AI 辅助写单元测试的边界:如何避免模型伪造未导出的 crate API

YOLO环境配置+项目启动全流程(Conda+PyCharm超详解) YOLO(You Only Look Once)是一个基于深度学习的目标检测算法,广泛应用于智能识别领域。本篇保姆级教学将手把手教你如何从零开始运行一个YOLO项目,适合完全没有基础的新手。 阅读详情

AI 辅助写单元测试的边界:如何避免模型伪造未导出的 crate API

封面信息图

在日常开发中,为每一个结构体、状态机和协议解析分支编写完备的单元测试是保证系统质量的最高防线。然而,手写几十组枯燥的边界测试数据(如各种畸形 IP 报文、非对齐切片、极限超时参数)往往非常耗时。

很多开发者开始借助大语言模型(如 Claude、DeepSeek)来批量生成 Rust 单元测试。

但在为抓包分析器项目生成协议单测的过程中,我踩了一个极其隐蔽的深坑:大语言模型极度热衷于“幻觉式伪造未导出的 crate 内部私有 API 或根本不存在的辅助方法”。生成的几十行测试代码看起来逻辑严密、注释工整,但在执行 cargo test 时直接冒出大面积的 method not found in ... 或 field is private 报错。

今天这篇文章,我们来深入剖析大模型在生成 Rust 单元测试时的幻觉根源,并总结出一套能够将单测生成可用率从 40% 提升至 95% 以上的实战 Prompt 约束与工作流规范。


1. 经典翻车实录:AI 是如何无中生有伪造 API 的?

在 crates/packet-core 模块中,我定义了如下的 IPv4 解析函数:

// crates/packet-core/src/ipv4.rs
pub struct Ipv4Header {
    pub src_ip: std::net::Ipv4Addr,
    pub dst_ip: std::net::Ipv4Addr,
    pub ttl: u8,
    pub protocol: u8,
}

pub fn parse_ipv4_header(bytes: &[u8]) -> Result<Ipv4Header, ParseError> {
    // 实际实现
}

当我向通用模型输入:“请为 parse_ipv4_header 编写 3 组单元测试,测试正常解析、TTL 耗尽和校验和错误。”

模型返回的代码片段如下:

#[test]
fn test_checksum_error_generated_by_ai() {
    // 翻车点 1:模型凭空脑补了一个不存在的静态构造器
    let raw_packet = Ipv4Header::create_mock_packet_with_bad_checksum(); 
    
    // 翻车点 2:模型脑补了名为 is_checksum_err() 的扩展方法
    let result = parse_ipv4_header(&raw_packet);
    assert!(result.is_err());
    assert!(result.unwrap_err().is_checksum_err()); // 编译报错:method not found!
}
为什么会发生这种现象?
  1. 训练集记忆污染:模型在预训练阶段看过了海量的 C/Python/Go 测试代码,它习惯了用面向对象的 Mock 库风格去推测 Rust;
  2. 缺乏 Rust 可见性感知:模型往往不知道 Rust 严格区分了 pub 和私有字段,习惯性地直接在外部测试模块(tests/)中试图访问被测结构体的私有字段;
  3. Rust 宏与 Trait 的隐式边界:若没有提供对应的 use crate::... 上下文,模型容易在测试中臆造不存在的 Trait 派生。

2. 构建防伪造的防御性 Prompt 约束模板

为了杜绝模型的幻觉,我们必须在提示词中明确划定“代码边界”与“禁用清单”。

经过多轮迭代,我固化了这套专属的 Rust 单测生成约束模板:

