- 博客(729)
- 资源 (2)
- 收藏
- 关注
RSS订阅原创 快速点击按钮，弹出两个表单，前端怎么处理这种问题？
本文介绍了三种防止重复点击提交的解决方案：1）按钮禁用（推荐），在点击后立即禁用按钮，操作完成后再启用；2）防抖技术，限制短时间内多次点击；3）请求锁机制，用于复杂场景的全局状态管理。文章详细展示了原生JavaScript和React/Vue框架的实现方式，并建议结合加载动画提升体验。最佳实践推荐在表单提交等场景使用按钮禁用方案，同时强调后端也应进行防重校验。这些方法能有效防止重复提交，提升用户体验。
2025-11-21 13:36:15
22
原创 MQ是什么？
消息队列(MQ)是应用程序间的"中转站"，实现异步通信和解耦。它像餐厅的传送带，前台快速接收订单放入队列，厨房按能力处理，避免系统阻塞。MQ解决四大问题：应用解耦、异步提速、削峰填谷、顺序保证。主流产品包括RabbitMQ、Kafka、RocketMQ等，适用于用户注册等需要异步处理的场景。MQ是构建高效分布式系统的关键组件。
2025-10-26 16:55:44
638
原创 防重复提交的Token机制需求测试点
摘要：本文提出一套完整的Token防重复提交测试方案，从功能、边界、异常、性能和安全五个维度设计测试点。核心包括验证Token生成/存储/失效机制（Redis操作、时效控制）、重复请求拦截能力、并发处理以及异常场景下的降级策略。重点测试边界时效、高并发拦截、Token安全性（随机性、防预测）和防重放攻击能力，并强调需验证动态配置热更新和多端兼容性。建议使用Postman、JMeter、BurpSuite等工具验证，最终输出包含Redis日志、并发测试数据和风险项标注的测试报告。（149字）
2025-10-22 16:46:33
899
原创 软件测试实践中的七宗罪
测试的七宗罪”本质上揭示了文化、流程和态度上的问题，远多于技术问题。宗罪核心问题解决之道傲慢轻视缺陷的可能性培养谦逊、学习的文化贪婪牺牲质量换速度将测试纳入正式排期，重视技术债懒惰测试策略停滞不前持续更新用例，加强探索性测试愤怒测试与开发对立建立共同负责的团队质量文化嫉妒片面追求单一方法综合运用手动与自动化，遵循测试金字塔色欲盲目追求新工具工具服务于目标和流程，夯实基础暴食追求不切实际的覆盖率。
2025-09-22 10:58:28
780
原创 langchain-routerchain
RouterChain是LangChain中的智能路由机制，能根据输入内容自动分配任务到特定处理链。它包含路由决策链、专用目标链和多路由协调器，通过分析输入类型（如物理问题、数学计算）选择最优处理路径。这种设计实现了模块化任务处理，提升系统效率，适用于构建多功能AI助手、专家系统等场景，支持根据问题复杂度自动选择专用链或默认回退链。
2025-09-19 18:18:48
594
原创 langchain-PipelinePromptTemplate
LangChain的PipelinePromptTemplate是一个高级功能，可将多个提示模板串联成管道式工作流。它像工厂装配线一样，将前一个模板的输出作为下一个模板的输入，最终组合成结构化提示。这种方法解决了手动拼接复杂提示时繁琐易错的问题，通过自动化流程实现模块化设计。核心包含最终提示模板和中间模板列表，支持清晰管理依赖关系。示例展示了如何串联系统指令、示例格式化和用户查询模板。优势在于模块化、可维护性和错误减少，特别适用于构建智能代理和复杂链等需要动态生成提示的场景。
2025-09-19 18:03:36
1113
原创 机器学习python库-Gradio
Gradio是一个开源的Python库，帮助开发者快速为机器学习模型创建Web交互界面。它通过简单的API（如Interface类）封装模型函数，提供文本、图像等多种输入输出组件，无需前端代码即可生成演示页面。核心优势是解决"演示鸿沟"，让非技术人员也能测试模型，支持生成可分享链接。相比Streamlit，Gradio更专注于单一模型的快速演示，学习曲线更低。该工具特别适合研究者快速展示模型、教育场景及产品原型开发，显著降低模型演示门槛。
2025-09-17 18:54:46
958
原创 机器学习和数据科学的开源 Python 库-Streamlit
