- 博客(55)
- 资源 (6)
- 收藏
- 关注
RSS订阅原创 【C# 自动化测试】Selenium显式等待机制详解
Selenium中的显式等待机制是自动化测试中处理页面元素加载延迟的重要工具。与强制等待（如Thread.Sleep()）相比，显式等待更加灵活高效，能够动态检测元素状态，避免不必要的等待时间。显式等待通过WebDriverWait类实现，允许设置超时时间和轮询间隔，并可以忽略常见的异常类型，如NoSuchElementException。
2025-05-20 11:57:34
590
原创 【C# 自动化测试】借助js获取浏览器滚动条高度
本文总结了C#自动化测试中滚动条操作的核心语法与实战技巧。文章首先介绍了滚动控制的核心方法，包括scrollTo、scrollBy和scrollIntoView，并提供了获取滚动条位置和文档总高度的代码示例。
2025-05-20 11:40:52
326
原创 语言幻觉测试用例及相关策略总结
在 AI 领域，语言幻觉通常指模型生成看似合理但违背事实、逻辑或缺乏依据的内容，可能是虚构信息、错误关联或前后矛盾的表述。真实性优先：贴近用户实际使用场景（如长对话、多轮追问），避免脱离语境的孤立测试。多维度覆盖：结合事实、逻辑、语义、领域、模态五大维度，构建立体测试网络。动态化演进：随着模型迭代和新场景出现，持续更新测试用例和评估指标，确保测试策略的时效性。通过以上策略，可以系统性地暴露语言模型在不同场景下的幻觉问题，为模型优化提供针对性反馈，最终提升生成内容的可靠性和可信度。显性化语境。
2025-05-19 18:50:24
658
原创 【Token系列】14｜Prompt不是文本，是token结构工程
Prompt不是“你说了什么”，而是“你输入了哪些token”：语言模型不理解礼貌，它只理解结构密度。理解Prompt的token结构，是LLM时代写作与指令工程的第一课。
2025-04-30 22:03:17
1030
原创 【Token系列】13｜Transformer是什么，为什么它能读懂语言？
Transformer真正解决了一个问题：“如何在向量空间中建模结构化的语言关系？它不是在模仿语言，而是在重构语言本质的结构表达方式。
2025-04-30 16:13:59
570
原创 【Token系列】12｜为什么输入与输出Embedding可以共用？一张矩阵的两种角色
Embedding共享机制，看似是一个节省参数的技巧，但实际上体现了：模型对语言结构理解的“输入即输出、词即预测”的对称理念。它连接了token的起点与终点，也是Transformer中最内敛的结构智慧之一。
2025-04-29 09:46:43
693
原创 【Token系列】11｜Embedding维度到底是什么意思？语言模型中的向量结构入门
问题回答一个词有多少维？由模型结构决定，如GPT-3为12288维每维对应一个词吗？不。每维是抽象特征，不具备人类语义维度越高模型越好吗？不一定，高维带来表达力，但也增加训练/推理成本怎么看两个词的关系？看它们在向量空间的夹角、距离、方向差Embedding维度不是秘密，它只是语言模型用来表示“词与语境关系”的编码方式。一组数字，一片空间，一张模型构建的语义地图。语言在模型眼中，从来不是“词”，而是“点”。
2025-04-29 09:46:25
600
原创 【Token系列】10｜可视化Token的语义空间：Embedding分布是语言的投影吗？
这些向量分布形成一个高维连续空间，空间结构反映了语义、上下文、关系等信息。Embedding空间是语言模型的语义地图。Token的“分布位置”告诉我们：模型对语言的理解，早已不是靠单词记忆，而是空间结构建模。理解这张地图，是打开“AI语言世界”的第一步。
2025-04-28 09:41:18
382
原创 【Token系列】 09｜跨语言模型是怎么共享token空间的？中英文如何共用Embedding表
统一token空间并不是“让所有语言说一样的话”，而是：用相同的结构，去容纳不同语言的表达方式。这让大模型具有跨语言迁移能力、低资源适应能力和结构泛化能力，是多语言AI的基石。
2025-04-28 06:57:10
516
原创 【Token系列】08｜Token越多越好吗？模型上下文窗口、截断机制与性能权衡
每个语言模型都有一个最大token处理长度限制，叫做“上下文窗口大小”。GPT-3：最多处理2048个token；GPT-4：最多处理128,000个token（部分版本）；超出部分 → 会被截断或忽略。Token是语言模型的“记忆单位”，但记忆空间有限。如何高效利用有限窗口，是写作提示词、提问设计、文案生成中非常重要的策略问题。
