直达「 通往AGI之路 」飞书知识库 →
首页/问答列表/问答详情

大模型测试开发的知识梳理

回答

以下是关于大模型测试开发的知识梳理：

  • 《Perplexity 指标究竟是什么?》：作者小 A 从自身经验出发，总结梳理新手友好的 transformer 入坑指南，计划从算法 1（NLP 中的 transformer 网络结构）、算法 2（CV 中的 transformer 网络结构）、算法 3（多模态下的 transformer 网络结构）、训练（transformer 的分布式训练）、部署（transformer 的 tvm 量化与推理）五个方面介绍。
  • 《初探 LLM 基座模型》：主要介绍 LLM 基座模型里常见的 3 种 transformer 架构，包括 encoder-only、encoder-decoder 和 decoder-only。
  • 《从 0 到 1 了解大模型安全，看这篇就够了》：介绍了 transformer 的架构，如 encoder-only 适用于自然语言理解任务，encoder-decoder 用于理解和生成内容，decoder-only 擅长自然语言生成任务；还提到大模型的特点，如预训练数据大（来自互联网，包括论文、代码、公开网页等，常以 TB 级别计）、参数多（如 GPT-3 已达 170B）。
  • 《开发：产品视角的大模型 RAG 应用》：从产品视角分享大模型 RAG 应用，包括 LangChain 初体验，预计分成 3 篇分享，分别是项目背景、初步体验和评测结果，调优思路分享，如何测评。
内容由 AI 大模型生成，请仔细甄别（powered by aily）

参考资料

小A-技术开发/大模型

|标题|备注|作者|链接|发布日期|附件(1)|单选|<br>|-|-|-|-|-|-|-|<br>|Perplexity指标究竟是什么?|笔者小A从自己实际入坑的经验出发，尝试总结梳理出新手友好的transformer入坑指南。一方面能倒逼自己理清知识脉络，另一方面希望能让后面的新同学少走弯路，更快拿到自己想要的知识。<br>本系列计划从以下五个方面对transformer进行介绍<br>算法1:NLP中的transformer网络结构<br>算法2:CV中的transformer网络结构<br>算法3:多模态下的transformer网络结构<br>训练:transformer的分布式训练<br>部署:transformer的tvm量化与推理|[aaronxic](https://www.zhihu.com/people/aaronxic)|[（1）Perplexity指标究竟是什么?](https://ywh1bkansf.feishu.cn/wiki/E1pjwy9OMirKTdkFQDEcDDlfnTh)|2023/07/05|||<br>|初探LLM基座模型|本篇内容主要介绍LLM基座模型里常见的3种transformer架构，encoder-only，encoder-decoder和decoder-only|[aaronxic](https://www.zhihu.com/people/aaronxic)|[（2）初探LLM基座模型](https://ywh1bkansf.feishu.cn/wiki/UU9pwtOFtiKIqAkQiSVc3Zdun7e)|2023/07/06|||

从 0 到 1 了解大模型安全，看这篇就够了

encoder-only:这些模型通常适用于可以自然语言理解任务，例如分类和情感分析.最知名的代表模型是BERTencoder-decoder:此类模型同时结合了Transformer架构的encoder和decoder来理解和生成内容。该架构的一些用例包括翻译和摘要。encoder-decoder的代表是google的T5decoder-only:此类模型更擅长自然语言生成任务。典型使用包括故事写作和博客生成。这也是我们现在所熟知的众多AI助手的结构我们目前耳熟能详的AI助手基本都来自左侧的灰色分支,当然也包括ChatGPT。这些架构都是根据谷歌2017年发布的论文“attention is all you need”中提出的transformer衍生而来的，在transformer中，包括Encoder，Decoder两个结构目前的大型语言模型就是右侧只使用Decoder的Decoder-only架构的模型大模型又大在哪呢？第一，大模型的预训练数据非常大，这些数据往往来自于互联网上，包括论文，代码，以及可进行爬取的公开网页等等，一般来说，现在最先进的大模型一般都是用TB级别的数据进行预训练。第二，参数非常多，Open在2020年发布的GPT-3就已经达到170B的参数

开发：产品视角的大模型 RAG 应用

最近接触了大模型+本地知识库的问答应用实践。从0到1开始做的过程中，参考了很多网上的教程和分享文章，其中绝大部分都是技术向的分享。感谢各位热爱总结和分享的开发大佬，让我在没有太多技术背景的情况下快速补齐了项目落地实践所需的基础知识。同时，也想从产品视角出发，分享我所理解的大模型RAG应用，以及我作为产品这一角色，在实践过程中的经验（坑）。因为篇幅问题，这一系列的分享，预计会分成3篇：1、LangChain框架初体验：项目背景，初步体验和评测结果2、调优思路分享：基于公开资料和实践的Langchain调优思路分享3、如何测评：如何基于业务场景构建测试集和测评标准，并开展测评，以及过程中踩过的坑今天来分享第一部分—LangChain框架初体验。

其他人在问
罗列具体的AI模型产品和具体的AI技术创新点，并总结AI技术的发展趋势，并说明这些发展趋势为用户的交互体验带来了什么样的改变？按照时间线将以上内容梳理出来
