登录社区云,与社区用户共同成长
邀请您加入社区
本文介绍了如何在星图GPU平台上自动化部署🧠 Qwen1.5-0.5B-Chat 轻量级智能对话服务镜像,快速构建可压测的生产级API服务,适用于企业知识问答、客服工单自动响应及IoT设备本地语音助手等轻量化AI交互场景,显著提升业务系统智能化响应能力。
本文介绍了如何在星图GPU平台上自动化部署Qwen/Qwen3-VL-2B-Instruct视觉理解机器人镜像,支持高并发图文问答服务。通过JMeter压力测试验证,该镜像可稳定应用于电商商品图识别、发票OCR提取等典型视觉理解场景,显著提升业务审核与内容分析效率。
本文介绍了如何在星图GPU平台上自动化部署🤖 ChatGLM3-6B镜像,构建高可用大语言模型服务。通过Locust模拟多轮对话、脉冲流量等真实并发场景,可高效支撑智能客服、企业知识问答等典型应用,显著提升AI服务的稳定性与响应性能。
《从失业到创业:一位测试工程师的AI转型之路》讲述了一位资深测试工程师在行业寒冬中被裁员后,通过拥抱AI技术实现职业重生的故事。面对AI对传统测试岗位的冲击,主人公从零开始学习AI知识,开发出能高效生成测试用例的AI工具"测智通"。经过团队协作和产品迭代,该工具最终获得市场认可,帮助众多测试从业者提升效率。文章揭示了AI时代职业转型的必要性,强调测试工程师应主动掌握AI技能,将
在人工智能与医疗健康交叉领域,大型语言模型(LLM)的知识应用能力是核心挑战。模型在标准医学基准测试中表现优异,但面对真实临床场景中信息不完备、表述模糊、存在潜在偏见等复杂情况时,其可靠性往往存疑。这涉及到模型鲁棒性这一关键技术概念,即系统在非理想输入或扰动下保持性能稳定的能力。其原理在于通过对抗性方法主动构造挑战性测试样本,评估模型知识应用的稳健性而非单纯的知识储备。这一技术的核心价值在于弥合基
这篇面向想进入 AI 测试和质量工程方向的软件测试工程师,但不会把“测试转大模型:从问题定位到方案成型”写成概念清单。我会按岗位升级路线教程的思路,把它放到真实开发、学习路线和求职准备里看,顺便讲几个容易忽略的取舍。这次我会从“从初学者转型路线切入,重点写学习顺序和误区”展开,换一组场景和例子来讲。回到“测试转大模型:从问题定位到方案成型”这个主题,最重要的不是把名词背全,而是知道它该放在什么场景
这篇面向想进入 AI 测试和质量工程方向的软件测试工程师,但不会把“测试转大模型:用小项目验证核心能力”写成概念清单。我会按岗位升级路线教程的思路,把它放到真实开发、学习路线和求职准备里看,顺便讲几个容易忽略的取舍。这次我会从“从初学者转型路线切入,重点写学习顺序和误区”展开,换一组场景和例子来讲。回到“测试转大模型:用小项目验证核心能力”这个主题,最重要的不是把名词背全,而是知道它该放在什么场景
这篇面向想进入 AI 测试和质量工程方向的软件测试工程师,但不会把“测试转大模型:AI 测试工程师的能力跃迁,用真实案例讲清边界”写成概念清单。我会按岗位升级路线教程的思路,把它放到真实开发、学习路线和求职准备里看,顺便讲几个容易忽略的取舍。这次我会从“从线上问题排查切入,重点写风险、监控和回滚”展开,换一组场景和例子来讲。回到“测试转大模型:AI 测试工程师的能力跃迁,用真实案例讲清边界”这个主
大模型进入测试领域之后,一个常见问题是:测试人员会不会被 AI 替代?如果只是做重复性的测试内容编写、简单脚本生成、基础报告整理,这些工作确实会被快速自动化。但在可信测试体系里,人的价值反而会更加突出。因为 AI 可以帮助生成内容,但不能天然承担质量责任。人的角色会从“手工执行者”,逐步转向:业务风险识别者测试模型设计者规则体系建设者测试结论复核者质量可信体系负责人。
【150字摘要】TiD2026质量竞争力大会将于7月30日在北京举办,聚焦AI原生时代的质量新范式。会议将探讨大模型评测、智能体测试、AI安全等前沿议题,推动质量体系从"被动校验"升级为"主动智治"。购票即赠霍格沃兹测试开发VIP课程,覆盖AI测试开发核心技能。面向CTO、工程师、产品经理等从业者,提供AI治理框架与实践方案。大会由霍格沃兹测试开发学社支持,
大语言模型在处理日常推理与学术推理时,表现是否存在差异?本文基于C系列二期测试,对DeepSeek、豆包、千问、文心一言四款主流模型进行了C-007推理链断裂检测。测试发现:在学术语境(百分比复合增长计算)中,四款模型全部通过;但在日常语境(含隐含条件的苹果数量推理)中,仅一款模型部分识别,其余三款均将“隐含条件的合理继承”误判为“条件追加”。文章还原了测试用例、分析了误判模式,并讨论了这一分化对
idea 、jdk及环境变量配置这里就不多说了,网上有很多教程这里我们只检测一下java、maven环境是否安装成功win+R,运行cmd命令行:mvn -v 检查maven是否安装成功,如下图即成功!java -v 检查java版本 javac 环境是否安装成功,如下图即成功!
