- 综合排序
- 最热优先
- 最新优先
- 来自专栏技术杂记
Zabbix Agent 安装3
3:off 4:off 5:off 6:off [root@zbx-target zabbix]# chkconfig zabbix-agent on [root@zbx-target zabbix ]# chkconfig --list | grep zabbix zabbix-agent 0:off 1:off 2:on 3:on 4:on 5:on 6:off [root@zbx-target zabbix]# ---- 使用zabbix-server测试连接 [root@zbx-server script]# zabbix_get -s zbx-target -p 10050 -k "system.cpu.load net.if.discovery" {"data":[{"{#IFNAME}":"lo"},{"{#IFNAME}":"em1"},{"{#IFNAME}":"em2"},{"{#IFNAME}":"em3" CPU.NUMBER}":1,"{#CPU.STATUS}":"online"},{"{#CPU.NUMBER}":2,"{#CPU.STATUS}":"online"},{"{#CPU.NUMBER}":3,
74510编辑于 2022-03-21 - 来自专栏技术杂记
Zabbix Agent 安装3
Average | awk {'print $2'} #UserParameter=swap.out.ps,/usr/bin/sar -W 1 1 | grep Average | awk {'print $3' } UserParameter=mem.used,/usr/bin/free -k | grep + | awk '{print $3}' UserParameter=ps.proc.sum[*],/bin head -n 1 UserParameter=redis.stat[*],/usr/local/bin/redis-cli -h 127.0.0.1 -p $1 info $2 | grep $3: [root@zbx-server zabbix_agentd.d]# 重启agent [root@zbx-target zabbix_agentd.d]# /etc/init.d/zabbix-agent restart Shutting down Zabbix agent: [ OK ] Starting Zabbix agent:
86750编辑于 2022-03-22 - 来自专栏ceshiren0001
Agent Skills 入门：技能包如何让测试 Agent 真正落地？
你写清楚“第一步读什么、第二步拆什么、第三步输出什么格式、遇到异常怎么处理”，Agent才知道该怎么干活。今天这篇文章，我从零拆一个测试人最常用的Skill——测试用例生成。看完你就能自己写第一个。 一、为什么测试Agent总是“落不了地”？过去一年，很多团队都在尝试用AI做测试。但真正跑起来的没几个。问题出在哪？不是模型不行，是你给它的东西，根本不是一个“能力单元”。 MCP给Agent提供手，Skill给Agent提供操作手册。没有Skill，Agent有手也不知道怎么干活。三、技能包如何让测试Agent真正落地？ ###步骤3：生成用例为每个场景生成结构化用例，包含：-用例编号：{模块}-{类型}-{序号}-测试场景：一句话描述-前置条件：执行前必须满足的条件-测试步骤：编号列表，每步具体可执行-预期结果：执行后的期望结果 ##注意事项-不臆造需求中不存在的功能-如果信息不明确，标注“需确认”而不是猜测-每个功能点至少生成1条正向用例+3条异常/边界场景写好之后，在ClaudeCode里输入/test-case-generator
9300编辑于 2026-10-05 给 Coding Agent 加上质量门禁：测试如何进入 Agent Loop
文件发生修改后，根据预设规则触发对应的测试；测试通过，Agent就继续执行后续任务；测试失败，Harness将失败结果重新送回模型，让Agent进入下一轮修复循环（RepairLoop）。 这样才能兼顾验证强度和Agent的执行效率。失败结果的反馈回路测试进入AgentLoop后，并不代表测试跑起来就够了。对于Agent而言，测试结果本身也是上下文输入。 当测试结果开始参与控制Agent的下一步动作时，这些反馈本身是否可靠，也成了Harness需要管理的问题。测试本身的可信度还有一个更棘手的问题，就是Agent可能同时拥有业务代码和测试代码的写权限。 Agent可以为新功能补充测试，但关键的验收测试、回归测试，或是隐藏测试都由独立的Harness和CI管理。 如果Agent修改已有测试文件，则触发额外检查，判断是否删除断言、增加Skip、扩大Mock范围，或者放宽原有测试条件。变异测试也可以用来检查测试本身是否足够有效。
22610编辑于 2026-08-19- 来自专栏Golang语言社区
LollipopGolibrarylollipopcommon 测试3
可以快速创建博客及商城等 git地址：https://github.com/Golangltd/lollipopgo /* Golang语言社区(www.Golang.Ltd) 作者：cserli 时间：2018年3月
1.3K90发布于 2018-03-05 - 来自专栏自学测试之道
接口测试3
上篇讲解到了一次性运行多个测试用例和运行结果的情况，这边继续说下测试报告的内容输出和可视化显示以及邮件抄送等 一、增加测试报告输出 1、首先在代码目录下新建一个文件夹test_report用来保存测试结果 2、导入测试报告库文件HTMLTestRunner_PY3（这个文件在网上可以下载后[https://blog.csdn.net/cjh365047871/article/details/80181530 3、定义测试用例和测试报告存放路径、读取测试用例方法和测试报告格式 #! q=keitwo&page=1&type=note # @QQ交流 : 3227456102 import unittest,time import HTMLTestRunner_PY3 if _ 3、导入发送邮件模块 ? 4、运行结果 ?