以下是按照您的需求梳理的内容： 时间线 早期： 从图灵测试、早期的图灵机器人和 ELISA 开始，到 IBM 的语音控制打印机、完全由人工智能创作的小说、微软的同声传译系统。 近年来： OpenAI 发布 ChatGPT 模型，引发用户习惯从简单触控操作转向更复杂的长文本输入，未来可能延伸至长语音交互。 大模型创新方面，架构优化加速涌现，融合迭代成为趋势。Scaling Law 泛化，推理能力成为关键，倒逼计算和数据变革。AGI 探索中，视频生成点燃世界模型，空间智能统一虚拟和现实。 在应用方面，AI 在文科白领的个人助理、呼叫中心、文本处理和教育等领域表现出色，能完成 80%到 90%的工作；对于工科白领，特别是程序员，能简化代码检索和调整；在蓝领领域，自动驾驶取得显著进展。但在复杂任务方面仍有改进空间。 第一轮洗牌结束，聚焦 20 赛道 5 大场景，多领域竞速中运营大于技术，AI 助手成为竞争重点。AI+X 赋能类产品发展迅速，原生 AI 爆款难求。多模态上马，Agent 席卷一切，高度个性化呼之欲出。 人工智能发展经历了萌芽、积累沉淀到如今大模型和多模态模型百花齐放的阶段。大模型由数据、算法、算力构成，算法有技术架构的迭代，如英伟达的显卡辅助模型训练，数据质量对生成理想的大模型至关重要。 未来： 李沐预测技术发展可能催生出革命性的应用形态，但 AI 离真正变革世界还有一段距离。 预计 AI 在蓝领工作的初步应用至少需要 5 年时间。 AI 技术创新点： 大模型创新：架构优化加速涌现，融合迭代大势所趋。 Scaling Law 泛化：推理能力成皇冠明珠，倒逼计算和数据变革。 AGI 探索：视频生成点燃世界模型，空间智能统⼀虚拟和现实。 AI 技术的发展趋势： 模型架构不断优化和融合。 更加注重推理能力的提升。 探索 AGI 领域，实现虚拟和现实的统一。 应用格局不断洗牌，聚焦特定赛道和场景。 多模态和 Agent 技术的广泛应用。 对用户交互体验的改变： 用户习惯从简单触控操作转向更复杂的长文本输入，未来可能延伸至长语音交互。 AI 应用为用户提供辅助，在多个领域帮助完成任务。
2025-03-31
我想跟你学习关于AI的一切，请帮我梳理一套完整的学习教程和你网站上的内容学习
以下是为您梳理的一套完整的 AI 学习教程： 1. 了解 AI 基本概念： 阅读「」部分，熟悉 AI 的术语和基础概念，包括人工智能的定义、主要分支（如机器学习、深度学习、自然语言处理等）以及它们之间的联系。 浏览入门文章，了解 AI 的历史、当前的应用和未来的发展趋势。 2. 开始 AI 学习之旅： 在「」中，找到为初学者设计的课程，特别推荐李宏毅老师的课程。 通过在线教育平台（如 Coursera、edX、Udacity）上的课程，按照自己的节奏学习，并有机会获得证书。 3. 选择感兴趣的模块深入学习： AI 领域广泛，比如图像、音乐、视频等，您可以根据自己的兴趣选择特定的模块进行深入学习。 掌握提示词的技巧，它上手容易且很有用。 4. 实践和尝试： 理论学习之后，实践是巩固知识的关键，尝试使用各种产品做出您的作品。 在知识库提供了很多大家实践后的作品、文章分享，欢迎您实践后的分享。 5. 体验 AI 产品： 与现有的 AI 产品进行互动，如 ChatGPT、Kimi Chat、智谱、文心一言等 AI 聊天机器人，了解它们的工作原理和交互方式。 6. 对于希望继续精进的内容： AI 背景知识： 基础理论：了解人工智能、机器学习、深度学习的定义及其之间的关系。 历史发展：简要回顾 AI 的发展历程和重要里程碑。 数学基础： 统计学基础：熟悉均值、中位数、方差等统计概念。 线性代数：了解向量、矩阵等线性代数基本概念。 概率论：基础的概率论知识，如条件概率、贝叶斯定理。 算法和模型： 监督学习：了解常用算法，如线性回归、决策树、支持向量机（SVM）。 无监督学习：熟悉聚类、降维等算法。 强化学习：简介强化学习的基本概念。 评估和调优： 性能评估：了解如何评估模型性能，包括交叉验证、精确度、召回率等。 模型调优：学习如何使用网格搜索等技术优化模型参数。 神经网络基础： 网络结构：理解神经网络的基本结构，包括前馈网络、卷积神经网络（CNN）、循环神经网络（RNN）。 激活函数：了解常用的激活函数，如 ReLU、Sigmoid、Tanh。 学习资源推荐： 飞书知识库：https://waytoagi.feishu.cn/wiki/QPe5w5g7UisbEkkow8XcDmOpn8e 网站：https://www.waytoagi.com/zh 希望以上内容对您有所帮助。
2025-03-13
请帮我梳理WaytoAGI知识库所有信息的目录
以下是 WaytoAGI 知识库的信息目录： 1. 通往 AGI 之路知识库使用指南 智能纪要 总结 关于 AI 知识库使用及 AIPO 活动的介绍 AIPO 线下活动及 AI 相关探讨 way to AGI 社区活动与知识库介绍 关于 AI 知识库及学习路径的介绍 时代杂志评选的领军人物 AI 相关名词解释 知识库的信息来源 社区共创项目 学习路径 经典必读文章 初学者入门推荐 历史脉络类资料 2. 介绍说明 AJ，产品经理，「通往 AGI 之路」WaytoAGI 开源知识库的创建者 项目的起源和社群开发的初衷 社区介绍 WaytoAGI 是一个致力于人工智能学习的中文知识库和社区平台，为学习者提供系统全面的 AI 学习路径，覆盖从基础概念到实际应用的各个方面。 全球领先的 AI 开源社区，最新最全面的 AI 资源，丰富多样的技术活动，100+进行中的活动，4000+学习资源，1500000+社区成员。 知识库与社区平台：汇集了上千个人工智能网站和工具，提供最新的 AI 工具、AI 应用、AI 智能体和行业资讯。 学习资源：提供丰富的学习资源，包括文章、教程、工具推荐以及最新的 AI 行业资讯等。 实践活动：社区定期组织活动，如视频挑战赛、模型创作大赛等，鼓励成员在实践中学习，促进交流与合作。 开放共享：引领并推广开放共享的知识体系，倡导共学共创等形式，孵化了 AI 春晚、离谱村等大型共创项目。 用户基础：在没有任何推广的情况下，一年时间已有超过 100 万用户和超千万次的访问量。 目标与愿景：让每个人的学习过程少走弯路，让更多的人因 AI 而强大。 目前合作过的公司/产品：阿里云，通义千问，淘宝，智谱，支付宝，豆包，火山引擎，marscode，coze，堆友，即梦，可灵，MiniMax 海螺 AI，阶跃星辰，百度，Kimi，吐司，liblib，华硕，美团，美的，360，伊利，魔搭，央视频，Civitai，Openart，Tripo3D，青椒云等 3. 「用 AI 一起搞钱搞事搞脑子他们在线下密谋」 WaytoAGI 是啥？ 是一个专门讲人工智能的“百科全书”，从基础到高级，还有实用的 AI 工具推荐、案例分享、行业最新动态，用飞书文档整理得清楚。 对我有啥用？ 对 AI 一窍不通，从零开始教。 懂点 AI，提供实用工具和案例。 怕错过 AI 最新动态，帮你整理资讯。 想用 AI 赚钱或创业，告诉你相关工具和方法。 不想浪费时间找资源，帮你筛选推荐。
