目属性、启用单文件发布和自包含模式，开发者无需依赖第三方工具，即可生成可在未安装.NET运行时的电脑上直接运行的独立程序，极大简化了桌面应用的分发流程。
附录一源码阅读路线与断点索引
本索引固定于Boot 3.5.7与Framework 6.2.12。先选择要解释的现象，再打开对应源码。表中观察对象是逻辑名称，不保证在所有重载中都是同名局部变量。抽象接口和注解用于阅读契约，不提供可执行方法体断点。
华为路由器静态路由配置实战：从零搭建企业级网络环境（含常见错误排查）
本文以真实企业组网案例为基础，详细解析华为路由器静态路由的实战配置流程。内容涵盖从网络拓扑规划、IP地址分配到具体的`ip route-static`命令配置，并重点讲解了缺省路由、浮动路由等进阶应用。文章还提供了系统化的排错指南，帮助网络工程师规避回程路由缺失、子网掩码错误等常见问题，是掌握企业级网络搭建与维护的实用指南。
软件测试用例模板怎么写：从用例设计到执行记录的全套指南
测试用例是测试工作的核心产出，它决定测试覆盖了多少、漏掉了什么。但大多数人的测试用例写得像流水账——只有正常路径，没有异常场景；只有操作步骤，没有预期结果；只有功能测试，没有非功能测试。本文拆解测试用例的标准结构，说明每个字段的含义和写法，给出覆盖功能测试、性能测试、安全测试的完整用例范例，并列出测试用例设计的五个高频遗漏点。
折叠式共源共栅放大器设计/备忘
w折叠式共源共栅基本结构如图
广联达Linkworks ArchiveWebService XML实体注入漏洞复现
广联达 LinkWorks /GB/LK/Document/ArchiveService/ArchiveWebService.asmx接口处存在XML实体注入漏洞，未经身份认证的攻击者可以利用此漏洞读取系统内部敏感文件，获取敏感信息，使系统处于极不安全的状态。
大型高复杂度互联网项目管理经验心得
复杂项目，管理的核心不是管人，而是管理依赖和变更简单项目重点是排任务、盯进度；多端多关联系统的大型项目，大部分延期、故障根源都来自依赖失控、变更失控。项目经理首要工作是把看不见的依赖显性化，把随意变更变成受控变更，而不是单纯催开发进度。分批上线不是降低标准，而是拆分风险，小步可控很多人觉得分批上线麻烦，希望攒到一起发布。但集中上线会把所有风险集中在同一个窗口，一旦出问题，排查范围巨大、影响面广。分批发布本质是风险隔离，每一批只承载有限的变更，出问题更容易定位、回滚、止损。
AutoGLM-Phone 实现“豆包 AI 手机”的自动化操作手机的实战方案教程 让普通手机秒变ai手机
是一个基于视觉语言模型（VLM）的 AI 手机智能助理框架。❌ 不依赖固定坐标❌ 不需要提前录制脚本✅ 能“看懂”手机屏幕✅ 能理解自然语言指令✅ 能自动规划操作路径并执行让 AI 像人一样看屏幕、想步骤、点手机。从工程角度看，AutoGLM-Phone 已经具备“AI 手机助理”的完整雏形能看能理解能规划能执行能跨 App所谓的「豆包 AI 手机」，本质上就是这类能力的产品化封装。而现在，这套能力已经可以被普通开发者亲手跑起来、改起来、甚至接入自己的业务场景。
[LLM Wiki理论与实践-09]将OpenWiki融入Coding Agent为你节省Token
针对OpenWiki的整合则将Coding Agent的执行模式升级为**先读知识库、再精准修改代码**。OpenWiki预置概念文档、测试说明、页面清单与更新时间，让Agent快速理解业务意图、定位相关代码与测试、判断信息新旧，减少Token与时间开销，降低理解偏差和跨文件遗漏，使改动更一致、可复现，文档与代码同步维护。
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
android 蓝牙通讯demo
android 下蓝牙通讯demo，实现了发现蓝牙，使能蓝牙，通过蓝牙发送消息。
MyBatis 入门核心教程：原生接口与 Mapper 代理双模式实战
MyBatis 是 Java 生态中应用最广泛的半自动化持久层框架，它在封装 JDBC 冗余模板代码的同时，将 SQL 的编写权完全交给开发者，兼具开发效率与性能优化空间，是国内企业级项目的主流持久层方案。MyBatis 提供了两种核心开发模式：原生接口模式适合理解框架底层执行原理，Mapper 代理模式是企业开发的标准规范。本文从基础概念出发，完整覆盖环境搭建、两种模式的代码实现、底层原理、事务机制与高频问题排查，所有代码均可直接运行，适合系统入门与实战参考。原生接口模式。
最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版
Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf：最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版，包括SDIO 接口的外设，SDIO 接口官方协议等。
SpringBoot 的那些常用扩展点
JsonPropertySourceLoader，实现PropertySourceLoader接口@Override//这个方法表明这个类支持解析以json结尾的配置文件@Override//将文件内容读到 ByteBuffer 中//将读出来的字节转换成字符串// 将字符串转换成 JSONObject//将 json 的键值对读出来，放入到 map 中。