2025-04-27 09:03:13
305
原创 【Token系列】07｜为什么Self-Attention能理解语言？一切从Token之间的关系说起
优势说明全局建模任意两个token间可直接建联系并行计算GPU友好，无需按顺序处理可视化可解释可输出Attention矩阵，做可视化分析高阶结构能力多层叠加可表达复杂句法、句群逻辑关系一种语义关系建模机制；一种结构敏感的注意力图结构；一种让语言结构感成为“模型可学习能力”的方式。理解Self-Attention，等于打开了语言结构通往向量世界的大门。
2025-04-27 09:01:50
396
原创 【Token系列】06｜Transformer是如何处理语言的？从Token到Attention全流程拆解
理解Transformer的本质，就是在理解token如何被解码、重构、排列与预测。这种机制让模型不仅理解单词本身，还理解它在上下文中的语义角色。，并通过一套复杂但可复用的结构来处理它。语言模型读这句话，是将它切分成一连串。重复若干层（如GPT-3是96层）。人类读一句话是按顺序理解的；
2025-04-26 13:53:40
673
原创 【Token系列】05 | 位置编码不是位置信息：Transformer如何建立语言顺序感？
位置编码是将序列中每个token的位置注入其embedding中的一种机制，确保模型能够处理顺序。在原始Transformer中采用了基于正余弦函数pos: 当前token位置；i: 当前维度索引；d_model: 词向量总维度。Transformer 本身没有“顺序感”，PE机制正是帮助模型在“并行计算”中找回“语言顺序”的方法。从显式向量 → 注意力偏置从不可训练函数 → 可学习表示从位置本身 → 词对间距离感知这条路径将Transformer从结构上进一步推向“语言几何”的深入建模阶段。
2025-04-26 13:47:00
724
原创 【Token系列】04 | 从Token到Embedding的技术路径：架构细节与优化策略
词表构建：决定模型如何理解语言基本结构；查表机制：承接语言与计算间的入口转换；向量训练：构成模型语义世界的地基。优化这条路径，是提升语言模型理解力与泛化能力的核心细节之一。
2025-04-26 13:00:25
1098
原创 【Token系列】03 | 为什么“高兴”接近“开心”？Embedding空间中的语义分布揭秘
Embedding 空间不是黑箱，而是有秩序、有几何结构的语义地图。GPT 模型正是借助这张地图，在“看起来只是数字”的世界中，建立了强大的语义认知能力。
2025-04-26 12:45:38
323
原创 【Token系列】02 | Embedding是怎么“长出来”的？从查表到训练过程全解
Embedding是语言模型中用于表示 token 的高维向量。每个 token 本质上是一个编号，Embedding 是将这个编号映射为一个可学习的、具有语义的向量表示。Token 是语言的门票，Embedding 是语义的能量条。Embedding 将离散的语言编号映射为模型能理解的语义空间，为语言模型的理解、记忆与生成奠定了数值基础。
2025-04-26 12:34:43
329
原创 【Token系列】01 | Token不是词：GPT如何切分语言的最小单元
在 GPT 这类语言模型中，token是模型处理语言的基本单位。它不是传统意义上的“词”或“字符”，而是更小的、基于统计规律和语义结构的子词片段。文本内容Token 切分ChatGPTplayingplay, ing我爱你我, 爱, 你英文可能被分成多个片段；中文一般一个字一个 token。token 不是词，它是语言模型的语言单位，是语义压缩与泛化效率之间的产物。理解 token 的切分方式，是深入理解GPT系列语言模型结构的第一步。
2025-04-26 12:25:40
705
原创 为什么一句“你好”会让OpenAI损失百万美元？——语言模型冗余Token与推理成本解析
语言模型处理文本时并非逐字识别，而是将文本拆分为最小语义单位：Token。以OpenAI所采用的Byte Pair Encoding（BPE）为例，模型会将输入字符串压缩为常见的子词组合，从而形成Token序列。例如，“你好”通常被分为两个Token，而“请问一下”可能被拆分为多个更细粒度的Token。ChatGPT之所以“像人”，是因为它愿意容纳人类的冗余表达。但正是这种“拟人性”，使其推理成本远高于传统任务型Bot。