2025-02-26
有什么适合销售的AI数据分析及方案梳理的工具
以下是一些适合销售的 AI 数据分析及方案梳理的工具： 1. Salesforce 爱因斯坦：来自 Salesforce 的 AI 工具，能通过分析大量数据集识别潜在客户，生成预测性潜在客户评分，还具有自动化功能，可执行日常或耗时任务，让销售团队专注关键方面。 2. Clari：专门从事智能收入运营的软件，以创建高度准确的收入预测能力闻名，能统一各种来源数据并以易理解方式呈现，简化财务预测过程。 3. Hightime：销售团队的 AI 助手，可处理重复性任务和耗时研究。 使用 AI 完成阿里巴巴营销技巧和产品页面优化，可以采取以下步骤： 1. 市场分析：利用 AI 分析工具研究市场趋势、消费者行为和竞争对手情况，快速识别关键信息。 2. 关键词优化：AI 分析和推荐高流量、高转化的关键词，优化产品标题和描述，提高搜索排名和可见度。 3. 产品页面设计：AI 设计工具根据市场趋势和用户偏好自动生成吸引人的产品页面布局。 4. 内容生成：AI 文案工具撰写有说服力的产品描述和营销文案，提高转化率。 5. 图像识别和优化：AI 图像识别技术选择或生成高质量产品图片，展示产品特点。 6. 价格策略：AI 分析不同价格点对销量的影响，制定有竞争力的价格策略。 7. 客户反馈分析：AI 分析客户评价和反馈，优化产品和服务。 8. 个性化推荐：AI 根据用户购买历史和偏好提供个性化产品推荐，增加销售额。 9. 聊天机器人：AI 驱动的聊天机器人提供 24/7 客户服务，解答疑问，提高满意度。 10. 营销活动分析：AI 分析不同营销活动效果，了解哪些活动更吸引顾客并产生销售。 11. 库存管理：AI 帮助预测需求，优化库存管理，减少积压和缺货情况。 12. 支付和交易优化：AI 分析不同支付方式对交易成功率的影响，优化支付流程。 13. 社交媒体营销：AI 帮助卖家在社交媒体上找到目标客户群体，精准营销提高品牌知名度。 14. 直播和视频营销：AI 分析观众行为，优化直播和视频内容，提高观众参与度和转化率。 以下是部分 AI 应用示例： 1. 图虫网：AI 摄影作品销售平台，利用图像识别、数据分析技术，为摄影爱好者提供作品销售渠道，市场规模达数亿美元。 2. 网易云音乐音乐人平台：AI 音乐作品发布平台，运用音频处理、数据分析技术，为音乐创作者提供作品发布等服务，市场规模达数亿美元。 3. 好好住 APP：AI 家居用品推荐平台，通过数据分析、自然语言处理技术，根据用户需求推荐家居用品，市场规模达数亿美元。 4. 东方财富网投资分析工具：AI 金融投资分析平台，借助数据分析、机器学习技术，分析金融市场，提供投资建议，市场规模达数十亿美元。
2025-02-15
可以根据制度梳理流程的AI
以下是关于可以根据制度梳理流程的 AI 的相关信息： 基于 Agent 的创造者学习方向：以大语言模型为大脑，串联所有已有的工具和新造的 AI 工具，着重关注在创造能落地 AI 的 agent 应用。 Agent 工程（基础版）的迭代范式： 梳理流程：梳理工作流程 SOP，并拆解成多个单一「任务」和多个「任务执行流程」。 「任务」工具化：自动化每一个「任务」，形成一系列的小工具，让机器能完成每一个单一任务。 建立规划：串联工具，基于 agent 框架让 bot 来规划「任务执行流程」。 迭代优化：不停迭代优化「任务」工具和「任务执行流程」规划，造就能应对实际场景的 Agent。 关于 AI 在 DevOps 流程中的作用：AI 可以在 DevOps 中承担指定计划、拆分任务和调用工具的角色，但目前无法完全评定任务结果的正确性和质量。现阶段更靠谱的方式是让 AI 辅助完成部分任务（如画原型图、设计表结构、写自动化测试代码），但需要人类验证后才能进行下一步操作。完全依赖 AI 可能带来风险，如生产环境出错或被黑客恶意利用漏洞。 关于 ChatGPT 的记忆能力：ChatGPT 支持记忆功能，可通过摘要保存对话内容以延续角色和对话风格，但新开会话可能在高推理任务中效果更好。建议将角色设定和部分对话作为样例（fewshot）放入提示词中，以优化生成质量。 学习 GPT 的妙招：结合视频教程、文字转录和基础资料，通过 ChatGPT 讲解学习内容。更好的方式是角色反转，自己当老师，ChatGPT 当学生，通过提问互动和查漏补缺能有效提升学习效果。
2025-02-12
我想学习AI，但是不知道如何入门，希望你可以帮我梳理出AI的各个应用方向，要求要有具体的实操方法和必坑指南，能应用于生活和工作中，适合新手学习
