- 综合排序
- 最热优先
- 最新优先
图解AI：9个MCP应用场景
100% 本地 MCP client MCP 客户端是 AI 应用（如 Cursor）中用于建立与外部工具连接的组件。 目前很多IDE都提供了兼容本地AI的配置方式，我一般用代码代替客户端来完成一些测试。 机器配置稍微好点的可以跑个满血版的模型，推荐使LlamaEdge,ollama默认会下载量化版的模型，体验稍差。 财务分析 基于 Cursor 或 Claude Desktop 构建 MCP 驱动的 AI 智能体，实现对股市趋势的数据获取、分析及洞察生成。 这块也可以像前面提到的，对接各种外部数据，从各种数据库拉取数据交给AI生成报表。目前比较流行的是让AI使用数据画成图表数据，目前主流AI IDE都已Mermaid语法，推荐豆包。 复杂文档检索增强生成系统 使用 MCP 为复杂文档（含表格、图表、图像及复杂排版等元素）驱动的 RAG 应用赋能。 在这吐槽下微软最近开源的文档提取工具，堂堂微软做出来的开源项目真LJ！
16810编辑于 2026-06-22- 来自专栏测试技术圈
面向AI应用的测试思考
然而，由于AI是一种新的编程范式，无论在学术界还是工业界，对于AI测试的研究和实践尚处于起步阶段。” AI引导了新一轮的产业变革，随着AI在各行各业的应用日益广泛，对AI应用测试的需求也与日俱增。 由此可见，对于AI应用的质量保障显得愈发重要。 1 AI测试面临挑战 关于AI应用（系统）的组成，通常是由软件工程和机器学习模型结合。 现实世界中的ML应用程序/系统只有一小部分由ML代码组成，其他大部分都是由复杂的架构工程构成。对于AI产品业务的测试，可以从两个方面着手，数据验证测试和AI应用测试。 基于AI / ML应用程序的测试。 关于AI应用测试，可以总结概括4个关键要点，算法、数据质量、业务场景、分层专项。 ? 总之，对于AI/ML模型的测试问题与传统软件测试问题有较大不同，且存在着诸多技术挑战。但伴随着业界越来越多地使用AI技术来构建其系统和应用程序，对AI应用的测试方法和实践将在未来迅速发展和逐步完善。
2K51发布于 2020-09-08 - 来自专栏AllTests软件测试
9个用于测试自动化的最佳AI测试工具（2024）
开发人员和测试人员很容易简化测试用例开发过程。人工智能的存在也使维护过程自动化，确保更好的准确性。 此AI工具使测试web或移动应用程序变得更顺畅。 可定制的测试场景：你可以根据特定的用例定制测试。 可扩展性测试：该功能测试AI应用程序，以确保其功能负载能力。 安全符合性检查：BlinqIO确保所有测试都符合当前安全标准。 使用AI自动更正：自动更正错误。 移动应用程序自动化测试：该工具使用人工智能来简化测试过程，而无需手动干预。 官方网址： https://contextqa.com/ 9、Relicx Relicx利用生成人工智能来简化软件测试，提供无代码测试编写、自我修复测试和可视化回归检测。 视觉回归测试：使用Relicx AI在不同的应用程序中自动检测视觉回归。 用于调试的会话重播：Relicx提供了丰富的会话重放，允许开发人员观看实际的用户会话，以了解和排除错误。
27.8K22编辑于 2024-07-08 - 来自专栏DotNet NB && CloudNative
AI应用实战课学习总结（9）Hello 深度学习
最近入坑黄佳老师的《AI应用实战课》，记录下我的学习之旅，也算是总结回顾。 今天是我们的第9站，一起了解下大数据和GPU时代下的 深度学习 和 PyTorch框架。 PyTorch 是一个开源的机器学习库，主要用于应用如计算机视觉和自然语言处理等领域。 它由 Facebook 的 AI 研究团队开发，并以 Python 编程语言为基础，提供了强大的 GPU 加速支持。
44010编辑于 2025-04-02 - 来自专栏FunTester
AI 驱动的应用，传统测试正在失效