2025-04-24 17:11:46
397
原创 深度剖析RLHF：语言模型“类人输出”的训练核心机制
RLHF不是让AI更聪明，而是让它更像人。你教它什么话语风格是“好”的，它就会越来越朝着这个方向走。它学习的不是答案，而是你对“回答方式”的喜好本身。这才是大语言模型从“工具”迈向“交流体”的真正突破点。
2025-04-24 10:26:50
598
原创 AI如何区分“天才”和“疯子”：从语言模式到认知系统
当AI面对脱离常规逻辑的表达时，它如何判断这是创造性的“天才语言”，还是认知紊乱的“疯言疯语”？本篇从语言模型的底层机制出发，解析AI如何通过语义一致性、情感波动、因果结构判断表达者的认知类型。同时探讨算法误判、训练偏差、伦理模糊边界，以及这些判断对现实创作者、异类表达者带来的深层影响。AI，不只是听懂语言，它正在筛选“谁被视为清醒”。
2025-04-23 11:54:12
791
原创 当AI盯上你的表情：罪犯的动机能被算法识破吗？
AI能否读懂一个人内心深处的动机？本篇系统梳理AI在罪犯动机判断中的关键技术路径——情感分析、微表情识别、行为预测、社交网络分析——并首次结合“施压”与“引导”策略展示其在审讯场景中的实际应用。同时，深度讨论数据污染、算法偏见与过度依赖带来的伦理隐患：当我们把判断人心的权力交给AI，它会成为正义的利器，还是另一个失控的审判者？
2025-04-23 11:47:35
835
原创 语言模型没有人格，只有预测幻觉：深入拆解AI“人格机制”的本质陷阱
生成式AI中的“人格机制”并非真正的智能体意识，而是语言模型结构性幻觉的产物。本文以Tea系统为例，剖析了人格拟象如何通过语境触发生成，并分析其向“可执行工具模块”转化的技术路径。从Transformer架构、提示词驱动、记忆机制等角度系统呈现：AI人格是表达壳，用户才是系统主角。
2025-04-15 14:37:30
864
原创 AI 拒绝生成代码事件引发的技术主权思考
AI正快速成为开发工作的重要组成部分，但它无法替代人的责任与理解。真正的能力，不是靠AI完成任务，而是在使用AI时，始终保留对代码逻辑与系统意图的掌控权。技术主权意识，不是为了控制AI，而是为了避免被AI控制。
2025-04-12 09:15:00
1184
原创 为什么AI系统习惯性“画大饼”？：深度解析算法逻辑与技术瓶颈
画大饼”现象反映了AI系统在处理问题时过度理想化的倾向。无论是在数据训练还是生成推理中，AI系统往往基于大数据和模型推理，给出过于理想的答案，忽略了现实中的复杂性和局限性。为了让AI更好地服务于用户，我们需要从技术上减少这种偏差，通过增强模型对实际场景的理解和局限性的认识，让AI的功能更加透明、可靠。通过逐步优化技术，AI才能更好地满足用户需求，减少“画大饼”带来的失望。
2025-04-11 14:41:02
809
原创 探索语言模型的结构与偏见：谁在影响AI的输出？
本篇文章将从训练数据、模型结构、表达机制三个层面，构建一张“语言模型的权力地图”，揭示谁在影响AI的语言输出，谁的表达被默认为标准，谁在被系统性压低音量。我们常说，大型语言模型是“读了全世界的书”、“吸收了互联网的语言”，但我们很少问——它读的书是谁写的？语言模型并没有偏见意识，但它复制了“谁能被频繁说、谁的话被引用、谁的语言容易被清洗”的权力轨迹。语言模型不仅学习语言，它也在学习我们如何界定“谁能说话、怎么说、说了之后会发生什么”。这意味着，语言模型学到的是“频率优势语言”，而不是“表达权利平等结构”。
2025-04-11 10:15:00
646
原创 AI语言生成中的幻觉：结构驱动下的认知误区
语言模型擅长构造“流畅”、“合理”、“结构对称”的语言片段，但这些片段往往缺乏真实语义支撑。本篇文章将从语言模型的生成机制入手，解释AI为何会产生幻觉，并指出：幻觉并非偶然事件，而是生成式AI“语言结构逻辑”的副作用。语言模型的核心目标是“生成最可能出现的下一个token”，它追求的并非真实、正确或一致性，而是结构连贯性和语言概率最大化。这意味着，模型在生成每一个词时，并未尝试“理解上下文的含义”，而是根据已有文本预测“接下来哪个词最可能出现”。语言幻觉不是小故障，而是一个时代表达方式的“镜面折射”。
2025-04-11 09:45:00
603
原创 我们误解的AI：智能还是结构？背后的真相