[角色设定]
你是一名顶尖的 Rust 系统级测试工程师。

[输入上下文]
以下是待测模块的公开 API 定义与依赖 Cargo.toml:
```rust
// 【严禁超出此上下文中的公开方法范围】
pub struct Ipv4Header { ... }
pub fn parse_ipv4_header(bytes: &[u8]) -> Result<Ipv4Header, ParseError>;

[生成铁律 - 违者扣分]

  1. 【硬编码真实字节】:严禁臆造任何形如 MockBuilder::new() 或 create_mock_packet() 的构造函数!所有测试用例必须使用字面量原始字节切片(如 vec![0x45, 0x00, ...])进行构造!
  2. 【严格匹配已知枚举】:断言错误类型时,必须使用模块中已有的强类型枚举变体(如 assert_eq!(err, ParseError::Ip(IpError::InvalidIhl(16)))),严禁臆造布尔判定方法(如 .is_invalid_ihl())!
  3. 【自包含与可编译】:生成的每一个 #[test] 函数必须能够直接通过 cargo test 编译,不依赖任何未声明的外部 Mock 框架!
  4. 【覆盖率目标】:请针对以下 3 个具体边界设计用例:
    a. 20 字节标准最小有效头部;
    b. 切片不足 20 字节的截断错误;
    c. 版本号不为 4 的非法协议错误。

---

### 3. 基于防御性约束生成的完美测试代码

在应用了上述铁律后,模型给出的代码质量发生了质的飞跃:

```rust
#[cfg(test)]
mod tests {
    use super::*;
    use std::net::Ipv4Addr;

    #[test]
    fn test_valid_minimal_ipv4_header() {
        // 构造标准的 20 字节 IPv4 首部:源 192.168.1.1 -> 目的 10.0.0.1
        let raw_bytes = [
            0x45, 0x00, 0x00, 0x14, // Ver=4, IHL=5, ToS=0, TotalLen=20
            0x00, 0x01, 0x00, 0x00, // ID=1, Flags=0, Offset=0
            0x40, 0x06, 0x00, 0x00, // TTL=64, Protocol=6(TCP), Checksum=0 (忽略)
            192, 168, 1, 1,         // Src IP
            10, 0, 0, 1,            // Dst IP
        ];

        let result = parse_ipv4_header(&raw_bytes);
        assert!(result.is_ok(), "有效 IPv4 报文解析不应失败");

        let header = result.unwrap();
        assert_eq!(header.src_ip, Ipv4Addr::new(192, 168, 1, 1));
        assert_eq!(header.dst_ip, Ipv4Addr::new(10, 0, 0, 1));
        assert_eq!(header.ttl, 64);
        assert_eq!(header.protocol, 6);
    }

    #[test]
    fn test_truncated_header_error() {
        // 构造仅有 10 字节的残缺数据
        let truncated = [0x45, 0x00, 0x00, 0x14, 0x00, 0x01, 0x00, 0x00, 0x40, 0x06];

        let result = parse_ipv4_header(&truncated);
        assert!(result.is_err());
        assert_eq!(result.unwrap_err(), ParseError::UndersizedFrame);
    }

    #[test]
    fn test_invalid_ip_version_error() {
        // 构造版本号为 6 (IPv6) 的首部(首字节 0x65)
        let invalid_ver = [
            0x65, 0x00, 0x00, 0x14, 0x00, 0x01, 0x00, 0x00,
            0x40, 0x06, 0x00, 0x00, 192, 168, 1, 1, 10, 0, 0, 1,
        ];

        let result = parse_ipv4_header(&invalid_ver);
        assert!(result.is_err());
        assert_eq!(result.unwrap_err(), ParseError::Ip(IpError::UnsupportedVersion(6)));
    }
}

粘贴到 crates/packet-core/src/ipv4.rs 底部,执行 cargo test -p packet-core,3 个测试用例在 0.02 秒内一次性全部通过,零语法修改!