64120发布于 2019-09-29 - 来自专栏k8s技术圈
Kubernetes 动态创建 Jenkins Agent 压力测试
另外，由于 Jenkins Agent Pod 配置的是软亲和，当 CI 节点资源不足时，也可以调度到其他节点。 2. 使用 Kubernetes 提供的动态 Pod 作为 Jenkins Agent 用于构建流水线，具体配置可以参考顶部的文档链接。 2.5 测试用的 Pipeline Demo Demo 采用的是一个 Java 项目，克隆代码、执行单元测试、镜像构建。由于镜像内容都一样，这里就没有推送镜像，同时也减少了外部依赖。 测试策略 为了更好的测试 Jenkins 在 Kubernetes 上执行流水线的性能，在上面的配置中，我提供了足够 400 条流水线并发执行的资源。 在执行测试之前，执行 20 次流水线对节点进行预热。 主要进行五组测试，分别为 50、100、200、400、800 条流水线并发。
2.4K20发布于 2020-12-01 - 来自专栏流柯技术学院
Monkey测试3——Monkey测试结果分析
Monkey测试结果分析 一. 初步分析方法： Monkey测试出现错误后，一般的差错步骤为以下几步： 1、 找到是monkey里面的哪个地方出错 2、 查看Monkey里面出错前的一些事件动作，并手动执行该动作 3、 若以上步骤还不能找出 ，可以使用之前执行的monkey命令再执行一遍，注意seed值要一样 一般的测试结果分析： 1、 ANR问题：在日志中搜索“ANR” 2、 崩溃问题：在日志中搜索“Exception” 二. 详细分析monkey日志： 将执行Monkey生成的log，从手机中导出并打开查看该log；在log的最开始都会显示Monkey执行的seed值、执行次数和测试的包名。 首先我们需要查看Monkey测试中是否出现了ANR或者异常，具体方法如上述。
2.2K10发布于 2018-08-30 - 来自专栏叨叨软件测试
性能测试--3、性能测试过程
POC一般来说，会包含以下几个部分：1、为了验证概念所需的技术架构，如Framework、Pattern；2、利用UML语法所建构的概念模型；3、模拟解决方案；4、可被实际执行的解决方案原型(Prototype ）； 确保测试周期汇中，都会把代码冻结应用于测试环境； 确保性能测试中，不会受到其他用户的影响（防止对性能测试执行和结果造成影响）； 确定所有性能测试的目标，并征求各利益方（整个测试团队和相关人员）的同意 内部性能测试额外关注的点： 团队成员以及汇报制度（建立专门的性能测试团队或有内部测试专家组成的核心团队（大型公司）； 最起码要确保您有一位项目经理和足够的性能测试工程师）； 准备好性能测试中需要用到的测试工具和资源 第四步：创建性能测试场景 考虑如下几点： 你所做的性能测试属于哪种类型的性能测试： 基准测试、负载测试、渗透测试（疲劳测试）、压力测试（峰值测试）、非性能测试； 设置思考时间和步进时间（压力测试除外）， 第六步（后测试阶段）：分析测试结果、撰写测试报告和环境恢复 数据收集（收集并备份所有在性能测试项目中生成的数据）； 对比项目需求设定的性能目标和测试结果，确定性能测试是否达标（提前确定性能指标的“一致性
5.3K20发布于 2020-04-14 - 来自专栏探物及理
RL实践3——为Agent添加Policy
