雪球工程师团队

传统测试像靠人力推车，缓慢且迟滞；而 AI 辅助的用例开发，则是为这个飞轮装上一台智能引擎。 这台引擎由七大核心组件驱动：专属数据输入、智能需求解析、测试场景建模、用例迭代生成、变更动态感知、标准化

为什么有的 AI 像资深工程师一样工作，而有的却像个实习生？我们在 AI Coding 应用于中后台项目的实践中为你解答。

你是否想过，在这个互联网高度发达的时代，软件系统就像一个错综复杂的蜘蛛网？有时，哪怕只是改动了一行代码，或者调整了一个小小的配置，都可能像“蝴蝶效应”一样，在系统中引发一连串意想不到的严重后果。

🎯 当 AI 学会“抓虫”：程序员解放计划 每个程序员都经历过这样的痛苦时刻：明明在认真写代码，测试时却突然蹦出一堆 Bug😫。这时候要是能有个 AI 助手自动帮忙排查修复该多好！ 这就是我们开发 A

多模态大模型(MM-LLMs，全称Multimodal Large Language Models)的迅猛发展与提示工程(Prompt Engineering)的深度融合，正在为软件测开领域注入颠覆性

随着端内核心业务全面 RN 化，迭代速度也由原来的固定周期发版，变成不定时发版，回归测试面临挑战，如何更高效的覆盖业务中已经稳定的 Test Case 这一问题提上议程。经过调研、实践，我们找到

雪球的 React Native 拆包方案是结合实际业务需求进行综合考虑后的结果。然而，需要注意的是，该方案可能并不适用于所有场景。因此，如果您计划在 React Native 应用中进行持续集成/持

雪球研发2024年届校园招聘已经正式启动，现公开社会招募成都校招岗位，详情见下图： 前辈带教：专人带教，加速融入，工作生活“万事通”； 培训分享：线上线下全技术栈覆盖，海量资源供随时查阅； 即时激励：

本文从应用启动基本原理出发，总结了雪球客户端启动优化的思路和遇到的问题。主要包括启动原理介绍、优化方案和线上验证等三方面内容。