<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[her_heart的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/her_heart</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; her_heart]]></copyright><item><title><![CDATA[ChatGPT 5.6 三版本实测：如何把一条线上故障修复到可合并]]></title><link>https://blog.youkuaiyun.com/her_heart/article/details/163304818</link><guid>https://blog.youkuaiyun.com/her_heart/article/details/163304818</guid><author>her_heart</author><pubDate>Wed, 29 Jul 2026 14:35:06 +0800</pubDate><description><![CDATA[本文以订单服务重复扣减库存故障为例，实测 GPT-5.6 Sol 、 GPT-5.6 Terra 与 GPT-5.6 Luna 在日志整理、根因分析、补丁设计和评审文档生成中的分工，并结合 Claude Sonnet 5 独立复核，给出材料脱敏、提示词编写、模型切换、并发测试及人工验收方法，展示如何借助 KULA 构建从问题定位到代码合并的连续工作流。]]></description><category></category></item><item><title><![CDATA[ChatGPT 5.6 全系怎么选：Sol、Terra、Luna 的开发任务实战分工]]></title><link>https://blog.youkuaiyun.com/her_heart/article/details/163275508</link><guid>https://blog.youkuaiyun.com/her_heart/article/details/163275508</guid><author>her_heart</author><pubDate>Tue, 28 Jul 2026 15:31:51 +0800</pubDate><description><![CDATA[文章以存量接口增加批量处理能力为例，介绍 GPT-5.6 全系的开发分工： GPT-5.6 Luna 负责材料初筛， GPT-5.6 Terra 制定改造与测试方案， GPT-5.6 Sol 排查复杂风险，再由其他模型独立复核。借助  KULA 统一切换模型，可减少入口切换和重复整理材料的成本，但最终代码仍须经过脱敏、人工审核及完整测试。]]></description><category></category></item><item><title><![CDATA[用 Grok 4.3 辅助接口联调排查：从错误日志到可验证修复方案]]></title><link>https://blog.youkuaiyun.com/her_heart/article/details/162103750</link><guid>https://blog.youkuaiyun.com/her_heart/article/details/162103750</guid><author>her_heart</author><pubDate>Thu, 18 Jun 2026 16:54:59 +0800</pubDate><description><![CDATA[本文探讨了AI（以Grok4.3为例）在Java SpringBoot接口联调问题中的辅助应用。通过一个订单创建接口偶发500错误的案例，作者建议将AI定位为"结构化分析助手"而非决策者，重点展示如何用AI完成三个核心任务：整理上下文信息、提出可验证的排查假设、生成可Review的修复代码和测试用例。文章强调AI输出的代码必须经过人工验证和业务规则确认，并提供了具体的Prompt模板、风险边界判断标准以及多模型协作建议。最终指出AI的真正价值在于将开发者从重复性工作中解放，使其更专注于业务逻辑和代码质量把控]]></description><category></category></item><item><title><![CDATA[Claude 4.8 辅助后端排障实践：从错误日志到修复方案，再到测试用例]]></title><link>https://blog.youkuaiyun.com/her_heart/article/details/162090181</link><guid>https://blog.youkuaiyun.com/her_heart/article/details/162090181</guid><author>her_heart</author><pubDate>Thu, 18 Jun 2026 10:31:59 +0800</pubDate><description><![CDATA[本文结合订单状态同步的排障案例，分享如何将 Claude 4.8 与 ChatGPT、Gemini、DeepSeek 等模型用于后端开发流程：先整理日志和调用链，再分析空指针、幂等性、状态流转等风险，生成局部修复建议和测试用例清单。文章强调 AI 适合作为辅助分析者，而非最终决策者；开发者应通过脱敏输入、结构化 Prompt、多模型交叉验证、人工 Review、单元测试和回归验证，提升 Bug 排查、代码 Review、技术文档整理与测试设计效率。]]