Streamlit 是一个革命性的工具，它极大地降低了将数据脚本和机器学习模型转化为可交互应用的壁垒。 它不是为了取代复杂的 Web 开发框架（如 Django），而是为数据科学家提供了一个专门用于快速原型设计、演示和分享的“超级武器”。如果你用 Python 处理数据，Streamlit 绝对是一个值得花一下午时间尝试的工具，它会改变你展示工作的方式。
2025-09-17 18:53:22
516
原创 LangChain OpenAIEmbeddings
摘要：OpenAIEmbeddings是LangChain中用于文本向量化的核心组件，能将文本转换为高维向量表示。本文详细介绍了其使用方法，包括基础安装、初始化、批量处理、参数配置（模型选择、性能优化）等，并提供了文档检索、语义相似度计算等实际应用示例。文章还包含性能优化技巧（异步处理、缓存机制）、成本控制策略（经济模型、批量处理）以及常见问题解决方案。最后总结了最佳实践，包括模型选择、批量处理、错误处理等建议，帮助开发者高效实现文本语义理解功能。（150字）
2025-09-08 16:10:59
477
原创 LangChain RetrievalQA
RetrievalQA是LangChain的核心组件，结合检索与问答功能，从文档中查找信息并生成答案。工作流程包括检索相关文档和生成自然语言答案两个阶段。支持四种处理策略：简单高效的"stuff"、适合长文档的"map_reduce"、迭代优化的"refine"和评分优先的"map_rerank"。可通过自定义提示模板、混合检索器和缓存机制优化性能，适用于企业知识库、学术研究等场景。关键是根据文档量选择合适策略，并配置检索参数和
2025-09-08 16:02:22
1103
原创 LangChain: load_tools函数
LangChain的load_tools函数支持加载多种功能工具，包括搜索引擎(Google/SerpAPI/Bing)、数学计算(LLM/Wolfram)、代码执行(Python REPL)、数据库查询、API调用(天气/新闻)等。使用时需配置相应API密钥，可通过get_all_tool_names()查看完整工具列表。工具可组合使用构建不同应用场景的AI代理，如研究助手、数据分析助手等，但需注意API成本、速率限制和隐私安全。
2025-09-08 15:04:10
303
原创 LangChain: Agent（代理）
摘要：LangChain的Agent是一个由语言模型驱动的智能系统，能够自主决策和执行动作。它包含工具(Tools)、代理类型(AgentTypes)和执行器(AgentExecutor)三大核心组件，支持零样本推理、结构化聊天和OpenAI函数调用等多种代理类型。Agent可实现研究助手、数据分析和客户服务等实际应用，通过工具描述优化、错误处理和记忆集成等最佳实践提升性能。其核心优势在于自主工具使用、多步推理和实时信息获取能力，适用于各种需要理解和执行复杂任务的场景。（150字）
2025-09-08 15:00:46
971
原创 SerpApi：搜索引擎结果页 API
SerpApi是一款专业搜索引擎API服务，为开发者提供结构化搜索结果数据，支持Google、Bing、百度等主流搜索引擎。核心优势包括免爬虫管理、自动处理反爬机制、返回JSON格式结构化数据。在LangChain框架中，SerpApi作为重要工具为AI应用提供实时网络信息访问能力，弥补LLM知识时效性缺陷，可查询天气、股价等动态信息。服务提供免费测试额度，支持多引擎搜索和丰富结果类型，是连接AI模型与现实世界信息的桥梁。
2025-09-08 14:51:18
933
原创 LangChain: Evaluation（评估）
LangChain框架提供了全面的评估工具，帮助开发者系统性地衡量LLM应用的质量。评估方法包括：1)基于字符串的精确匹配评估；2)基于嵌入的语义相似度评估；3)使用LLM进行多维度评估（如相关性、完整性等）。评估流程包含测试数据准备、预测生成、质量评估和结果分析四个步骤，支持自定义评估标准和权重设置。该框架支持自动化批量评估、模型对比测试和内容安全审核，特别适用于问答系统、文本生成等场景的质量监控和优化。通过可视化评估结果和持续性能跟踪，开发者可以有效提升模型输出质量。