以下是为您梳理的适合新手学习 AI 的应用方向、实操方法和避坑指南： 一、了解 AI 基本概念 1. 阅读「」部分，熟悉 AI 的术语和基础概念，包括人工智能的定义、主要分支（如机器学习、深度学习、自然语言处理等）以及它们之间的联系。 2. 浏览入门文章，了解 AI 的历史、当前的应用和未来的发展趋势。 二、开始 AI 学习之旅 1. 在「」中，找到为初学者设计的课程，特别推荐李宏毅老师的课程。 2. 通过在线教育平台（如 Coursera、edX、Udacity）上的课程，按照自己的节奏学习，并有机会获得证书。 三、选择感兴趣的模块深入学习 1. AI 领域广泛，比如图像、音乐、视频等，您可以根据自己的兴趣选择特定的模块进行深入学习。 2. 掌握提示词的技巧，它上手容易且很有用。 四、实践和尝试 1. 理论学习之后，实践是巩固知识的关键，尝试使用各种产品做出您的作品。 2. 在知识库提供了很多大家实践后的作品、文章分享，欢迎您实践后的分享。 五、体验 AI 产品 1. 与现有的 AI 产品进行互动，如 ChatGPT、Kimi Chat、智谱、文心一言等 AI 聊天机器人，了解它们的工作原理和交互方式。 六、如果希望继续精进 1. AI 背景知识 基础理论：了解人工智能、机器学习、深度学习的定义及其之间的关系。 历史发展：简要回顾 AI 的发展历程和重要里程碑。 2. 数学基础 统计学基础：熟悉均值、中位数、方差等统计概念。 线性代数：了解向量、矩阵等线性代数基本概念。 概率论：基础的概率论知识，如条件概率、贝叶斯定理。 3. 算法和模型 监督学习：了解常用算法，如线性回归、决策树、支持向量机（SVM）。 无监督学习：熟悉聚类、降维等算法。 强化学习：简介强化学习的基本概念。 4. 评估和调优 性能评估：了解如何评估模型性能，包括交叉验证、精确度、召回率等。 模型调优：学习如何使用网格搜索等技术优化模型参数。 5. 神经网络基础 网络结构：理解神经网络的基本结构，包括前馈网络、卷积神经网络（CNN）、循环神经网络（RNN）。 激活函数：了解常用的激活函数，如 ReLU、Sigmoid、Tanh。 避坑指南： 1. 不要急于求成，AI 学习需要逐步积累。 2. 注重理论与实践结合，避免只学习理论而不进行实际操作。 3. 对于复杂的概念和算法，要多花时间理解，不要一知半解。 4. 在选择学习资源时，要注意其质量和适用性。 请注意，以上内容由 AI 大模型生成，请仔细甄别。
2025-02-06
基于规则的测试生成： 测试用例生成工具： Randoop：基于代码路径和规则生成测试用例，适用于 Java 应用程序。这个应该怎样使用呢
很抱歉，目前没有关于 Randoop 工具使用方法的相关内容。您可以通过以下途径获取更详细的信息： 1. 官方文档：访问 Randoop 的官方网站，查找其提供的详细使用说明和教程。 2. 技术论坛：在相关的技术论坛上搜索关于 Randoop 使用的讨论和经验分享。 3. 开源社区：参与开源社区中关于 Randoop 的交流，向其他开发者请教。
2025-04-08
如何使用AI给测试进行提效
以下是关于如何使用 AI 给测试提效的详细内容： 1. 基于规则的测试生成： 测试用例生成工具： Randoop：基于代码路径和规则生成测试用例，适用于 Java 应用程序。 Pex：微软开发的智能测试生成工具，自动生成高覆盖率的单元测试，适用于.NET 应用。 模式识别： Clang Static Analyzer：利用静态分析技术识别代码模式和潜在缺陷，生成相应的测试用例。 Infer：Facebook 开发的静态分析工具，自动生成测试用例，帮助发现和修复潜在错误。 2. 基于机器学习的测试生成： 深度学习模型： DeepTest：利用深度学习模型生成自动驾驶系统的测试用例，模拟不同驾驶场景，评估系统性能。 DiffTest：基于对抗生成网络（GAN）生成测试用例，检测系统的脆弱性。 强化学习： RLTest：利用强化学习生成测试用例，通过与环境交互学习最优测试策略，提高测试效率和覆盖率。 A3C：基于强化学习的测试生成工具，通过策略梯度方法生成高质量测试用例。 3. 基于自然语言处理（NLP）的测试生成： 文档驱动测试生成： Testim：AI 驱动的测试平台，通过分析文档和用户故事自动生成测试用例，减少人工编写时间。 Test.ai：利用 NLP 技术从需求文档中提取测试用例，确保测试覆盖业务需求。 自动化测试脚本生成： Selenium IDE + NLP：结合 NLP 技术扩展 Selenium IDE，从自然语言描述中生成自动化测试脚本。 Cucumber：使用 Gherkin 语言编写的行为驱动开发（BDD）框架，通过解析自然语言描述生成测试用例。 4. 基于模型的测试生成： 状态模型： GraphWalker：基于状态模型生成测试用例，适用于复杂系统的行为测试。 Spec Explorer：微软开发的模型驱动测试工具，通过探索状态模型生成测试用例。 场景模拟： Modelbased Testing：基于系统模型自动生成测试用例，覆盖各种可能的操作场景和状态转换。 Tosca Testsuite：基于模型的测试工具，自动生成和执行测试用例，适用于复杂应用的端到端测试。 5. 实践中的应用示例： Web 应用测试：使用 Testim 分析用户行为和日志数据，自动生成高覆盖率的测试用例，检测不同浏览器和设备上的兼容性问题。 移动应用测试：利用 Test.ai 从需求文档中提取测试用例，确保覆盖关键功能和用户路径，提高测试效率和质量。 复杂系统测试：采用 GraphWalker 基于系统状态模型生成测试用例，确保覆盖所有可能的状态和操作场景，检测系统的边界情况和异常处理能力。 总结：AI 在生成测试用例方面具有显著的优势，可以自动化和智能化生成高覆盖率的测试用例，减少人工编写测试用例的时间和成本。通过合理应用 AI 工具，前端开发工程师可以提高测试效率、增强测试覆盖率和发现潜在问题，从而提升软件质量和用户体验。 请注意，以上内容由 AI 大模型生成，请仔细甄别。
2025-04-08
如何自动编写测试用例