></description><category></category></item><item><title><![CDATA[用多模型 AI 辅助代码 Review：从 Git Diff 到测试验证的一套实践]]></title><link>https://blog.youkuaiyun.com/her_heart/article/details/162071491</link><guid>https://blog.youkuaiyun.com/her_heart/article/details/162071491</guid><author>her_heart</author><pubDate>Wed, 17 Jun 2026 15:51:02 +0800</pubDate><description><![CDATA[本文探讨了如何利用AI工具（如ChatGPT、Claude等）辅助代码Review，提高研发质量。文章指出，传统Review常因时间压力流于表面，而AI可以帮助系统性地发现问题，如并发安全、事务一致性、异常处理等风险点。作者通过优惠券领取接口的Java代码示例，展示了一套可复用的AI辅助Review流程：先让AI总结代码逻辑和风险点，再按不同维度（参数校验、并发等）生成检查清单，重点关注潜在问题并给出修改建议，最后生成测试用例验证。]]></description><category></category></item><item><title><![CDATA[Claude 4.8 实战：用 AI 辅助排查 Java 线上接口超时问题]]></title><link>https://blog.youkuaiyun.com/her_heart/article/details/162060703</link><guid>https://blog.youkuaiyun.com/her_heart/article/details/162060703</guid><author>her_heart</author><pubDate>Wed, 17 Jun 2026 11:05:13 +0800</pubDate><description><![CDATA[本文探讨了后端开发中线上接口超时问题的排查方法，以一个Spring Boot订单详情接口为例，分析了超时问题的复杂性和排查难点。文章指出，接口超时通常涉及代码逻辑、数据库、缓存、线程池、网络调用等多方面因素，具有链路长、偶发性强、日志不完整等特点。作者详细介绍了如何利用Claude4.8辅助分析日志、代码和配置，包括：识别耗时环节、检查串行调用问题、优化线程池配置、增加超时控制、完善异常处理机制等。文章还提供了从短期止血到长期治理的分层解决方案，并总结了接口超时排查的标准流程和关键点，强调AI工具在问题排查]]></description><category></category></item><item><title><![CDATA[用 ChatGPT 5.5 辅助排查后端接口问题：从异常日志到定位思路]]></title><link>https://blog.youkuaiyun.com/her_heart/article/details/162039399</link><guid>https://blog.youkuaiyun.com/her_heart/article/details/162039399</guid><author>her_heart</author><pubDate>Tue, 16 Jun 2026 16:09:54 +0800</pubDate><description><![CDATA[以本文的订单创建接口为例，日志表面上是 userInfo 为空导致 NPE，但真正排查时需要继续确认 token、鉴权拦截器、ThreadLocal、异步线程、并发压测和日志链路等多个方向。

合理的使用方式是：让 ChatGPT 5.5 帮你把混乱信息整理成结构化排查清单，然后由开发者结合真实日志、监控和复现实验逐步验证。这样既能提高排查效率，也能避免因为过早下结论而走偏。]]></description><category></category></item><item><title><![CDATA[Claude 4.8 技术观察：开发者该如何把大模型能力真正用到项目里？]]></title><link>https://blog.youkuaiyun.com/her_heart/article/details/162029729</link><guid>https://blog.youkuaiyun.com/her_heart/article/details/162029729</guid><author>her_heart</author><pubDate>Tue, 16 Jun 2026 11:04:56 +0800</pubDate><description><![CDATA[本文从开发者视角分析Claude4.8的应用价值。该模型在代码理解、长文本处理、知识库问答等场景表现突出，特别适合作为RAG生成层和Agent规划模块。文章详细介绍了代码优化、Bug排查等实用场景的prompt设计技巧，强调应先分析再生成的工作流程。同时指出工程落地的关键风险：幻觉问题、输出不稳定性和数据安全，建议采取分阶段实施策略。开发者需注意模型输出需人工审核，不能替代传统开发流程，而应定位为提升效率的辅助工具。]]