2025-09-08 14:11:25
646
原创 Langchain:chain调用方法实战
本文介绍了使用LangChain框架开发大型语言模型(LLM)应用的四种核心链式结构：LLMChain、SimpleSequentialChain、SequentialChain和RouterChain。LLMChain实现基础文本生成功能；SimpleSequentialChain展示线性任务串联；SequentialChain演示多输入输出的复杂工作流；RouterChain则实现智能问题路由。文章通过代码示例详细解析了每种链的结构特点、执行流程和应用场景，并提供了温度参数控制、模板设计、错误处理等优化
2025-09-08 12:07:07
748
原创 LangChain ：Chain
摘要： LangChain中的**Chain（链）**是核心抽象，用于将多个组件（如模型、提示模板等）按逻辑顺序连接，完成复杂任务。LLMChain是最基础的链，通过提示模板和模型调用实现单步任务。高级链类型包括： SequentialChain：多链顺序执行（如翻译后总结）； TransformationChain：处理列表数据（如分块摘要）； RouterChain：根据输入路由到不同子链； CustomChain：自定义复杂逻辑。 优势：通过模块化组合解决多步任务（如搜索+提炼+生成答案），提升代码可
2025-09-05 19:01:17
728
原创 LangChain: Models, Prompts 模型和提示词
本文介绍了多种调用AI模型API的方法，包括OpenAI和DeepSeek。主要内容包括：1）通过python-dotenv获取API密钥；2）两种直接调用API的方式（OpenAI的ChatCompletion和DeepSeek的HTTP请求）；3）使用LangChain框架集成这两种API，展示了模板构建、消息格式化和输出解析的完整流程；4）通过客户邮件翻译和服务回复两个示例，演示了风格转换功能；5）详细介绍了如何使用OutputParsers将模型输出解析为结构化数据。文章提供了可直接运行的代码示例，
2025-09-05 17:51:06
512
原创 LangChain四种Memory调用
本文介绍了LangChain框架中的四种对话记忆机制：1) ConversationBufferMemory完整记录所有对话历史；2) ConversationBufferWindowMemory仅保留最近k次对话；3) ConversationTokenBufferMemory根据token数限制记忆内容；4) ConversationSummaryMemory自动生成对话摘要。通过代码示例展示了每种机制的具体实现方式，包括如何设置GPT-3.5模型、保存对话上下文以及加载记忆变量。这些记忆机制可以根据不
2025-09-05 17:46:15
234
原创 LangChain: Memory
摘要：LangChain中的Memory机制使AI能够记住对话历史，实现连贯的多轮交互。它通过保存上下文信息，让AI理解"它"等指代内容。LangChain提供多种Memory类型：基础型（完整保存对话）、优化型（滑动窗口或摘要保存）、高级型（结构化存储实体或知识图谱）。开发者可根据场景选择合适类型，并需注意Token消耗和状态管理。通过将Memory与对话链结合，可以构建具有持续记忆能力的智能对话系统。
2025-09-05 17:21:38
759
原创 不同语言在触发科学计数法计数时的差异
不同系统和工具对科学计数法的触发条件存在差异：编程语言方面，Java在7位小数时转换，Python在指数绝对值≥3时触发，JavaScript则在指数≥21时转换；数据库系统中，Oracle对≥10^126的数转换，MySQL默认使用科学计数法，SQL Server阈值是10^17；Excel对≥12位整数或≥6位前导零小数自动转换。通用解决方案包括强制格式化输出、使用Decimal类型、以及在前端手动格式化字符串。核心触发规律是整数位≥15位或前导零≥6位，最佳实践是主动控制数值输出格式以确保精度。
2025-08-29 11:52:17
1145
原创 保存按钮加loading功能如何测试？