总结

AI 是极其强大的测试助手,但驾驭它的关键在于设定精准的上下文围栏:

  • 把所有的公共 Trait 和函数签名完整喂给它;
  • 严禁让其使用高级 Mock 概念,强制要求使用原生二进制字面量;
  • 明确断言目标为真实的领域错误枚举变体。
太空安全卫士:基于YOLOv5的空间态势感知系统(实现轨道碰撞预警与太空环境保护) 做完这个项目,你会发现自己完整走过了“数据采集→标注→模型训练→功能集成→界面开发”的毕设全流程,这不仅是技术能力的证明,更是对“技术守护宇宙安全”这一理念的实践。答辩时,你可以重点讲这几点:系统解决了航天监测的哪些痛点、YOLOv5在太空目标检测中的性能优势、系统未来能怎么优化(比如对接航天监测网络、实现实时轨道预测)。未来,这个系统还能往“更智能”的方向发展:比如结合轨道计算预测碰撞风险、开发移动端APP让天文爱好者参与太空垃圾上报、在航天任务中实现全自动避障决策……想象空间很大。 阅读详情

相关推荐

ArcGIS小白必看:5分钟搞定面要素转点要素+自动计算经纬度坐标(附常见报错解决方案)

本文为ArcGIS新手详细解析了面要素转点要素并自动计算经纬度坐标的完整流程。核心在于正确理解和使用坐标系,并掌握ArcToolbox中的“要素转点”等工具。文章深入剖析了常见报错(如坐标系未定义、字段计算失败)的根源,提供了从基础操作到Python脚本自动化的实战解决方案,确保数据转换的准确与高效。

weixin_29284885的博客 578

IronClaw 权威词汇层 ironclaw_host_api:零依赖契约 crate 的工作规则、密封证据与安全边界解析

`ironclaw_host_api` 是 IronClaw(一个聚焦隐私、安全与可扩展性的 Agent OS)中全工作区共享的权威词汇层:它描述跨越所有特权边界的事物——身份、作用域、路径、挂载、能力、动作、决策、审批、密封的 `Authorized` 见证与 `CapabilityDispatcher` 端口、净化后的解析与失败词汇、进出站描述符、运行时与信任词汇,以及完整的规范 turn 词

gitblog_00037的博客 305

基于AIS动态数据与AI结合得经纬度标示算法

港口船舶智能标注系统 本系统通过结合摄像头视频流和AIS船舶动态数据,利用AI技术实现船舶实时标注功能。系统架构包括视频流处理、AIS数据解析、船舶检测匹配和坐标映射转换等模块。关键技术步骤: AIS数据获取:通过本地接收机或网络API获取船舶位置、航速等信息 AI目标检测:采用YOLOv8等模型识别视频中的船舶 船舶匹配算法:通过位置投影或运动轨迹匹配视频目标与AIS数据 坐标映射:使用相机标定技术将经纬度转换为图像坐标 实时标注:在视频画面上叠加船名、位置等关键信息 应用场景包括港口监控、智能海事管理和

qianbo042311的博客 1812

awesome-agent-skills:档案数字化 3 条实操流水线,让老扫描件与老录音复活

awesome-agent-skills 是收录了上千个 Agent Skills(可直接装入 AI 编程环境的预置技能包)的仓库,专门解决文化档案数字化的最后一公里。你面前摆着一箱 1980 年代的扫描件,字迹泛黄,没人有精力逐字誊抄。 ## 📜 痛点拆解:为什么老档案总压在三样东西里 几十小时的录音,真的需要逐小时听完吗? - 老扫描件手写体多,纸张泛黄让字迹边界模糊,错字率恰恰集中在

gitblog_00260的博客 365

MOSFET导通电阻Rdson全解析:物理组成、公式推导与工程选型要点

在功率电子设计中,MOSFET作为核心开关器件,其导通电阻Rdson直接决定导通损耗与系统效率。从半导体物理角度看,Rdson并非单一固定值,而是由源极电阻、沟道电阻、累积层电阻、JFET区电阻、漂移区电阻及衬底电阻等多个分量串联而成,并随栅极驱动电压、结温以及击穿电压等级发生显著变化。理解Rdson的物理来源与数学表达,有助于工程师在低压大电流与高压小电流等不同场景中合理选型、优化驱动电压并准确估算热损耗。文章从沟道电阻公式出发,深入剖析耐压与导通电阻的物理矛盾、温度系数的影响规律,并给出数据手册参数的正