AI 自动编写测试用例可以通过以下几种方式实现： 1. 基于规则的测试生成： 测试用例生成工具： Randoop：基于代码路径和规则生成测试用例，适用于 Java 应用程序。 Pex：微软开发的智能测试生成工具，自动生成高覆盖率的单元测试，适用于.NET 应用。 模式识别： Clang Static Analyzer：利用静态分析技术识别代码模式和潜在缺陷，生成相应的测试用例。 Infer：Facebook 开发的静态分析工具，自动生成测试用例，帮助发现和修复潜在错误。 2. 基于机器学习的测试生成： 深度学习模型： DeepTest：利用深度学习模型生成自动驾驶系统的测试用例，模拟不同驾驶场景，评估系统性能。 DiffTest：基于对抗生成网络（GAN）生成测试用例，检测系统的脆弱性。 强化学习： RLTest：利用强化学习生成测试用例，通过与环境交互学习最优测试策略，提高测试效率和覆盖率。 A3C：基于强化学习的测试生成工具，通过策略梯度方法生成高质量测试用例。 3. 基于自然语言处理（NLP）的测试生成： 文档驱动测试生成： Testim：AI 驱动的测试平台，通过分析文档和用户故事自动生成测试用例，减少人工编写时间。 Test.ai：利用 NLP 技术从需求文档中提取测试用例，确保测试覆盖业务需求。 自动化测试脚本生成： Selenium IDE + NLP：结合 NLP 技术扩展 Selenium IDE，从自然语言描述中生成自动化测试脚本。 Cucumber：使用 Gherkin 语言编写的行为驱动开发（BDD）框架，通过解析自然语言描述生成测试用例。 4. 基于模型的测试生成： 状态模型： GraphWalker：基于状态模型生成测试用例，适用于复杂系统的行为测试。 Spec Explorer：微软开发的模型驱动测试工具，通过探索状态模型生成测试用例。 场景模拟： Modelbased Testing ：基于系统模型自动生成测试用例，覆盖各种可能的操作场景和状态转换。 Tosca Testsuite：基于模型的测试工具，自动生成和执行测试用例，适用于复杂应用的端到端测试。 实践中的应用示例： 1. Web 应用测试：使用 Testim 分析用户行为和日志数据，自动生成高覆盖率的测试用例，检测不同浏览器和设备上的兼容性问题。 2. 移动应用测试：利用 Test.ai 从需求文档中提取测试用例，确保覆盖关键功能和用户路径，提高测试效率和质量。 3. 复杂系统测试：采用 GraphWalker 基于系统状态模型生成测试用例，确保覆盖所有可能的状态和操作场景，检测系统的边界情况和异常处理能力。 总结：AI 在生成测试用例方面具有显著的优势，可以自动化和智能化生成高覆盖率的测试用例，减少人工编写测试用例的时间和成本。通过合理应用 AI 工具，前端开发工程师可以提高测试效率、增强测试覆盖率和发现潜在问题，从而提升软件质量和用户体验。 请注意，以上内容由 AI 大模型生成，请仔细甄别。
2025-04-01
如何使用AI创建测试用例
AI 生成测试用例可以通过以下多种方法实现： 1. 基于规则的测试生成： 测试用例生成工具：如 Randoop（适用于 Java 应用程序）、Pex（适用于.NET 应用）。 模式识别：如 Clang Static Analyzer 利用静态分析技术识别代码模式和潜在缺陷生成相应测试用例，Infer 自动生成测试用例帮助发现和修复潜在错误。 2. 基于机器学习的测试生成： 深度学习模型：如 DeepTest 生成自动驾驶系统的测试用例，DiffTest 基于对抗生成网络（GAN）生成测试用例。 强化学习：如 RLTest 通过与环境交互学习最优测试策略，A3C 通过策略梯度方法生成高质量测试用例。 3. 基于自然语言处理（NLP）的测试生成： 文档驱动测试生成：如 Testim 通过分析文档和用户故事自动生成测试用例，Test.ai 从需求文档中提取测试用例。 自动化测试脚本生成：如 Selenium IDE 结合 NLP 技术扩展从自然语言描述中生成自动化测试脚本，Cucumber 使用 Gherkin 语言编写的行为驱动开发（BDD）框架通过解析自然语言描述生成测试用例。 4. 基于模型的测试生成： 状态模型：如 GraphWalker 基于状态模型生成测试用例，Spec Explorer 微软开发的模型驱动测试工具通过探索状态模型生成测试用例。 场景模拟：如 Modelbased Testing 基于系统模型自动生成测试用例覆盖各种可能的操作场景和状态转换，Tosca Testsuite 基于模型的测试工具自动生成和执行测试用例适用于复杂应用的端到端测试。 5. 实践中的应用示例： Web 应用测试：使用 Testim 分析用户行为和日志数据自动生成高覆盖率的测试用例检测不同浏览器和设备上的兼容性问题。 移动应用测试：利用 Test.ai 从需求文档中提取测试用例确保覆盖关键功能和用户路径提高测试效率和质量。 复杂系统测试：采用 GraphWalker 基于系统状态模型生成测试用例确保覆盖所有可能的状态和操作场景检测系统的边界情况和异常处理能力。 此外，让 AI 写出您想要的代码，可以通过创建优质的.cursorrules 来实现，具体包括： 1. 先说清楚您是谁，让 AI 按照专家的水准来思考和编码。 2. 告诉 AI 您要干什么，使其围绕目标写代码。 3. 定好项目的“规矩”，强调团队的代码规范。 4. 明确文件放置位置，便于后期查找。 5. 指定使用的“工具”，保证项目的整洁和统一。 6. 告诉 AI 怎么做测试，使其生成的代码考虑可测试性并主动写测试用例。 7. 推荐参考资料，让 AI 基于最佳实践写代码。 8. 若项目涉及页面开发，补充 UI 的要求。
2025-03-22
测试大模型工具·
以下是关于测试大模型工具的相关内容： 使用 Coze IDE 创建插件： 网页搜索工具的元数据配置说明： 名称：建议输入清晰易理解的名称，便于后续大语言模型搜索与使用工具。 描述：用于记录当前工具的用途。 启用：若工具未开发测试完成，建议先禁用；若需下线某一工具，可将其设置为禁用，或删除插件等。 输入参数：准确、清晰易理解的参数名称等信息，可让大语言模型更准确使用工具。 输出参数：准确、清晰易理解的参数名称等信息，可让大语言模型更准确使用工具。 操作步骤：在页面右侧单击测试代码图标并输入所需参数，然后单击 Run 测试工具。若在元数据设置了输入参数，可单击自动生成图标，由 IDE 生成模拟数据，调整参数值即可进行测试。 获取字节火山 DeepSeek 系列 API 完整教程及使用方法： 可使用网页聊天和测试等方式。 例如用“2024 年高考全国甲卷理科数学”压轴题测试火山引擎的 DeepSeekR1 的速度，其推理速度比官方版本快，接口延迟低，回复迅速。 无需微调，仅用提示词工程就能让 LLM 获得 tool calling 的功能： 绝大多数小型本地开源大语言模型以及部分商用大模型接口不支持稳定的 tool calling 功能，现有的微调 LLM 解决方案会浪费大量时间和算力。本文提出仅使用提示词工程和精巧的代码设计，即可让 LLM 获得稳定的 tool calling 能力，使用多个不具备该功能的 LLM 作为测试模型，在多个工具调用任务上实验成功率为 100%，基于 comfyui 开发，适合无代码基础的人员复现和修改。