测试“保存按钮加loading”这个功能需求。主要验证当用户点击保存按钮后，按钮是否显示加载状态（loading），并在操作完成后恢复正常。点击保存按钮后，按钮立即进入loading状态（如显示旋转图标、按钮禁用等）。保存操作完成后（成功或失败），按钮恢复正常状态（loading图标消失，按钮可点击）。在按钮处于loading状态时，按钮不可点击（防止重复提交）。在loading过程中，用户无法再次触发保存操作。模拟网络延迟：检查在长时间保存操作中，loading状态是否持续显示。
2025-08-25 09:51:54
596
原创 java和javascript在浮点数计算时的差异
JavaScript和Java浮点数计算结果存在微小差异(4894.5599999999995 vs 4894.55999999999904)，主要原因是：1) IEEE754双精度浮点数标准在不同语言中的实现细节差异；2) 101.96999999999998作为无限循环小数在存储时存在精度损失；3) 两种语言对中间计算步骤的优化策略不同。对于精确计算，建议使用BigDecimal(Java)或big.js(JavaScript)等定点数库，或采用容差比较法。在大多数业务场景中，这种微小的精度差异(10^
2025-08-20 14:29:00
471
原创 python精确计算浮点数乘法
精确计算浮点数乘法：101.96999999999998 × 48.0使用python计算，输入结果为4894.5599999999995，但是这个值是错误的。
2025-08-20 13:51:53
385
原创 智能测试用例生成工具设计
本文提出了一种智能测试用例生成工具的设计方案，该工具通过整合公司历史测试用例库与AI能力，实现高效规范的测试用例生成。系统包含三大核心组件：历史用例集成模块（加载多种格式用例库并建立语义检索索引）、AI生成引擎（基于GPT-4结合公司规范生成结构化用例）和完整工作流（检索-生成-验证闭环）。该方案支持Gherkin语法输出，确保覆盖正向/逆向/边界测试场景，并能将新用例反馈至知识库。关键优势包括知识传承、规范遵循、智能生成和效率提升，建议采用私有化部署并建立人工审核机制。实际应用示例展示了用户注册功能的测试
2025-08-14 15:48:23
631
原创 Langchain结合deepseek：框架+模型的AI测试实践
langchain：将多个AI指令像乐高积木一样拼接，构建复杂工作流（例如：需求分析→生成测试用例→执行测试→生成报告）。：自动记录测试上下文，让AI像人类测试员一样"记住"历史用例和失败场景。：让AI自主决策何时调用Selenium、Postman等工具，实现全流程无人值守。
2025-08-12 19:07:53
1218
原创 Hugging Face和langchain的区别
选择依据推荐需要预训练模型或数据集选 Hugging Face要微调或训练新模型选 Hugging Face构建基于LLM的应用程序选 LangChain实现多步骤AI工作流选 LangChain创建自主AI代理选 LangChain模型演示和分享选 Hugging Face最佳实践：在真实项目中，通常同时使用两者用 Hugging Face 获取/微调模型用 LangChain 构建应用逻辑。
2025-08-12 17:43:30
714
原创 Hugging Face是什么？
🚀 AI 民主化引擎：让每个人都能使用先进AI技术🤝 开发者社区：全球最大的AI协作平台🧠 模型生态系统：从研究到生产的完整解决方案🛠️ 生产力工具：简化AI开发全流程。
2025-08-12 17:38:47
2357
原创 LangChain 调用deepseek模型
使用 DeepSeek 替代 OpenAI 的方案在功能和性能上相当，特别适合中文场景，且对国内用户网络更友好。主要支持主流模型（OpenAI、Anthropic、Hugging Face 等）DeepSeek 作为新兴国产模型，尚未被官方集成。备注：主要是用langchain，本方案不考虑。原因：DeepSeek 的 API 接口。可以利用这一点实现无缝对接。
2025-08-12 17:32:09
1375
1