weixin_29163857的博客 199

零代码做游戏:AI辅助开发HTML5网页小游戏从创意到发布全流程

在软件开发领域,自然语言编程正成为一种新兴的人机协作方式,而AI辅助开发则是其最典型的落地形态。它让开发者无需精通语法,只需用清晰的语言描述游戏规则与交互逻辑,AI便能自动生成可运行的代码。这种模式大幅降低了编程门槛,尤其适合快速验证创意、制作原型。对于HTML5网页游戏而言,借助AI生成单个HTML文件,配合在线运行环境,即可在浏览器中直接试玩、迭代与分享。无论是产品经理验证玩法、运营人员制作互动小游戏,还是教育者设计课堂闯关,都能通过自然语言描述需求,让AI完成代码实现与报错修复。本文完整记录了一个“接

weixin_31497453的博客 339

IronClaw Telegram 扩展 delete_message 工具深度解析:精确删除语义、unknown_message 错误契约与安全边界

本篇指南以 IronClaw 开源仓库中 Telegram 扩展的 `delete_message` 操作提示文档为核心,讲解这一"以链接账户身份删除单条消息"的工具在 `standard_op` 能力模型下的完整契约:从精确 `message_ref` 定位、按权限删除/仅自己可见的语义,到"删除未发生即报错"的 `messaging.unknown_message` 错误处理,并结合 mani

gitblog_00313的博客 178

CY7C68013 C0模式启动

C0或是C2启动的目的,是更改USB芯片的ID信息,并把固件载入到芯片内部RAM中运行。C0模式是指只从EEPROM中载入USB ID信息,因为只有ID信息(8个字节),所以只需要一个小容量的EEPROM即可。当然大容量的EEPROM也可以使用C0模式,但是小容量的EEPROM只能使用C0模式启动。如下图所示: 使用小容量的EEPROM要将A0,A1,A2接地。 这里我用了个24LC01,容量1

Fezl的博客 1740

IronClaw WebUI 网关架构与开发指南:深入解析 Reborn WebChat v2 的 Host 入口 crate(ironclaw_webui)

IronClaw 的 `ironclaw_webui` 是 `products` 层唯一的 Host 入口 crate:它把上层 `ironclaw_composition` 组装好的 `ProductSurface` 门面,变成浏览器可以直接对话的 HTTP 服务器(Reborn WebChat v2)。本文以该 crate 的 [AGENTS.md](https://link.gitcode.

gitblog_00438的博客 493

23、管状剪纸结构的研究与功能生成连杆机构的综合设计

本文研究了管状剪纸结构的压缩运动特性,通过剪纸技术将非刚性可折叠的Yoshimura和Kresling折纸结构转化为刚性可折叠结构,并提出径向可闭合剪纸(RC-kiri)构型。推导了位移与折叠角之间的数学关系,设计了带外部LET接头的RC-kiri模型,建立了力-位移理论模型并通过Abaqus进行有限元验证,制作了3D打印物理模型以测量直径变化。同时,研究了四杆和六杆功能生成连杆机构的综合设计方法,基于负闭合运动链和最小二乘法实现函数生成。结果表明理论、仿真与实验整体吻合良好,误差来源得到分析,为机器人、机

nokia的博客 169

基于MUSIC算法的DOA估计Matlab仿真

特别需要指出的是:通道与阵元并不是一一对应,通道是由空间的一个、几个或所有阵元合成的,当然空间某个特定的阵元可包含在不同的通道内。空间谱估计侧重于研究空间多传感器阵列所构成的处理系统对感兴趣的空间信号的多种参数进行准确估计的能力,其主要目的是估计信号的空域参数或信源位置,这也是雷达、通信、声纳等许多领域的重要任务之一。从系统框图中可以清晰的看出,估计空间相当于是对目标空间的一个重构过程,这个重构的精度由众多因素决定,如环境的复杂性、空间阵元的互耦、通道不一致、频带不一致等。