最近两年，测试圈子里弥漫着焦虑情绪：业务团队快速推进 AI 技术落地，智能客服、AI 助手等功能已成为 Web 应用标配；而测试工程师却越来越心虚，明明编写了大量用例并执行回归测试，但内心始终不安。 这种焦虑源于测试思维框架已过时——传统测试依赖确定性，而 AI 系统充满概率性和不确定性。 测试工程师最近的集体困惑 来看几个典型的AI测试场景，这些问题正在让测试工程师重新思考传统方法的有效性。 AI系统表现充满概率性和不确定性，传统测试最依赖的确定性判断能力正在AI的概率世界里逐渐瓦解。 传统测试的隐含前提 我们先深呼吸一下，暂时放下那些 AI 带来的焦虑，回到测试工程师这份工作的本质。 ，因为上周能跑通的这周也应该能跑通 • 把 CI 结果当作上线门禁，因为红灯亮起就是有问题需要解决 AI 应用天生不吃这套 好，现在问题来了：AI 驱动的 Web 应用，还满足我们刚才说的那些确定性前提吗 AI 驱动的 Web 应用，已经不再是我们传统测试方法所设想的那类系统。
27510编辑于 2026-06-17 - 来自专栏啄木鸟软件测试
软件性能测试（连载9）
Linux内核根据应用程序的要求来分配内存，应用程序分配了内存可能没有实际全部使用，为了提高性能，这部分没用的内存可以留作其他用途，由于这部分内存是属于每个进程的，内核直接回收利用会带来麻烦，所以内核采用一种过度分配内存 一般来说这样是没有问题的，但是当大多数应用程序都消耗完自己的内存的时候就有问题了，因为这些应用程序的内存需求之和超出了物理内存（包括SWAP）的容量，内核必须杀掉一些进程才能产生空间来保障系统的正常运行 交换区的总量 Swap: ###k used 使用的交换区总量 Swap: ###k free 空闲的交换区总量 Swap: ###k cached 缓冲的交换区总量 top命令进程中关于内存性能如表3-9所示 表3-9 top命令进程中关于内存性能参数 标记 解释 VIRT 进程虚拟内存的大小，只要是进程申请过的内存，即便还没有真正分配物理内存，也会计算在内。
1.3K40发布于 2020-02-20 - 来自专栏啄木鸟软件测试
安全测试工具（连载9）
星云测试 http://www.teststars.cc 奇林软件 http://www.kylinpet.com 联合通测 http://www.quicktesting.net
1K10发布于 2019-12-12 - 来自专栏啄木鸟软件测试
精准测试及其工具（连载9）
4 星云客户端企业项功能说明 4.1智能的回归测试用例选取分析算法 前置条件：最少要有一个用星云示波器做过数据的历史版本与一个需要回归新插装版本 精准测试云平台采用“一种基于测试用例与代码逻辑、源码版本关系矩阵的测试用例选取方法 ”的回归技术，在回归测试时，基于智能算法，完全自动筛选计算出每个测试用例受影响的程序，用户可以根据此数据来进行用例回归测试的优先级排序，把高风险的用例测试放到前面，大大减少了回归测试的时间。 测试用例是关联工程的，所以同一工程下新建的版本继承了上面所有版本的测试用例，我们在进行智能回归测试用例选取的时候会用当前版本的代码去和以前版本代码去做对比，通过哪些对比得到哪些函数被改变了，并通过这些改变的函数对涉及到的测试用例做统计 图73回归在示波器页面的测试用例显示 4.2 测试用例的聚类分析算法 前置条件：有一定数量的测试用例数据 精准测试云平台根据的函数执行剖面的向量化信息，对测试用例进行聚类分析, 从类中检出中心点测试用例以及其附近的测试用例 聚类算法是通过测试用例的代码相似程度得出结果的，所以可以帮助我们划分出来有哪些测试用例的代码相似程度比较高，这样在我们聚的一类的测试用例Bug测试用例比较多的时候，我们在下个版本的时候可以着重测试该类测试用例
93730发布于 2019-12-12 - 来自专栏Redis原理与应用
Redis应用—9.简单应用汇总
(String数据结构)6.实现一个简单的唯一ID生成器(incr命令)7.实现博客点赞次数计数器(incr命令 + decr命令)8.社交网站的网址点击追踪机制(长网址转短网址)(Hash数据结构)9. /短网址追踪案例public class ShortUrlDemo { private static final String[] X36_ARRAY = "0,1,2,3,4,5,6,7,8,9, shortUrlDemo.getShortUrlAccessCount(shortUrl); System.out.println("短网址被访问的次数为：" + accessCount); }}9.