></description><category></category></item><item><title><![CDATA[用 ChatGPT、Claude、Gemini、DeepSeek 辅助 Bug 排查：从报错日志到可验证修复方案]]></title><link>https://blog.youkuaiyun.com/her_heart/article/details/162008622</link><guid>https://blog.youkuaiyun.com/her_heart/article/details/162008622</guid><author>her_heart</author><pubDate>Mon, 15 Jun 2026 15:40:18 +0800</pubDate><description><![CDATA[本文探讨了如何有效利用AI大模型（如ChatGPT、Claude、Gemini、DeepSeek）辅助程序调试工作。文章指出，直接让AI诊断错误效果不稳定，更可靠的方式是将其嵌入系统化的调试流程：收集上下文、AI初步分析、列举可能原因、生成验证方案、人工测试确认。不同模型各有擅长领域：ChatGPT适合代码解释，Claude擅长长日志分析，DeepSeek在中文技术问答上表现突出。]]></description><category></category></item><item><title><![CDATA[用 Gemini 3.5 Flash 做接口设计与测试矩阵生成：从需求到 OpenAPI 的工程化实践]]></title><link>https://blog.youkuaiyun.com/her_heart/article/details/161980406</link><guid>https://blog.youkuaiyun.com/her_heart/article/details/161980406</guid><author>her_heart</author><pubDate>Sun, 14 Jun 2026 16:05:52 +0800</pubDate><description><![CDATA[本文以“订单查询接口”为例，介绍如何用 Gemini 3.5 Flash 辅助完成从需求到接口契约的设计流程，包括需求澄清、字段拆解、参数校验、错误码设计、测试矩阵生成和 OpenAPI 3.0 草案输出。文章结合国内开发者常见场景，说明多模型 AI 在接口设计、文档整理、测试补全和 Bug 排查中的应用，帮助团队减少遗漏、统一规范、提升联调效率，并强调 AI 结果需经人工 Review 后再落地，适合后端、前端、测试及技术负责人参考。]]></description><category></category></item><item><title><![CDATA[Claude 4.8 编程实践：如何用 AI 提升代码质量，而不是制造技术债]]></title><link>https://blog.youkuaiyun.com/her_heart/article/details/161971977</link><guid>https://blog.youkuaiyun.com/her_heart/article/details/161971977</guid><author>her_heart</author><pubDate>Sun, 14 Jun 2026 10:24:50 +0800</pubDate><description><![CDATA[文章摘要：
AI编程工具（如Claude4.8）的普及虽提升了开发效率，但也可能因生成“AI风格代码”引入技术债。开发者应避免将其仅视为代码生成器，而应聚焦于需求拆解、方案评审、代码自查、老项目梳理等环节。通过明确技术栈、项目规范及业务规则，结合Prompt模板（如行为分析、安全重构、测试设计），可显著提升代码质量与可维护性。关键点在于：AI生成代码需人工校验边界条件、安全性及规范合规性，并补充测试用例。最终目标是让AI成为工程分析助手，而非盲目替代开发流程，从而减少技术负债，保障项目长期稳定性。]]></description><category></category></item><item><title><![CDATA[面向企业知识库的 RAG 检索优化：从向量召回到重排序落地实践]]></title><link>https://blog.youkuaiyun.com/her_heart/article/details/161928238</link><guid>https://blog.youkuaiyun.com/her_heart/article/details/161928238</guid><author>her_heart</author><pubDate>Fri, 12 Jun 2026 15:14:44 +0800</pubDate><description><![CDATA[本文探讨企业知识库问答系统中RAG（检索增强生成）流程的优化方案。针对单纯向量检索存在的语义匹配不精确、关键词敏感度不足等问题，提出"混合检索+重排序"的解决方案：通过结合向量检索与BM25关键词检索实现粗召回，利用Reranker模型对候选片段重排序精筛，并强调结构化文档切分（保留标题层级）和Prompt规范化的重要性。实践表明，该方案能显著提升制度类文档的答案准确率（Recall@5提升19%，答案准确率提升17%），是RAG从实验走向生产落地的关键优化路径。]]></description><category></category></item><item><title><![CDATA[用 AI 辅助代码 Review：从 Prompt 设计到单元测试验证的实践记录]]></title><link>https://blog.youkuaiyun.com/her_heart/article/details/161918168</link><guid>https://blog.youkuaiyun.com/her_heart/article/details/161918168</guid><author>her_heart</author><pubDate>Fri, 12 Jun 2026 10:49:43 +0800</pubDate><description><![CDATA[本文介绍了一种利用AI大模型辅助代码Review的实用方法，帮助开发者提高Review效率和质量。