原创 LangChain：构建LLM驱动应用 的开源框架
：LangChain 是构建 LLM 应用的“瑞士军刀”，让语言模型从聊天玩具升级为生产力工具。
2025-08-12 16:21:05
911
原创 如何使用gpt进行模式微调（2）？
对 GPT（Generative Pre-trained Transformer）类大模型进行微调（Fine-tuning），是将其适配到特定任务或领域的关键步骤。以下是 ，涵盖方法选择、数据准备、训练配置、评估部署等核心环节，并提供 。
2025-08-12 10:09:54
933
原创 如何使用gpt进行模型微调？
对 GPT 类大语言模型（如 GPT-3、GPT-2、Hugging Face 的 GPT 系列、ChatGLM 等开源或闭源模型）进行微调（Fine-tuning），目的是让模型在特定任务或领域（如法律、医疗、客服、代码生成等）上表现更优，或适配企业私有数据。微调主要分为 和 两类，下面从流程、方法、工具和注意事项展开说明。
2025-08-12 10:04:56
1126
原创 测试团队的年度OKR
：该OKR体系既覆盖了测试团队的核心职责（功能质量、自动化效率），又通过效能提升强化团队长期竞争力，最终实现“质量可靠、交付快速、团队成长”的年度目标。
2025-08-11 15:29:59
820
原创 20250806美团外卖回应霸王茶姬券被回收
美团外卖在官方微博回应称，“原本，我们和霸王茶姬正在为大家准备秋天的第一杯好茶，今天请可爱的骑手们先喝时，手一抖，提前发给了大家。既然提前发了，那我们就先喝起来吧，一起先甜！8月6日，有网友发文称领到了美团的霸王茶姬奶茶券，可以0元兑换一杯奶茶，但随后券又被收回，并直言“玩不起别玩”。随后，“美团 霸王茶姬”冲上热搜！
2025-08-07 16:36:32
242
原创 接口自动化怎么写
接口自动化测试通过代码自动验证API功能，核心步骤包括：确定测试目标（状态码、响应结构等）、选择工具（Python常用requests+pytest）、编写测试用例（参数化测试、依赖处理）、设计断言（数据验证、JSON结构）、生成测试报告并集成到CI流程。关键优化点包括请求封装、环境配置和并发执行。典型工具链为Python+requests+pytest+Allure，适合验证业务接口的正确性和性能。
2025-07-03 13:41:06
544
原创 做测试工程师，整天点点点，感觉很枯燥怎么办
测试工程师如何突破重复劳动？本文给出实用建议：1.技术层面从手工测试转向自动化（Selenium/Postman）、性能/安全测试（JMeter/BurpSuite），进阶测试开发；2.拓展质量保障边界，参与全流程测试并运用AI辅助；3.通过刻意练习、技术深耕提升工作价值。职业路径可从自动化专家发展到质量架构师，关键在于用技术解决重复性问题，将测试从"功能验证"升级为"质量工程"。行动建议包含短期脚本化、中期技术分享、长期考取认证等具体步骤。
2025-06-30 13:40:49
908
原创 什么是探索式测试，应该怎么做？
探索式测试（Exploratory Testing）是一种强调“测试设计与执行同步进行”的软件测试方法，它将测试人员的知识、经验、直觉与系统探索相结合，在动态执行中灵活设计用例并发现缺陷。与传统的基于文档的测试（如预先设计好详细用例再执行）不同，探索式测试更注重实时思考、快速验证和创造性探索，适合需求不明确、变化频繁或需要快速反馈的场景。
2025-06-13 23:47:33
1194
原创 如何有效开展冒烟测试
冒烟测试（Smoke Testing）是软件开发中的关键质量关卡，旨在快速验证软件核心功能是否正常，避免将明显缺陷的版本流入后续测试阶段。其核心目标是“快速失败”：若冒烟测试不通过，则直接阻断测试流程，要求开发团队修复基础问题后再推进。
2025-06-13 23:44:35
1117
原创 常见的测试工具及分类
Web测试工具是保障Web应用质量的核心支撑，根据测试类型（功能、性能、安全、自动化等）和场景需求，可分为多个类别。以下从。
2025-06-12 22:27:53
1682
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人