34300编辑于 2025-03-08 - 来自专栏华章科技
AI魔幻行为大赏：细数机器视觉的9大应用场景
，因此机器视觉的应用前景还是非常广阔的。 这些技术正广泛应用于城市治理、金融、工业、互联网等领域。 以下将以9个场景为例，对一些常见的应用场景进行介绍，让读者直观地理解机器视觉都能解决哪些问题。 ▲图1-7 自动驾驶汽车应用场景 自动驾驶技术链比较长，主要包含感知阶段、规划阶段和控制阶段三个部分。机器视觉技术主要应用在无人驾驶的感知阶段，其基本原理可概括如下。 ：书籍、报刊等印刷物的识别 实体标识识别：道路指示牌识别（如图1-9）、广告牌识别等 ? ▲图1-9 文字识别技术的应用场景 09 图像/视频的生成及设计 人工智能技术不仅可以对现有的图片、视频进行分析、编辑，还可以进行再创造。
1.6K30发布于 2019-07-24 - 来自专栏计算机视觉战队
AI魔幻行为大赏：细数机器视觉的9大应用场景
，因此机器视觉的应用前景还是非常广阔的。 这些技术正广泛应用于城市治理、金融、工业、互联网等领域。 以下将以9个场景为例，对一些常见的应用场景进行介绍，让读者直观地理解机器视觉都能解决哪些问题。 ▲图1-7 自动驾驶汽车应用场景 自动驾驶技术链比较长，主要包含感知阶段、规划阶段和控制阶段三个部分。机器视觉技术主要应用在无人驾驶的感知阶段，其基本原理可概括如下。 ：书籍、报刊等印刷物的识别 实体标识识别：道路指示牌识别（如图1-9）、广告牌识别等 ? ▲图1-9 文字识别技术的应用场景 09 图像/视频的生成及设计 人工智能技术不仅可以对现有的图片、视频进行分析、编辑，还可以进行再创造。
3.4K21发布于 2019-08-14 - 来自专栏软件测试学习
测试日报 | 6月9日：Xcode 27发布Core AI框架，Sauce Labs意图驱动测试上线，AI测试岗位暴增42倍
框架——苹果称其为构建AI Agent应用"最佳场所" 2026年6月9日凌晨，苹果在 WWDC 2026 主题演讲后正式发布 Xcode 27 Beta 及 Core AI 框架，将Xcode定位为构建 AI智能体应用的"最佳场所"。 iOS 27 Beta 独立Siri应用、多模型切换 应用兼容性与AI交互的端到端测试 Core AI 框架的测试挑战 Core AI 将 Foundation Models 引入设备端，开发者可以在应用中直接调用本地 日期 活动 地点 类型 亮点 6/9-13 WWDC 2026 线上 技术大会 Xcode 27/Core AI/Swift Testing 6/12 QA or the Highway 哥伦布（美国 综合来看，WWDC 2026、意图驱动测试、岗位市场剧变——2026年6月9日的测试行业正在经历的不是"渐进式改良"，而是一场由AI驱动的系统性重构。
73210编辑于 2026-06-09 - 来自专栏啄木鸟软件测试
提示词测试：AI应用的性能优化新维度
引言：当大模型成为基础设施，提示词就是新API 在AI原生应用爆发式增长的今天，越来越多团队发现：模型能力已非瓶颈，真正制约系统响应速度、成本效率与用户体验的，是那短短几十到几百字符的提示词（Prompt 而对它的系统性测试与优化，已构成AI工程化落地中不可忽视的性能优化新维度。 一、为什么提示词需要性能测试？ 传统认知中，提示词属于‘逻辑层’，性能问题归于模型推理或后端服务。 二、提示词性能测试四象限方法论 我们提出‘Prompt Perf Test Quadrant’，覆盖可观测、可量化、可归因、可治理四个层级： ✅ 可观测：构建提示词级监控埋点 - 在请求链路注入Prompt 评估：对比改版提示与基线在相同输入下的性能偏移（ΔTTFT, ΔCost） ✅ 可归因：定位性能瓶颈根因 - 分层拆解法：将提示词解构为【指令骨架】+【上下文片段】+【输出约束】三模块，逐模块AB测试 、压力测试和灰度发布的代码，标志着AI应用开发正从‘实验范式’迈向‘工程范式’。