2025-03-19
什么样的数据集适合测试大语言模型？
以下是一些适合测试大语言模型的数据集： Guanaco：地址为，是一个使用 SelfInstruct 的主要包含中日英德的多语言指令微调数据集。 chatgptcorpus：地址为，开源了由 ChatGPT3.5 生成的 300 万自问自答数据，包括多个领域，可用于训练大模型。 SmileConv：地址为，数据集通过 ChatGPT 改写真实的心理互助 QA 为多轮的心理健康支持多轮对话，含有 56k 个多轮对话，其对话主题、词汇和篇章语义更加丰富多样，更符合长程多轮对话的应用场景。 用于评估大语言模型的框架和基准有： GAOKAOBench：地址为，是以中国高考题目为数据集，测评大模型语言理解能力、逻辑推理能力的测评框架，收集了 2010 2022 年全国高考卷的题目，包括 1781 道客观题和 1030 道主观题。 AGIEval：地址为，是由微软发布的新型基准测试，选取 20 种面向普通人类考生的官方、公开、高标准往常和资格考试，包括普通大学入学考试（中国高考和美国 SAT 考试）、法学入学考试、数学竞赛、律师资格考试、国家公务员考试等。 Xiezhi：地址为，是由复旦大学发布的一个综合的、多学科的、能够自动更新的领域知识评估 Benchmark，包含 13 个学科门类，24 万道学科题目，516 个具体学科，249587 道题目。 此外，在多语言能力评测方面，还使用了以下数据集： MMMLU：来自 Okapi 的多语言常识理解数据集，在阿、德、西、法、意、荷、俄、乌、越、中这几个子集进行测试。 MGSM：包含德、英、西、法、日、俄、泰、中和孟在内的数学评测。针对人工评测，使用内部评估集比较了 Qwen272BInstruct 与 GPT3.5、GPT4 和 Claude3Opus，该评测集包括 10 种语言：ar（阿拉伯语）、es（西班牙语）、fr（法语）、ko（韩语）、th（泰语）、vi（越南语）、pt（葡萄牙语）、id（印度尼西亚语）、ja（日语）和 ru（俄语）。
2025-03-17
大模型的系统提示词
大模型的系统提示词主要包括以下方面： 1. 在“五津：一键生成‘摸鱼打工猫’视频”中，针对用户选择的主题和回答，总结用户的创作意图，如“打工猫摸鱼的 2 小时，在巴厘岛能看一场日落”，并根据此生成 4 组体现幽默风趣、以宫崎骏风格描绘主角为摸秋刀鱼橘猫的绘图提示词，以数组形式输出到“tishici”，将用户意图输出到“biaoti”。 2. 在“云中江树：智能对决：提示词攻防中的 AI 安全博弈”中，系统提示词的相关防御措施分为输入侧、模型侧和输出侧三个部分。输入侧可进行意图识别、语义匹配等综合判断用户输入是否恶意；模型侧对于有能力的厂商应增强安全性并平衡性能，开发者则要在开发中带着安全意识优化系统提示词，加入安全引导和禁止内容等；输出侧可使用传统防御和内容过滤手段，并针对大模型特点进行私有数据泄露等检查。此外，还提到间接注入和提示词泄露的情况，间接注入常发生在应用获取依赖外部数据资源时，攻击者通过隐藏恶意指令完成攻击；提示词泄露指试图操纵模型输出获取部分或全部系统提示词，大模型输出内容可分为系统提示词、用户提示和助手提示词三段，通过攻击手段可获取系统提示词。
2025-04-18
通义千问Qwen2.5-VL、阶跃星辰step-1.5v-mini、Gemini-2.0-Flash，这3个视觉理解大模型哪个最厉害？
以下是对通义千问 Qwen2.5VL 模型的介绍： 版本：有 3B、7B 和 72B 三个尺寸版本。 主要优势： 视觉理解能力：在 13 项权威评测中夺得视觉理解冠军，全面超越 GPT4o 与 Claude3.5。 视频理解能力：支持超 1 小时的视频理解，无需微调即可变身为 AI 视觉智能体，实现多步骤复杂操作。 万物识别：擅长识别常见物体及分析图像中的文本、图表、图标、图形和布局。 精准的视觉定位：采用矩形框和点的多样化方式对通用物体定位，支持层级化定位和规范的 JSON 格式输出。 全面的文字识别和理解：提升 OCR 识别能力，增强多场景、多语言和多方向的文本识别和文本定位能力。 Qwen 特色文档解析：设计了更全面的文档解析格式，称为 QwenVL HTML 格式，能够精准还原文档中的版面布局。 增强的视频理解：引入动态帧率（FPS）训练和绝对时间编码技术，支持小时级别的超长视频理解，具备秒级的事件定位能力。 开源平台： Huggingface：https://huggingface.co/collections/Qwen/qwen25vl6795ffac22b334a837c0f9a5 Modelscope：https://modelscope.cn/collections/Qwen25VL58fbb5d31f1d47 Qwen Chat：https://chat.qwenlm.ai 然而，对于阶跃星辰 step1.5vmini 和 Gemini2.0Flash 模型，目前提供的信息中未包含其与通义千问 Qwen2.5VL 模型的直接对比内容，因此无法确切判断哪个模型在视觉理解方面最厉害。但从通义千问 Qwen2.5VL 模型的上述特点来看，其在视觉理解方面具有较强的能力和优势。
2025-04-15
目前全世界最厉害的对视频视觉理解能力大模型是哪个
目前在视频视觉理解能力方面表现出色的大模型有： 1. 昆仑万维的 SkyReelsV1：它不仅支持文生视频、图生视频，还是开源视频生成模型中参数最大的支持图生视频的模型。在同等分辨率下各项指标实现开源 SOTA。其具有影视化表情识别体系、人物空间位置感知、行为意图理解、表演场景理解等优势。 2. 通义千问的 Qwen2.5VL：在 13 项权威评测中夺得视觉理解冠军，全面超越 GPT4o 与 Claude3.5。支持超 1 小时的视频理解，无需微调即可变身为 AI 视觉智能体，实现多步骤复杂操作。擅长万物识别，能分析图像中的文本、图表、图标、图形和布局等。