FPGA/MATLAB学习教程/源码/项目合作开发 1750

Pock 快速上手:把 MacBook Touch Bar 变成小部件控制中心

Touch Bar 常年只被用来调亮度,其余位置基本闲置。Pock 是面向 MacBook Touch Bar 的免费小部件管理器,它把常用应用、系统控件和快捷操作集中到这条窄屏上,伸手即可触达。如果你希望把 Touch Bar 改造成个人控制中心,按下面三步操作即可。 ## 安装 Pock:从克隆仓库到首次使用 ### 克隆 Pock 仓库 - 克隆项目到本地,这是全流程唯一需要执行的命令

gitblog_00031的博客 1086

Apple Store 上架过包:iOS审核4.3被拒原因分析与解决修改方案

Apple Store 上架过包:iOS审核4.3被拒原因分析与解决修改方案

专业解决各种上架过包问题,专业团队专业处理 751

Apache OpenDAL 仓库协作指南:面向 AI 编码代理的 AGENTS.md 深度解读与开发实践

本文以 Apache OpenDAL 仓库根目录的 [AGENTS.md](https://link.gitcode.com/i/98cfcfde409126c6eb75b19a8c609437) 为骨架,系统解读这份面向 AI 编码代理(AI coding agents)的仓库协作指南:从通用规则、AI 辅助贡献规范,到 Rust 工作区命令、服务与 Layer 实现模式、测试期望、Pull R

gitblog_00214的博客 317

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

IronClaw 技能域(ironclaw_skills)技术内幕:SKILL.md 解析、确定性选择与信任模型

本篇技术指南围绕 IronClaw 仓库中的 `ironclaw_skills` 领域 crate 展开,系统讲解该 crate 如何定义"一个技能是什么":从 SKILL.md 的 YAML frontmatter 解析与校验,到两阶段确定性的技能选择评分,再到 `Installed < Trusted` 的信任分级、`requires` 需求门控、纯函数式学习提炼,以及基于文件系统的技能安装管

gitblog_00935的博客 209

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');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Obscura 请求拦截与修改实战指南:从 CDP Fetch 域到 Rust 原生拦截 API

本篇指南围绕 Obscura 无头浏览器的请求拦截能力展开,覆盖两条主路径:通过 CDP `Fetch.enable` 从 Puppeteer / Playwright 驱动页面级拦截(按资源类型阻塞、按 URL 规则拦截、改写请求头、伪造响应、生产环境去广告追踪),以及将引擎内嵌为 Rust 库时原生提供的 `on_request` / `on_response` 回调与 `enable_int

gitblog_00078的博客 135

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。

IronClaw Reborn 集成测试体系:只在模型层造假、全链路真实的测试设计与实战指南

本文基于 IronClaw 仓库 `tests/integration/` 目录的官方测试指南,系统讲解 Reborn 集成测试分层的定位与边界、"唯一假模型"的注入原理、`RebornIntegrationHarness` 的标准测试形态与脚本纪律、各类 Capability 的按需接入方式,以及多线程序列(Group)测试的编写规范。读完之后,你可以直接在该仓库的集成测试体系中编写新场景:知道

gitblog_00507的博客 902

Ciphey 威胁模型深度解析:本地解码工具的信任边界与 STRIDE 安全设计指南

Ciphey 是一款"无需密钥或加密算法即可自动解密、解码编码并破解哈希"的本地命令行工具。本文将以其官方威胁模型文档([security/threat_model.md](https://link.gitcode.com/i/f62ffca517fad1f51b91e33b117fe5d6))为主体,结合仓库内配置、数据库、首次运行安装流程等源码实现,系统梳理 Ciphey 面对的安全威胁、信任

gitblog_01177的博客 279

IronClaw 组装层全解:ironclaw_composition 的护栏契约、服务形状句柄与 WebUI v2 网关组合

`ironclaw_composition` 是 IronClaw(Agent OS)工作区中唯一被允许"看到一切"的组装根 crate:它不做任何领域决策、不渲染任何 prompt,只负责按部署 profile 选择运行时基板(libSQL/PostgreSQL)、精确打开一次物理数据库、调用各家族 owner 工厂、计算 fail-closed 就绪状态,并把结果以**服务形状句柄**(`Re