46510编辑于 2026-05-08 - 来自专栏啄木鸟软件测试
单元测试工具（连载9）
3.2 unittest的测试覆盖率分析 利用coverage工具可以分析单元测试的覆盖率，首先我们通过pip命令下载coverage。 ) 为假，测试通过 assertIs(a, b[, msg=None]) a与bl相同，测试通过 assertIsNot(a, b[, msg=None]) a与b，测试通过 assertIsNone( x[, msg=None]) x 是空，测试通过 assertIsNotNone(x[, msg=None]) x 不是空，测试通过 assertIn(a, b[, msg=None]) a 包含b，测试通过 ，并且可以在测试完毕形成一个HTML格式的测试报告。 ='测试用例执行报告') runner.run(discover) fp.close() 测试报告如图30所示。
73940发布于 2019-12-12 - 来自专栏Python
测试 Flask 应用
没有测试过的应用将会使得提高现有代码质量很困难，二不测试应用程序的开发者，会显得特别多疑。如果一个应用拥有自动化测试，那么您就可以安全的修改然后立刻知道是否有错误。 Flask 提供了一种方法用于测试您的应用，那就是将 Werkzeug 测试 Client 暴露出来，并且为您操作这些内容的本地上下文变量。然后您就可以将自己最喜欢的测试解决方案应用于其上了。 这个测试客户端将会给我们一个通向应用的简单接口，我们可以激发对向应用发送请求的测试，并且此客户端也会帮我们记录 Cookie 的动态。 第一个测试 是进行第一个应用功能的测试的时候了。让我们检查当我们访问根路径(/)时应用程序是否正确地返回了了“No entries here so far” 字样。 如果您希望测试应用在不同配置的情况下的表现，这里似乎没有一个很好的方法，考虑使用应用的工厂函数(参考 应用程序的工厂函数) 注意，尽管你在使用一个测试用的请求环境，函数 before_request()
1.1K00发布于 2018-07-31 AI测试
AI抢不走测试人的饭碗，但会用AI的测试人，会抢走你的本文来自一个把AI测试真正落地并开源的团队：https://gitee.com/wwcs/ai_test_sheng附在线体验环境：http://111.229.22.12 这篇文章不吹概念，只聊我们在AI测试落地过程中踩过的9个真实痛点，以及我们最终是怎么解决的——所有方案都在开源的ai_test_sheng平台里落地验证过，在线环境免费可玩。 痛点9：团队协作混乱，权限说不清真实场景：谁改了我的脚本？他为什么能删我的项目？测试数据混在一起根本分不清。 最后：我们把它开源了这9个痛点，每个都是真金白银踩出来的。 在线环境已部署好，登录就能玩，觉得有用点个Star支持一下回到开头那个问题——AI会不会取代测试人？不会。但当你还在手动点点点的时候，隔壁同事已经用AI把活干完下班了。这9个坑，早填早超车。
12910编辑于 2026-08-28- 来自专栏一个会写诗的程序员的博客