2025-04-15
目前全世界最厉害的视频视觉理解大模型是哪个
目前全世界较为厉害的视频视觉理解大模型有以下几个： 1. 昆仑万维的 SkyReelsV1：不仅支持文生视频、图生视频，是开源视频生成模型中参数最大且支持图生视频的模型。在同等分辨率下各项指标实现开源 SOTA。其优势包括影视化表情识别体系、人物空间位置感知、行为意图理解、表演场景理解等。 2. 腾讯的混元：语义理解能力出色，能精准还原复杂的场景和动作，如特定品种的猫在复杂场景中的运动轨迹、从奔跑到跳跃的动作转换、琴音化作七彩音符等。 3. Pixverse V3.5：全球最快的 AI 视频生成模型，Turbo 模式下可在 10 秒内生成视频，最快仅需 5 6 秒。支持运动控制更加稳定、细节表现力强、首尾帧生成功能，具备顶尖动漫生成能力。
2025-04-15
目前全世界最厉害的视觉理解大模型是哪个
目前在视觉理解大模型方面，较为突出的有 DeepSeek 的 JanusPro 模型，它将图像理解和生成统一在一个模型中；还有通义千问的视觉理解模型，其价格有较大降幅。此外，Pixverse V3.5 是全球最快的 AI 视频生成模型，在某些方面也展现出了出色的能力。但很难确切地指出全世界最厉害的视觉理解大模型，因为这取决于不同的评估标准和应用场景。
2025-04-15
大模型对话产品的优劣
大模型对话产品具有以下优点： 1. 具有强大的语言理解和生成能力。 2. 能够提供类似恋爱般令人上头的体验，具有一定的“想象力”和“取悦能力”。 3. 可以通过陪聊建立人和 AI 之间的感情连接，产品粘性不完全依赖技术优越性。 4. 能够为用户提供产品咨询服务，适用于有企业官网、钉钉、微信等渠道的客户。 5. 具有多种应用场景，如私有领域知识问答、个性化聊天机器人、智能助手等。 大模型对话产品也存在一些缺点： 1. 存在记忆混乱的问题。 2. AI 无法主动推动剧情，全靠用户脑补，导致用户上头期短，疲劳度高，长期留存低。 3. 无法回答私有领域问题（如公司制度、人员信息等）。 4. 无法及时获取最新信息（如实时天气、比赛结果等）。 5. 无法准确回答专业问题（如复杂数学计算、图像生成等）。
2025-04-14
coze搭建智能体，用上传的文件和知识库的文件做对比，分析差异点。
以下是关于在 Coze 中搭建智能体的相关信息： 1. 证件照相关操作： 展示原图上传结果，基本脸型已换，生成效果与上传照片特征有关。 改背景可利用改图功能，一键改图效果更好，输出数据类型为图片。 豆包节点生成的是 URL 地址，与前者不同，在工作流使用有差异，可参考简单提示词。 介绍证件照工作流相关操作，包括通过提示词改背景颜色，设置输出方式为返回变量；讲解消耗 token 及保存结果相关问题；对按钮、表单添加事件并设置参数，限制上传文件数量；还涉及给表单和图片绑定数据，以及每次操作后刷新界面确保设置生效。 围绕操作讲解与优化展开，介绍 for meet 的设置，如表单事件操作、图片上传数量修改等，提及编程基础知识。还讲述成果图连接、绑定数据方法及注意事项。展示基本功能实现情况，分析换性别等问题成因，指出需在工作流优化提示词，也可尝试用视频模型解决，最后进入问答环节。 2. 多维表格的高速数据分析： 创建智能体，使用单 Agent 对话流模式。 编排对话流，创建新的对话流并关联智能体。 使用代码节点对两个插件获取的结果进行数据处理，注意代码节点输出的配置格式。 测试，找到一篇小红书笔记，试运行对话流，在对话窗口输入地址查看数据。 发布，选择多维表格，配置输出类型为文本，输入类型选择字段选择器，完善上架信息，可选择仅自己可用以加快审核。 3. 智能体与微信和微信群的连接： 创建知识库，可选择手动清洗数据提高准确性，包括在线知识库和本地文档。 在线知识库创建时，飞书在线文档中每个问题和答案以分割，可编辑修改和删除。 本地文档中注意拆分内容提高训练数据准确度，如将课程章节按固定方式人工标注和处理。 发布应用，确保在 Bot 商店中能够搜到。
2025-04-18
coze搭建知识库和上传文件做对比分析
以下是关于 Coze 搭建知识库和上传文件的对比分析： 创建文本型知识库： 自动分段与清洗：扣子可对上传的内容进行自动解析，支持复杂布局的文件处理，如识别段落、页眉/页脚/脚注等非重点内容，支持跨页跨栏的段落合并，支持解析表格中的图片和文档中的表格内容（目前仅支持带线框的表格）。操作步骤为在分段设置页面选择自动分段与清洗，然后依次单击下一步、确认，可查看分段效果，不满意可重新分段并使用自定义分段。 自定义：支持自定义分段规则、分段长度及预处理规则。操作时在分段设置页面选择自定义，然后依次设置分段规则和预处理规则，包括选择分段标识符、设置分段最大长度和文本预处理规则，最后单击下一步完成内容分段。 创建表格型知识库： 目前支持 4 种导入类型：本地文档、API、飞书、自定义。 本地文档：选择本地文档从本地文件中导入表格数据，目前支持上传 Excel 和 CSV 格式的文件，文件不得大于 20M，一次最多可上传 10 个文件，且表格内需要有列名和对应的数据。 API：参考特定操作从 API 返回数据中上传表格内容，包括选择 API、单击新增 API、输入 API URL 并选择数据更新频率，然后单击下一步。 飞书：参考特定操作从飞书表格中导入内容，包括选择飞书、在新增知识库页面单击授权并选择要导入数据的飞书账号、单击安装扣子应用（仅首次导入需授权和安装），然后选择要导入的表格并单击下一步。目前仅支持导入“我的空间”下的飞书文档，云文档的创建者必须是自己，暂不支持导入知识库和共享空间下的云文档。 上传文本内容： 在线数据：扣子支持自动抓取指定 URL 的内容，也支持手动采集指定页面上的内容，上传到数据库。 自动采集方式：适用于内容量大、需批量快速导入的场景。操作步骤为在文本格式页签下选择在线数据，然后依次单击下一步、自动采集、新增 URL，输入网站地址、选择是否定期同步及周期，最后单击确认，上传完成后单击下一步，系统会自动分片。 手动采集：适用于精准采集网页指定内容的场景。操作步骤为安装扩展程序，在文本格式页签下选择在线数据，然后依次单击下一步、手动采集、授予权限，输入采集内容的网址，标注提取内容，查看数据确认无误后完成并采集。