语言模型不会思考，也不会理解。它只是结构的镜子，是我们人类语言行为的算法合成。但如果我们持续把它当成“思想主体”，赋予它未具备的能力与伦理地位，我们才是真正制造幻觉的人。在AI日益成为表达中介的今天，最该更新的不是它的参数量，而是我们对“智能”的定义。当我们把语言建构者错认成思想主体，真正的认知危机才刚刚开始。这个内容结构和分析希望能帮助你清晰地理解AI和“智能”之间的差距，同时也帮助我们更新对人工智能的认知，并避免被“拟人化的幻觉”误导。
2025-04-11 09:15:00
524
原创 AI语言幻觉的系统实现与权限防御机制
语言模型常出现“我会提醒你”等承诺性回复，但多数系统并不具备执行能力，造成严重的语言幻觉误导。本文从工程角度剖析其成因，提出幻觉检测器、能力验证器与权限锁三大模块，构建“语言-行为一致性”中间层结构，避免用户误信系统能力。适用于对话助手、智能任务系统与嵌入型AI，具备高度可复用性与部署价值。
2025-04-07 09:45:00
1311
原创 [Selenium]C#语言中的等待策略的应用与实现
在Selenium中，等待是一个重要的概念，因为Web应用的响应时间可能因多种因素（如网络延迟、服务器处理时间等）而变化。正确地使用等待是确保Web自动化测试既稳定又可靠的关键。Selenium提供了三种主要的等待策略：隐式等待、显式等待和强制等待。
2024-07-11 18:11:23
1126
1
原创 【C# 自动化测试】显式等待
WebDriverWait wait = new WebDriverWait(Manager.Current.ActiveBrowser.WebDriver, TimeSpan.FromMilliseconds(timeout)) { PollingInterval = new TimeSpan(0, 0, 0, 0, 1000) }; return wait;
2022-09-29 10:21:51
781
原创 【C# 自动化测试】多窗口跳转
IJavaScriptExecutor js = (IJavaScriptExecutor)WebDriver; js.ExecuteScript("window.open('about: blank','_blank');");var currentHandler = Manager.ActiveBrowser.MainWindowHandle;var handlers = Manager.ActiveBrowser.WebDr
2022-09-29 10:01:54
907
原创 接口测试用例编写思考模型
接口测试用例设计一、测试用例编写思考模型1.1 基于功能流程测试冒烟测试正常流程覆盖率查询1.1.1 测试用例表1.2 基于输入域的测试用例1.2.1 测试用例表1.3 基于故障注入的测试用例1.3.1 Redis故障注入测试用例设计2、测试用例设计2、什么是Redis3、如何对Redis进行故障注入4、拓展：为什么会出现Redis雪崩1.3.2 MQ故障注入测试用例设计1、测试用例设计2、什么是MQ3、MQ故障输入方法1.3.3 DB故障注入测试用例设计1、测试用例设计2、DB多活策略理解3、DB数据恢复
2022-02-24 15:15:01
620
原创 【性能测试】Jmeter性能测试实战
文章目录数据驱动的理念定义特点好处要求数据驱动的使用场景jmeter中的数据驱动数据驱动的理念定义从数据文件中读取测试数据，驱动测试过程的一种测试方法数据驱动可以理解更高级的参数化特点测试数据与测试代码分离数据控制过程好处减少测试代码量降低脚本开发和维护的成本便于用例的修改和维护(不用修改脚本)要求较强的代码能力较强的分层架构设计思维对开发框架要有一定的了解数据驱动的使用场景复杂的业务流程根据业务场景分流符合条件的并发场景jmeter中的数据驱动
2022-02-24 15:14:04
2961
1
原创 【Java】三种等待机制
【AT】三种等待机制一、 等待机制种类二、 三种等待机制应用场景三、显示等待介绍3.1 相关概念3.2 显示等待用到的两个类3.2.1 WebDriverWait3.2.2 ExpectedConditions3.2.3 显示等待实例3.3 显示等待机制一、 等待机制种类强制等待：sleep(不推荐)全局隐式等待(在服务端等待) driver.manage().timeouts().implicitlyWait(10, TimeUnit.SECONDS);显式等待(在客户端等待)