文章指出，在业务迭代快的场景下，AI可以作为"第二视角"提前发现常见问题，如空指针风险、参数校验缺失、性能隐患等，但不能替代人工最终判断。作者以Java后端地址新增接口为例，详细演示了从Prompt设计、多模型选择到问题验证的全流程，并提供了结构化Review模板和测试用例生成方法。同时强调AI建议需结合编译检查、测试验证和业务确认，特别对安全、权限等核心逻辑必须人工复核。]]></description><category></category></item><item><title><![CDATA[从零搭建一个 RAG 知识库问答系统：原理、流程与 Python 示例]]></title><link>https://blog.youkuaiyun.com/her_heart/article/details/161896213</link><guid>https://blog.youkuaiyun.com/her_heart/article/details/161896213</guid><author>her_heart</author><pubDate>Thu, 11 Jun 2026 15:46:09 +0800</pubDate><description><![CDATA[本文介绍了检索增强生成(RAG)技术的基本原理与应用。RAG通过先检索相关文档再生成答案的方式，解决了大模型在企业知识问答中的局限性。文章详细解析了RAG的系统架构，包括文档采集、文本切分、向量化、相似度检索等核心流程，并提供了Python简化示例展示实现思路。同时指出了生产环境中需要考虑的文档解析质量、权限控制、评估体系等关键问题，比较了RAG与微调的区别。RAG特别适合企业知识库、智能客服等场景，是实现大模型落地的实用方案。]]></description><category></category></item><item><title><![CDATA[从 Copilot 到 Code Agent：大模型代码智能体的工程落地思路]]></title><link>https://blog.youkuaiyun.com/her_heart/article/details/161820604</link><guid>https://blog.youkuaiyun.com/her_heart/article/details/161820604</guid><author>her_heart</author><pubDate>Tue, 09 Jun 2026 10:06:09 +0800</pubDate><description><![CDATA[本文聚焦大模型驱动的代码智能体（Code Agent），介绍其从代码补全到自主执行的发展过程，分析项目上下文理解、工具调用、多轮规划、代码检索与自动验证等核心能力，并结合工程落地场景，探讨权限控制、CI/CD 集成、人机协同等实践建议。]]></description><category></category></item><item><title><![CDATA[企业可引用RAG：从向量检索到可评测可落地的一套硬核系统（制度/合同场景）]]></title><link>https://blog.youkuaiyun.com/her_heart/article/details/161792819</link><guid>https://blog.youkuaiyun.com/her_heart/article/details/161792819</guid><author>her_heart</author><pubDate>Mon, 08 Jun 2026 11:08:07 +0800</pubDate><description><![CDATA[企业制度/合同类文档的RAG系统落地常因检索不准、权限失控、生成不可靠等问题失败。本文提出硬核工程方案：1）结构化切分文档至完整条款单元；2）混合检索（向量+关键词）结合重排序提升召回精度；3）嵌入权限过滤机制；4）约束生成输出结构化JSON并强制引用证据；5）构建离线评测与在线监控闭环。核心在于将系统设计为可审计、可迭代的证据链，而非单纯对话工具，通过检索可控性、生成约束力和持续评测保障落地效果。]]></description><category></category></item><item><title><![CDATA[真实聊聊：AI 写代码到底能省多少时间？我踩过的坑与用法]]></title><link>https://blog.youkuaiyun.com/her_heart/article/details/161711125</link><guid>https://blog.youkuaiyun.com/her_heart/article/details/161711125</guid><author>her_heart</author><pubDate>Fri, 05 Jun 2026 10:50:44 +0800</pubDate><description><![CDATA[AI编程工具使用体验总结：它擅长生成重复性代码模板、分析报错日志缩小排查范围，能提升开发效率；但存在编造不存在的代码、错误解读业务等风险，需开发者严格审查。建议将其定位为"初级助手"，用于低风险场景如写胶水代码、整理文档，避免直接用于核心业务逻辑。关键是要建立"AI生成+人工验证"的工作流，既利用其效率优势，又能把控代码质量。工具不会取代程序员，但会淘汰不会合理使用它的人。]]></description><category></category></item></channel></rss>