测试人

最近，一个名为 OpenClaw 的开源 AI Agent 框架在技术圈引发了不少讨论。很多人说它“越用越好用”，也有人吐槽“不好用”。作为一名测试开发工程师，我带着好奇读完了它的源码，发现了一个被大

从 Cursor、Copilot，到企业内部接入的大模型编码助手，代码生成这件事，已经不是“要不要用”的问题了，而是“团队每天都在用”。 很多研发团队这两年都有一个很明显的变化： 开发写代码的速度变快

相信大家最近也关注到了，AI 圈的更新已经越来越不像以前那样，只是在比谁的回答更像人、谁的榜单分更高。现在更明显的变化是：模型开始往桌面里走，Agent 开始往流程里走，AI 也开始往学校、企业和真实

这几天，我的私信炸了。 “学姐，4月中旬了，还有大厂在招人吗？”“投了200份简历，笔试都没收到，是不是没希望了？” 说实话，往年这时候大厂春招基本都结束了。但今年不太一样。 主批虽然收了尾，补录岗位

接口是通的，日志是全的，功能演示也没问题。 可一到真实用户手里，系统就开始露出另一张脸：同样的问题，今天答得像专家，明天像在瞎编；知识库明明更新了，回答还在引用旧内容；工具已经接好了，执行结果却总在关

在 AI 重塑研发体系的今天，测试团队正面临一个尴尬的局面： 产品在加速迭代，业务复杂度在攀升，而测试依然依赖大量手工执行、重复回归、低效覆盖。 AI 测试听起来很热，但真正能落地、能提效、能复用的方

引言：为什么“记忆”是 AI Agent 的命脉？ 如果你用过智能客服、编程助手或个性化推荐机器人，你一定遇到过这样的问题： 昨天刚告诉助手“我喜欢简洁的回答”，今天它又长篇大论； 对话一长，它就忘了

最近一波端侧AI更新，很多人可能只是当作“产品升级”看过去了： Google 推出离线语音能力（Eloquent） Gemma 在端侧跑到 40 token/s LiteRT-LM 这类推理框架开始落

Anthropic 没有把 Mythos 直接面向公众开放，而是放进 Project Glasswing 做受限测试；OpenClaw 的最新研究把持久状态投毒攻击成功率推到了 64% 到 74%；G