2025-04-18
知识图谱
知识图谱是一种揭示实体之间关系的语义网络，可以对现实世界的事物及其相互关系进行形式化地描述。它于 2012 年 5 月 17 日由 Google 正式提出，初衷是提高搜索引擎的能力，增强用户的搜索质量和体验，实现从网页链接到概念链接的转变，支持按主题检索和语义检索。 知识图谱的关键技术包括： 1. 知识抽取： 实体抽取：通过命名实体识别从数据源中自动识别命名实体。 关系抽取：从数据源中提取实体之间的关联关系，形成网状知识结构。 属性抽取：从数据源中采集特定实体的属性信息。 2. 知识表示：包括属性图和三元组。 3. 知识融合： 实体对齐：消除异构数据中的实体冲突、指向不明等不一致性问题。 知识加工：对知识统一管理，形成大规模的知识体系。 本体构建：以形式化方式明确定义概念之间的联系。 质量评估：计算知识的置信度，提高知识质量。 知识更新：不断迭代更新，扩展现有知识，增加新知识。 4. 知识推理：在已有的知识库基础上挖掘隐含的知识。 在国家人工智能产业综合标准化体系建设指南中，知识图谱标准规范了知识图谱的描述、构建、运维、共享、管理和应用，包括知识表示与建模、知识获取与存储、知识融合与可视化、知识计算与管理、知识图谱质量评价与互联互通、知识图谱交付与应用、知识图谱系统架构与性能要求等标准。
2025-04-17
知识库怎么构建
构建知识库的方法主要有以下几种： 1. 使用 Flowith 构建： 选择“Manage Your Knowledge Base”，进入知识库管理页面。 点击左上角的加号添加新的知识库，为其起一个便于分辨的名字。 点击添加文件，建议使用 Markdown 格式的文件。 等待 Flowith 对文件进行抽取等处理，处理完毕后可在知识库管理页面测试检索。 2. 使用 Dify 构建： 准备数据：收集文本数据，进行清洗、分段等预处理。 创建数据集：在 Dify 中创建新数据集，上传准备好的文档并编写描述。 配置索引方式：根据需求选择高质量模式、经济模式或 Q&A 分段模式。 集成至应用：将数据集集成到对话型应用中，配置数据集的使用方式。 持续优化：收集用户反馈，更新知识库内容和优化索引方式。 3. 本地部署大模型并搭建个人知识库（涉及 RAG 技术）： 了解 RAG 技术：大模型训练数据有截止日期，RAG 可通过检索外部数据并在生成步骤中传递给 LLM 来解决依赖新数据的问题。 RAG 应用的 5 个过程： 文档加载：从多种来源加载文档，如 PDF、SQL 等。 文本分割：把文档切分为指定大小的块。 存储：包括将文档块嵌入转换成向量形式，并将向量数据存储到向量数据库。 检索：通过检索算法找到与输入问题相似的嵌入片。 输出：将问题和检索出的嵌入片提交给 LLM 生成答案。 文本加载器：将用户提供的文本加载到内存中以便后续处理。
2025-04-15
如何搭建知识库
搭建知识库的方法如下： 使用 flowith 搭建： 选择“Manage Your Knowledge Base”，进入知识库管理页面。 点击左上角的加号添加新的知识库，给知识库起一个便于分辨的名字。 点击添加文件，建议使用 Markdown 格式的文件。 Flowith 会对文件进行抽取等处理，处理完毕后可在知识库管理页面测试检索。 使用 Dify 搭建： 准备数据：收集文本数据，进行清洗、分段等预处理。 创建数据集：在 Dify 中创建新数据集，上传准备好的文档并编写描述。 配置索引方式：提供三种索引方式，根据需求选择，如高质量模式、经济模式和 Q&A 分段模式。 集成至应用：将数据集集成到对话型应用中，配置数据集的使用方式。 持续优化：收集用户反馈，更新知识库内容和优化索引方式。 使用 Coze 智能体搭建： 手动清洗数据： 在线知识库：点击创建知识库，创建 FAQ 知识库，选择飞书文档，输入区分问题和答案，可编辑修改和删除，添加 Bot 并在调试区测试效果。 本地文档：注意拆分内容，提高训练数据准确度，按章节进行人工标注和处理，然后创建自定义清洗数据。 发布应用：点击发布，确保在 Bot 商店中能搜到。
2025-04-14
如何搭建自己的知识库
以下是搭建自己知识库的方法： 1. 选择“Manage Your Knowledge Base”，进入知识库管理页面。 2. 在页面左上角点击加号，添加新的知识库，并为其起一个易于分辨的名字。 3. 点击添加文件，建议使用 Markdown 格式的文件。 4. 等待 Flowith 对文件进行抽取等处理。 5. 处理完毕后，可在知识库管理页面测试检索，输入关键词过滤相关内容。 此外，搭建本地知识库还需了解 RAG 技术： 1. RAG 是一种当需要依靠不包含在大模型训练集中的数据时所采用的主要方法，即先检索外部数据，然后在生成步骤中将这些数据传递给 LLM。 2. 一个 RAG 的应用包括文档加载、文本分割、存储、检索和输出 5 个过程。 文档加载：从多种不同来源加载文档，LangChain 提供了 100 多种不同的文档加载器。 文本分割：把 Documents 切分为指定大小的块。 存储：将切分好的文档块进行嵌入转换成向量的形式，并将 Embedding 后的向量数据存储到向量数据库。 检索：通过某种检索算法找到与输入问题相似的嵌入片。 输出：把问题以及检索出来的嵌入片一起提交给 LLM，生成更合理的答案。 对于基于 GPT API 搭建定制化知识库，涉及给 GPT 输入定制化的知识。由于 GPT3.5 一次交互支持的 Token 有限，OpenAI 提供了 embedding API 解决方案。Embeddings 是一个浮点数字的向量，两个向量之间的距离衡量它们的关联性，小距离表示高关联度。在 OpenAI 词嵌入中，靠近向量的词语在语义上相似。文档上有创建 embeddings 的示例。
2025-04-14