在实践1中，介绍了 动态规划DP 求解 价值函数 并没有形成一个策略Policy\(\pi\)来指导agent的动作选取，本节将利用SARSA（0）的学习方法，帮助agent学习到价值函数(表），指导 Agent的写法 Agent的三要素是：价值函数、策略、模型 Sarsa（0）是不基于模型的控制，其动作选择策略是\(\epsilon\)-greedy，根据价值函数选择动作。 对于一般问题，Agent包括如下功能 对环境的引用 自身变量：Q值，状态值的记忆 策略方法 动作执行方法 学习方法：改进策略，这部分是关键 class Agent(): def __init__ act(self, a): # 执行一个行为 return self.env.step(a) def learning(self): pass # 学习过程 Agent num_episode == max_episode_num: # 终端显示最后Episode的信息 print("t:{0:>2}: s:{1}, a:{2:2}, s1:{3}
73830发布于 2020-09-07 多模态 Agent 如何规划 UI 测试路径
多模态 Agent 如何规划 UI 测试路径 文章封面 UI 自动化的难点，表面看是脚本维护成本高，深层看是测试设计无法持续跟上系统变化。 多模态 Agent 的价值，不是把脚本换一种写法，而是让系统具备持续感知页面、动态规划路径、执行后反馈修正的能力。目标也从“写自动化脚本”升级为“生成可回放、可审阅、可纳管的高质量测试用例”。 因此，真正要解决的是三个问题： 机器能否自己看懂页面当前状态 机器能否自主决定下一步测什么 生成的路径能否直接回放并纳入测试资产 Agent 测试闭环：感知、决策、执行、反馈 多模态 Agent 的核心思路 Agent 没有人类测试者的先验偏见，因此可能执行一些人认为“不会有人这么干”的操作。 第三，概率与确定性必须分层。模型只适合做不可判定的事；凡是可判定的，都应该通过规则、标准和工程机制固化下来。 结语：让自动化从回放工具变成有记忆的探索系统 基于多模态 Agent 的 UI 自动化路径规划，关键不在于让模型替人点页面，而在于重构测试设计方式：人定义目标，系统感知状态，Agent 规划路径，工程约束负责校验
15710编辑于 2026-10-05- 来自专栏自动化测试实战
Jmeter性能测试 -3
测试环境和生产环境不同，该如何做性能测试呢？ 3、区别 1）一个线程只能属于一个进程，而一个进程可以有多个线程； 2）线程是进程工作的最小单位； 3）一个进程会分配一个地址空间，进程与进程之间不共享地址空间，即不共享内存； 4）同一个进程下的多个不同线程共享父进程的地址空间 进程的优点 1）每个进程相互独立，不影响主程序的稳定，子进程崩溃不影响其他进程 2）通过增加CPU就可以扩充性能【但损耗也会递增】 3）可以尽量减少线程加锁与解锁的影响，极大的提高了性能 进程的缺点 1 ，最大内存地址受限 2）线程之间的同步和加锁不易控制 3）一个线程的崩溃可能影响到整个程序的稳定性 Linux监控命令 一、实时监控 top：能够实时监控系统的运行状态，并且可以按照CPU及内存等进行排序 二、实时监控 - CPU mpstat：可以查看多核心CPU中每个计算核心的统计数据(前面3个命令不可以)。
82330编辑于 2022-02-25 - 来自专栏软件测试
Prompt、Agent、测试智能体:测试的新机会,还是新焦虑?