gitblog_00998的博客 73

IronClaw 能力可见表面使用策略(Capability Surface Usage Policy)解析:基于权威工具清单的模型调用约束机制

本文围绕 IronClaw 开源仓库中 [`crates/contracts/ironclaw_loop_contracts/prompts/capability_surface_usage_policy.md`](https://link.gitcode.com/i/564c89df5e3e2d43556e6ce416bc96b6) 这一核心策略文档,深入讲解 IronClaw Agent 循环

gitblog_00818的博客 498

rig-gemini-grpc:在 Rust 中通过 gRPC 驱动 Google Gemini 的完整实践指南

rig-gemini-grpc 是 Rig 项目中负责接入 Google Gemini gRPC API 的独立 companion crate,相比 REST 通道具备更优的性能与更强的类型安全(见 [README](https://link.gitcode.com/i/50919164ee59ab16e03b6cd8a9f84153) 的定位说明)。本文以该 crate 的 [CHANGELO

gitblog_00972的博客 185

IronClaw 进程生命周期权威:解析 ironclaw_processes 的日志、监督与取消机制

IronClaw 是一个以隐私、安全与可扩展性为核心的 Agent OS。在它的 kernel 层中,`ironclaw_processes` 承担着"宿主追踪的所有工作(前台回合与后台调用)的**唯一持久生命周期权威**"这一关键职责:它以行式(row-native)进程日志记录身份、谱系与状态,并配套负责认领(claim)、租约(lease)、心跳(heartbeat)与恢复(recovery

gitblog_00385的博客 308

RuView cog-ha-matter 全解析:把 Home Assistant + Matter 集成打包成 Cognitum Seed 可安装 Cog(ADR-116)

本文是 RuView 架构决策 **ADR-116(`cog-ha-matter`)** 的技术全景解读。RuView 用普通 WiFi 信号做空间智能、生命体征监测与人员存在检测(不依赖任何摄像头像素),而本文聚焦其中一层关键交付形态:**如何把 ADR-115 已经实现的 Home Assistant + Matter MQTT 集成,从"聚合器上的一个 `--mqtt` 启动开关"升级为"C

gitblog_00668的博客 382

IronClaw Reborn CLI 架构契约与命令开发指南:从命令布局到 serve 网关子命令的源码级实践

本篇技术指南以 [crates/app/ironclaw_cli/CLAUDE.md](https://link.gitcode.com/i/1998a368a39b434553d959a3279f4d5f) 为骨架,系统讲解 IronClaw(Agent OS)独立二进制 `ironclaw` 的命令面组织方式、依赖边界约束、新增命令的完整开发流程,以及内置于每个构建的 WebChat v2 H

gitblog_09739的博客 708

frpc-desktop 快速上手:4 步完成 frp 内网穿透配置

frpc-desktop 是一款跨平台的 frp 桌面客户端,覆盖 Windows、macOS 与 Linux,用可视化配置完成内网穿透。它面向不想手写 frpc.toml 的你:在表单里填写参数、管理代理规则、一键启动 frpc,几分钟即可打通第一条隧道。 ## 📍 没有公网 IP,内网服务怎么对外暴露 家里或办公室的机器上跑着网站、远程桌面,但没有公网 IP,外部网络无法访问。frp 是

gitblog_00021的博客 391

IronClaw 扩展工具开发实战:用 Rust 构建一个可被代理直接调用的 WASM 天气工具

本篇指南以 IronClaw 官方中文教程《从零构建一个工具》([docs/zh/extensions/building-a-tool.md](https://link.gitcode.com/i/a590f1392749e90b03331be9b44f0ae0))为核心骨架,带你从零实现一个 `weather-tool`:通过 Open-Meteo(免费、无需 API Key)获取实时天气、5

gitblog_00821的博客 658
上一篇: 模拟 Rust 初级面试(一):所有权、借用与生命周期高频十问
下一篇: 面对编译报错不再烦躁的那一刻:自学转码的心态转变
第一程序员
博客等级 码龄1年 1万+粉丝 1827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