win10 跳过U8环境检测的IE WebControls.rar
win10 安装u8的时候 提示IE WebControls 不通过，这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后，重新检测通过。
FastAPI
FastAPI 是一个基于 Python 类型提示构建的现代、高性能 Web 框架，专门用于快速开发 API。它的核心设计理念是让你用标准 Python 写代码，就能同时获得数据校验、自动文档和编辑器支持。
Spring 高频面试题：用一次用户注册串起 IoC、AOP、事务和 MVC
学 Spring 时，我最容易混淆的是这些「看起来一样」的操作：调用业务方法和向容器取 Bean，调用目标对象和调用代理，方法正常返回和事务成功提交。把它们放进同一个例子里，很多面试题就能顺着调用路径推出来。假设我们要实现一个注册接口：前端发来，Controller 接收用户名，Service 在数据库里创建用户和默认资料。下面用这条链路理解 Spring 的几个核心机制。代码是用于讲解的片段，省略了导入、依赖声明和数据库实现。
11.14号
与ai沟通了40多个问题关于就业方向的，推荐岗位ai标注员，然后软件测试，然后是硬件半导体相关工作，然后包住有社保的服务员，服务员一个月5000，ai说如果从事漫剧这行起码要多生成十几个视频看看流量有没有这方面天赋，除去涉及版权生成不出来的情况下，算上搓了6个视频，5个高清原创的二创类型视频，剧情是关于二创。后面又说服ai了软件测试早死了，不止点工，而且比较忙。学会了运用特殊分镜使得画面更美，环绕拍摄法提示词。
CI-CD详解-从GitLab流水线到Runner自动化部署
代码从提交到上线，中间隔着检查、构建、部署一长串重复动作，靠人盯既慢又容易出错。CI/CD 就是把这套流程自动化、标准化的工程实践。本文以 GitLab 为例，从概念、流水线、Runner 一直讲到怎么把 Claude Code 这类 AI 工具挂进流水线，把整个机制串清楚。把"用了 GitLab"等同于"全流程自动化"：有些公司只做了 MR 自动检查；有些做到镜像构建；有些能自动部署生产。自动化到哪一步，取决于配置，不取决于工具。别想当然。流水线通过 ≠ 业务正确。
SCA：五、配置统一网关geteway
本文基于SpringBoot 4与SCA 2025.1.0.0，结合Nacos、OpenFeign，演示了Gateway模块的完整搭建流程：创建gateway-server模块，配置POM依赖（含WebMvc网关、Nacos发现、负载均衡等），编写YAML路由配置（实现路径映射与负载均衡），添加启动类并启用服务发现。通过访问/provider/hello/jangle测试网关路由转发功能，验证了基于Nacos的服务注册与动态路由能力，实现了微服务统一入口的高效集成。
【AI Agent 软件测试实战（10）：从 Demo 到工程落地，整合一个完整的 AI Test Agent 项目】
写完这个系列，我对 AI Agent 在软件测试中的定位也更加明确了。它并不是要替代现有的自动化测试框架。传统自动化测试负责稳定执行已经定义好的测试逻辑，而 AI Agent 更适合处理需求理解、测试用例生成、工具选择、任务组织和结果分析等工作。两者结合，才更有实际价值。检查订单查询接口是否存在金额异常，同时确认订单状态是否合法。Agent 可以根据需求生成测试用例，经过校验后调用接口工具执行测试，再把结果保存到数据库并生成报告。但真正决定测试是否通过的，仍然是明确的断言规则。
基于SpringBoot的游乐园管理系统-附源码
本系统基于 SpringBoot3 和 Vue3 实现游乐园管理系统，完成游乐项目展示、园区公告发布、线上购票、订单管理等核心功能，打通游乐园线上宣传和票务售卖的渠道，减轻园区线下管理压力。系统分层清晰，便于后续维护扩展，后续可以增加预约排队、项目评价、场次管理、退票核销等功能，进一步完善游乐园线上服务能力。
GitHub 热榜实测｜Superpowers：
An agentic skills framework & software development methodology that works.
关于商城后台的自动化测试
本次针对商城管理后台开展功能测试与 UI 自动化回归测试，验证商品增删改查、上下架、会员管理、订单查询发货等后台管理功能符合业务需求；使用 Python+Selenium 开发自动化脚本，重点解决后台大量异步渲染、iframe 嵌套带来的稳定性问题，通过前后台双向断言校验数据一致性，用于版本迭代回归，减少重复手工测试。
博客测试报告自测版
本项目实现了一个基于前后端分离的轻量型个人博客系统，涵盖登录、写博、删除、详情查看等核心功能。采用MySQL存储数据，前端静态渲染用户信息与头像，未实现注册、自定义头像及动态分类树。测试覆盖功能、自动化（Selenium）、性能（JMeter）与弱网（Fiddler）四大维度，验证了主链路流畅性。发现3个主要问题：前端静态数据未同步、高并发下接口超时与鉴权失效、列表接口未分页导致数据过大。虽存在性能瓶颈，但系统在低并发下运行稳定，功能完整，具备结项条件。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1万+
扫一扫