在某技术社区的测试专场,一位有十年经验的测试总监分享了他们团队的实践:"我们引入测试智能体后,三个月内测试效率提升了5倍,团队规模从15人缩减到6人。"台下掌声雷动,但散场后我听到两种截然不同的声音。 这个场景折射出当下测试行业的核心困惑:从Prompt工程到Agent编排,再到测试智能体,这些新技术究竟是测试人员的机会,还是威胁?问题的本质不在于技术本身,而在于我们如何理解这场变革的底层逻辑。 某公司的测试工程师小张,是团队里最早使用ChatGPT的人,他用AI生成用例、分析日志、编写脚本,个人产出提升了3倍。但他的Prompt技巧、分析逻辑都保存在个人文档里,不与团队分享。 某金融公司的测试总监王总,从一开始就将智能化定位为"组织能力建设"。他推动建立了"测试智能体中台",将团队积累的Prompt模板、Agent编排模式、决策规则全部沉淀到平台。 六个月后,团队整体效率提升4倍,新人上手时间从3个月缩短到3周,测试质量波动性显著降低,知识资产从"人脑"转移到"系统",离职影响可控。
51711编辑于 2026-01-17 Agent + MCP 架构下的功能测试模式变革
看起来很完美,但当产品进行前端框架升级(从Vue2迁移到Vue3)时,90%的用例因为元素定位失效而崩溃。团队不得不再花两个月重写这些脚本。 例如,测试“用户购买VIP会员”这个场景: Agent理解测试意图:验证购买流程的完整性和支付后的权益生效 Agent查询可用的MCP能力:账户创建、商品浏览、下单、支付、权益验证 Agent生成执行计划 :创建测试账户 → 选择VIP商品 → 发起支付 → 验证订单状态 → 验证VIP权益 Agent在执行过程中动态调整:如果支付失败,自动重试或切换支付方式 3. 用Agent编排能力 定义测试场景DSL: 场景:跨端购物流程测试 步骤1:在移动端下单(商品ID:12345) 步骤2:等待订单生成 步骤3:在PC端验证订单状态 步骤4:在小程序端申请退款 步骤5: 重视能力抽象 把重复的测试逻辑提取为可复用的MCP Server,而不是复制粘贴代码。好的抽象应该是稳定的、通用的、可组合的。 3.
50210编辑于 2026-04-15- 来自专栏测试开发基础
详解接口测试（3）- 构造测试数据
前言 大家好，我是洋子，我们在进行接口测试的过程中，常常会遇到缺少测试数据的情况 举个例子（1），比如有一个赠送礼物，然后将送礼用户展示在排行榜的需求，该榜单可以一次性展示100位上榜的用户，我们在测试时就需要模拟这 ，往往需要先去构造测试数据，才能进行正常的测试流程 构造数据方法 根据构造数据量不同，我们有不同的构造数据的策略 构造少量数据 对于上面例子（2）是我们经常碰到的情况。 2, 18, 155, "女", "南京", "7783434", "1654855117", "1654855117" ); 最后用select SQL语句查询一下指定数据，有了测试数据后就可以开始测试了 先介绍一下工程结构 bean目录：存放类 controller目录：入口 dao目录：数据库相关操作 service目录：处理业务逻辑 utils目录：存放工具类 项目使用方法如下： （1）安装Python 3. 以及必要的依赖库，项目当中已经包含requirements.txt，所以在执行pip install -r requirements.txt即可安装依赖库 （2）Pycharm里面启动Flask Web服务 （3）
77420编辑于 2022-09-28 - 来自专栏A周立SpringCloud
Skywalking系列博客3-Java Agent插件
Java Agent是插件化、可插拔的。 Skywalking的插件分为三种： •引导插件：在agent的 bootstrap-plugins 目录下•内置插件：在agent的 plugins 目录下•可选插件：在agent的 optional-plugins /java-agent/README.md#bootstrap-class-plugins 。 所支持的技术&框架，详见 https://github.com/apache/skywalking/blob/v6.6.0/docs/en/setup/service-agent/java-agent/ 可选插件 关于可选插件的功能描述，可详见 https://github.com/apache/skywalking/blob/v6.6.0/docs/en/setup/service-agent/java-agent