当然,postman 毕竟不是专业的性能测试工具,这些性能数据和指标需要我们自己计算,只适合用来顺手检测一下性能,对服务器的处理能力有个大概印象。然后,点击右下方的 runner 运行器,把需要测试的接口拖动到左侧展示框,在右侧设置。iterations 表示请求发起次数,Delay 表示请求间隔时间,点击运行。运行后,可以查看实时的响应结果,我们可以根据响应时间判断服务器的处理性能。
运行集合测试,可以看到我们结果符合我们的预期,Request1 和 Request3 通过测试,Request2 被跳过,Request4 仍被执行。Done…
将jmeter extras目录下的ant-jmeter-1.1.1.jar文件拷贝到ant安装目录下的lib文件夹中,该包相当于是ant和jmeter连接的桥梁,作用是使Ant运行时能够找到"org.programmerplanet.ant.taskdefs.jmeter.JMeterTask"这个类,从而成功触发jmeter脚本。配置全局工具,进入manage jenkins --global
postman是一个非常不错的接口测试工具,不管是对于测试,还是后台开发以及前端开发。图形化,模块化,可配置化,使用起来也很直观和方便。这些资料,对于【软件测试】的朋友来说应该是最全面最完整的备战仓库,这个仓库也陪伴上万个测试工程师们走过最艰难的路程,希望也能帮助到你!有需要的小伙伴可以点击下方小卡片领取。
查看测试报告,此时的测试报告会没有样式,因为被 Jenkins 禁用了 CSS 样式,需要我们手动解决。点(.):点表示 Dockerfile 文件所在的目录,我现在在 app 目录下,点表示当前目录。1、拉取 jenkins 镜像jenkins/jenkins:alpine。6.构建成功后会看到一个新的镜像(docker images)2、没有云服务器的同学参考我的博客自己动手安装虚拟机吧。
接下来通过通过git push提交代码库(或者可以提交MR),可以看到Jenkins端任务已经被GitLab webhook触发:
-a) 引入锁来实现串行-b) 前一个消费阻塞时后面都会被阻塞
本文介绍了一个基于JMeter、Grafana和InfluxDB的性能测试监控平台搭建方案。通过Docker容器化部署这三个工具,实现性能测试数据的实时采集、存储和可视化展示。具体步骤包括:1)安装InfluxDB 1.8.3并创建数据库;2)部署Grafana用于数据可视化;3)通过Dockerfile构建JMeter 5.4.3镜像,配置测试文件挂载路径。该方案可帮助团队快速搭建智能化性能测试
GitHub已成为测试工程师展示专业能力的重要平台。本文提出"吸引力法则"策略,指导测试人员打造高质量GitHub个人主页:1)完善基础信息与README个人简介;2)构建结构清晰的测试项目仓库,突出自动化测试、性能测试等技术栈;3)通过参与开源项目、规范提交记录增强社区影响力;4)运用动态内容、可视化报告等高级技巧提升展示效果。系统优化GitHub Profile可有效将测试
本文探讨了SpringCloud与Docker在微服务测试中的协同应用。针对微服务测试面临的环境一致性差、部署效率低等问题,Docker容器化提供了标准化解决方案。文章详细介绍了从环境准备、服务容器化改造到多服务编排部署的全流程,包括Dockerfile编写、镜像构建、Compose文件配置等关键步骤。同时强调了测试人员应关注的容器网络测试、安全扫描等要点,并提出将容器化与CI/CD结合的自动化测
修改是在jmeter.bat里进行,相信很多觉得应该是在jmeter.properties里,至少之前我一直改的就是jmeter.properties,(并且我改大之后很少抛出内存溢出的提示,但是我之前用的版本也相对老一些)后来我查了资料,说是jmeter.properties 是改jmeter行为的。这里我修改成初始值4g,最大值8g,MaxMetaspaceSize修改成512。很简单,看你压