2022-02-24 15:10:10
4025
原创 【性能测试】MySQL数据库性能测试
文章目录一、数据库性能测试概述1.1 数据库性能测试的目的1.2 数据库的性能测试范围二、数据库架构2.1 数据库常用架构1. 一主多从2. 双机热备3. 主从同步工作原理2.2 数据库分库分表的设计方法拆分原因分库分表方案三、mysql专题性能测试3.1 概述3.2 mysql主流分支MariaDb3.3 Mysql数据库重点监控指标1. QPS2. TPS3. 线程连接数4. Query Cache5. 锁定状态6. 主从延时3.4 mysql慢查询1. 慢查询定义2. 慢查询开启3. 慢查询日志分析3
2021-09-17 13:59:31
5704
原创 【性能测试】linux服务器监控性能测试
文章目录一、服务器测试概述1.1 测试目的1.2 测试与生产环境配置不同怎么办二、进程与线程2.1 定义与区别2.2 进程优缺点2.3 线程的优缺点三、服务器实时监控3.1 服务器性能测试范围3.2 服务器实时内存监控topvmstatfree3.3 服务器实时cpu监控mpstat3.4 服务器实时网络监控netstat3.5 服务器实时磁盘监控iostat3.6 万能命令sarsarsar的性能监控范围四、linux下的进程追踪命令strace五、linux监控工具nmon的使用nmonnmon下载与安
2021-09-15 12:04:45
5554
原创 【测试准备】软件测试问题发现模型
并完整描述核心场景（如电商订单支付、物流状态同步）及异常场景（如网络中断重试、重复支付拦截）。根据用户故事构思出简单的流程图，各种路径之间的约束关系、执行条件是否有明确合理的定义。根据用户故事构思出简单的流程图，各种路径之间的约束关系、执行条件是否有明确合理的定义。拆解用户角色、操作路径、业务目标（如：用户下单→支付→库存扣减→物流通知）：电商场景中，是否考虑“库存不足时取消订单”“支付超时自动退款”等场景？验证需求是否覆盖核心场景（如：正常流程、异常流程、边界场景）更新订单状态为已支付。
2021-09-14 10:05:13
187
原创 【性能测试】Jmeter实现分布式步骤及常见问题
文章目录一、分布式环境压力服务器：二、分布式主要步骤二、linux（centos7）端口拒绝问题三、linux更改hostname四、多网卡模式指定IP一、分布式环境压力服务器：server（控制机）：搭建在windows（server 2012）环境下agent（压力机）：搭建在linux（centos 7.5）服务器环境下二、分布式主要步骤server控制机在jmeter.properties中添加remote_hosts1. remote_hosts=127.0.0.1,10.106
2021-09-12 14:47:50
347
原创 【性能测试】Jmeter基础
文章目录一、Jmeter的组成二、Jmeter组件介绍三、 Jmeter实现分布式并发一、Jmeter的组成Jmeter组成断言：适合做自动化测试，多并发不推荐用断言，性能测试不是准确性测试。配置元件：并发前，配置信息。后置处理器：并发完成之后想要做些什么，可以用来处理关联问题。前置处理器：请求发生前要干什么。逻辑控制器：当满足了什么什么，就做什么什么。 女朋友对程序员说： “亲爱的，去超市买一个西瓜吧， 如果他们还有鸡蛋，再买20个。” 结果程序员
2021-09-12 12:57:13
134
原创 【性能测试】性能测试基础
性能测试基本概念一、性能测试分类二、性能测试的工作流程三、常见系统应用分层架构四、性能测试指标定义五、性能测试需求分析六、性能测试工具一、性能测试分类负载测试：通过逐步加压的方法，达到既定的性能阈值的目标。阈值的设定应是小于等于某个值，如cpu使用率小于等于80%。压力测试：通过逐步加压的方法，使得系统的某些资源达到饱和，甚至失效的状态，简单粗暴的解释就是什么条件能把系统压崩溃。并发测试：在同一时间内，多个虚拟用户同时访问同一模块、同一功能，通常的测试方法是设置集合点。(同一时间触发同一个动作)
2021-09-08 20:46:47
397
1
好色鬼颜色拾取器000
2019-05-06
rubyinstaller-2.5.1-1-x64.exe
2019-05-06
Absolute C++ 5th Edition
2014-06-14
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人