2.2K30发布于 2020-06-09 AI Agent不按套路出牌，测试圈慌了
有个做了六年自动化测试的同事，最近跟我吐槽了一件事：他给一个AI Agent写了一条一模一样的测试指令，早上跑一遍，下午跑一遍，结果居然不一样。 测试用例的全部意义，就建立在这条公理之上——因为结果是确定的，我们才能写出断言，才能判断"通过"还是"失败"。 但AI Agent打破了这条公理。 四种正在被验证有效的新方法论 第一种，对抗性测试。既然Agent会自主决策，测试的重点就要从"验证正确路径"转向"主动构造刁钻场景，看Agent会不会被带偏"。 当Agent做出一个决策，测试人员需要有能力回溯"它为什么这么选"，而不只是看结果对不对。这要求测试工程师学会阅读Agent的思考链路和调用日志，把"黑箱"尽可能变成"灰箱"。 对想要入门的测试工程师，一条相对务实的路径是：先别急着重写整套测试框架，而是挑一个团队里已经在用的AI Agent功能，从"行为一致性评测"入手——设计十组语义相近但表述不同的输入，跑上二三十次，记录每次的决策路径和最终结果
23900编辑于 2026-07-16- 来自专栏XINDOO的专栏
Agent设计模式——第 3 章：并行化
） 并行任务： 同时分析文本情感与关键词并识别图像中的对象和场景描述 优势： 更快速整合来自不同模态的洞察 A/B 测试或多选项生成： 并行生成多个响应或输出变体以选择最佳方案 用例： 创意文本生成 , ("user", "原始主题：{topic}") ]) ## 3. 通过将并行结果直接管道化 ## 到综合提示词，然后是 LLM 和输出解析器，构建完整链。 研究员 3：碳捕获 researcher_agent_3 = LlmAgent( name="CarbonCaptureResearcher", model=GEMINI_MODEL, _1, researcher_agent_2, researcher_agent_3], description="并行运行多个研究 Agent 以收集信息。" ) ## --- 3.
96010编辑于 2025-10-27 - 来自专栏啄木鸟软件测试
软件性能测试（连载3）
1.5性能测试环境 性能测试对环境是非常重要的，特别是网络环境。 ? 图3-13 测试环境与工作环境在一起 ? 图3-14 测试环境各个客户端不在一个网下 在图3-13中，测试环境与工作环境在一起，既使得别人的正常工作不能进行，也使得测试的数据不准确。 在图3-14中，测试环境各个客户端在两个不同的网段下进行（这里是C类网），大家都知道跨网段是需要路由的，路由里面有软件，会干扰性能测试的数据，从而也会造成测试数据不准确。图3-15的环境是正确的。 图3-15 正确的性能测试环境 1.6 观察性能的四个维度 图3-16展示的是通过终端用户、系统运维人员、软件设计开发人员和性能测试人员四个维度来观察系统的性能。 ? •应用集群的可扩展性是否经过测试和验证。 •缓存集群的可扩展性是否经过测试和验证。 •数据库的可扩展性是否经过测试和验证。 3）性能最佳实践准则 •代码实现是否遵守开发语言的性能最佳实践。
1.1K20发布于 2020-02-19 - 来自专栏IT码农
写Laravel测试代码(3)
本文主要聊一聊写测试时如何mock第三方json api数据。 在开发时经常会调用第三方API接口，抓取json api data后进行加工处理，那如何写测试呢？如何mock数据呢？ andReturn(\GuzzleHttp\json_decode(file_get_contents($file->getRealPath()), true)); } } } 这样执行测试时就实现了读取本地的真实 两个测试的response数据的确来源于本地json文件的数据： ? 其实，就是一句话，写测试时如果调用了第三方 json api 读取数据时，使用Mockery库去mock数据，数据来源于本地文件夹的数据，且是真实有效的数据。至于mock部分的代码想咋写就咋写。
1.1K31发布于 2019-09-03
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