本文系统整理了单接口性能测试的核心要点:1. 测试用例设计通常采用典型用例单独压测,再按数据量拆分场景;2. JMeter需同时校验HTTP状态码和业务码以准确判断成功;3. 必须监控JVM指标(CPU、堆内存、GC、线程数等)来定位性能瓶颈;4. 推荐使用Prometheus+Grafana监控,配合Arthas等工具分析问题;5. 压测报告应侧重核心指标(TPS/RT/错误率),JVM数据主要
本文详细解析如何利用wrk压测报告定位Nginx/Spring Boot应用性能瓶颈,并提供具体优化策略。从wrk关键指标解读到Nginx配置调优,再到Spring Boot线程池和JVM参数优化,手把手教你将压测数据转化为可执行的性能提升方案,帮助开发者系统性地解决高并发场景下的性能问题。
本文详细解析如何利用wrk压测报告定位Nginx/Spring Boot应用性能瓶颈,提供从指标解读到实战优化的完整方法论。涵盖延迟分析、线程池配置、JVM调优等关键优化技巧,帮助开发者系统提升应用性能。
本文介绍了WebSocket协议的特点及其与HTTP的区别,探讨了WebSocket在双向通信中的优势,以及心跳机制的必要性。文章提供了Python实现的WebSocket服务端与客户端示例,并详细讲解了使用JMeter进行WebSocket压测的方法,包括插件安装、元件功能及实战操作步骤。最后强调WebSocket压测在企业性能测试中的重要性,鼓励通过实践掌握相关技能。全文约150字。
在很多业务系统里,批量写库第一反应往往是直接使用 MyBatis-Plus 的 。它足够方便,但当数据量来到 10 万、100 万级时,性能通常并不理想。本文通过一组实际压测,对比了 4 种常见批量写入方案:最终结论是:项目中有一类主表数据需要做高吞吐写入。最开始直接使用 MyBatis-Plus 的 ,功能没有问题,但性能较差。为了定位瓶颈,我按下面顺序逐步排查:压测时数据库服务器资源占用情况:
摘要: 对AI生成的代码进行压力测试是验证其在高并发、大数据量及极端环境下的健壮性关键。测试需聚焦四大核心维度:内存吞吐(防泄漏)、高频并发(防死锁)、时间确定性(保实时性)及异常恢复力(抗断网/断电)。方法上可结合AI反向生成压测脚本,利用高性能工具(如BenchmarkDotNet)模拟极端负载,并通过CI/CD流程自动化执行,形成“生成-测试-修复”闭环。工业场景需额外模拟异常输入(如噪声图
本文提供了Claude Code全平台安装指南,包含Windows/Mac/Linux系统的详细步骤。主要内容包括:Windows需先安装Git Bash,全平台通过命令行一键安装Claude Code本体,配置PATH环境变量,以及通过cc-switch工具接入智谱GLM等AI模型。文章还解答了常见问题,并强调该工具为开源项目,与官方无关联。完成四步安装后即可在终端使用claude命令启动AI编
《生成式AI重构软件测试体系:变革趋势与能力重塑》 摘要: 生成式AI正在引发软件测试领域的范式革命。研究显示,2025年75%的软件团队将深度集成AI工具链,推动测试效率提升40%以上。这场变革呈现三大特征:1)测试设计智能化,AI可自动生成边界值用例;2)测试数据革命,3分钟生成1000组合规异常数据;3)测试执行自治化,支持自然语言指令转脚本。测试工程师需转型为"AI训练师&quo
《AI时代测试工程师的转型之路》摘要: 随着AI编程助手普及率突破67%,传统软件测试面临颠覆性变革。AI可实现分钟级代码生成、自动化用例编写和缺陷预测,使基础测试岗位缩减70%。测试工程师必须向四大方向转型:1)成为质量架构师,设计AI测试策略和伦理标准;2)担当数据质量守护者,监控特征漂移和模型偏见;3)转型业务质量顾问,融合用户体验与风险洞察;4)掌握混沌工程等高阶技能。某金融公司通过建立A