Spring Boot 应用的测试Spring Boot 应用的测试
Spring Boot 应用的测试 《Spring Boot 实战开发》(陈光剑) —— 基于 Gradle + Kotlin的企业级应用开发最佳实践 本书写到这里，Spring Boot 2.0.0 这是本书最后一章，本章介绍 Spring Boot 应用的测试（质量保障）相关的内容。我们在项目开发中使用分层架构，在测试中也进行分层测试。 下面我们来详细讲解怎样针对 Spring Boot 项目进行分层测试。 1.2 分层测试 我们在开发阶段过程中，单元测试通常是必要的。 测试代码目录结构设计如下 图15-1 测试代码目录结构 测试代码的分层逻辑与项目源代码中的 dao层、service 层、controller 层各自对应。 下面我们来开发具体的测试类。 Spring Boot 应用对Web层测试提供强大的支持：采用MockMvc方式测试Web请求，根据传递的不用参数以及请求返回对象反馈信息进行验证测试。
2.3K30发布于 2018-08-17 - 来自专栏测试开发干货
【AI应用测试土话实战教程-01】Ai在测试领域可以做的十件事！
如果您可以举一反三，那这个系列就是您成为AI测试大佬的第一步。 好，现在我们第一节，就来说三个问题： 1. 为什么要学AI？ 2. AI到底难不难？ ---- 最后一个问题： AI在测试工作中能干点啥 ？ 自动规划出测试范围。漏测，开发带私货提测，隐瞒改动，用例关系隐秘，历史资料丢失等等问题，都可以让AI去补充、预测、规划测试范围。 6. 预料之外线上生产环境BUG预测。 让AI训练以往各个自动化脚本和其表现，再有新的脚本提交给AI后，就可以预测出这个脚本的质量如何了... 8. 性能测试。 当然，这个结果你仍然不信任，必须要自己实际压一次，但AI可以给你提供参考啊，比如压多少并发？压多久？相比较一点点去试，这可以一步到位，最短时间测出性能瓶颈。 9.
60822编辑于 2023-08-14 - 来自专栏FunTester
LevelDB在测试中应用应用
} } Part3有状态服务 目前使用场景中还有一个就是将一个正常的Java服务变成一个有状态的服务，比如这个服务需要执行大量的耗时的任务，这些任务都是在内存中的，会分多个阶段，在分布式性能测试中经常碰见这样的情况
2.7K10编辑于 2022-01-05 - 来自专栏愚公系列-书籍专栏
【愚公系列】《AIGC辅助软件开发》019-AI 辅助测试与调试：AI辅助测试与调试应用案例
然而，传统的软件测试方法存在许多问题，如测试效率低、测试质量难以保证、测试成本高等。因此，AI技术在软件测试领域的应用已成为一种必然趋势。 应用领域 描述 测试需求分析 AI技术可以协助测试人员快速、准确地分析和整理测试需求，从而更好地理解需求，为后续的测试工作提供支持。 一、AI辅助测试与调试应用案例 1.制定测试策略 请根据以下上传文件的需求描述，制定一份详细的测试策略。需求描述如下: 1.文件数量限制:单次上传文件的数量不超过5个。 **需求分析**: 2024年9月10日 - 2024年9月12日 2. **测试计划编制**: 2024年9月13日 - 2024年9月14日 3. **测试用例设计**: 2024年9月15日 - 2024年9月18日 4. **测试环境准备**: 2024年9月19日 - 2024年9月21日 5.
2.8K11编辑于 2024-12-23
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号