测试员周周

​ AI测试系统系列会写28篇，这是第2篇，会持续更新 先说个反直觉的事：规则引擎比 AI 更适合作为用例生成的第一步 很多人一听"AI测试"就以为所有用例都是大模型生成的。实际上我们跑下来的经验是：

​ 先说结论：为什么不用 Airflow 或 Celery 我们团队之前用过 Airflow 编排测试任务，结果发现一个问题——Airflow 的 DAG 是给数据管道设计的，每个节点只能传简单的 k

​  附 10 条完整 Prompt GLM-5.1 vs DeepSeek-V4 逐条拆解，新模型上线直接抄作业 测试员周周 | 14 年测试经验 | 用数据说话 上篇发布了《我让 GLM-5.1

​ 我用 10条真实任务对比了 GLM-5.1 和 DeepSeek-V4 测试员周周 | 14 年测试经验 | 用数据说话 新模型发布，媒体通稿满天飞。"XX 模型全面超越 XX"、"性能提升 XX

​  配置好的 3 个飞书机器人突然全部不回复了！检查配置一切正常，凭证也没问题，但就是没反应！本文记录我从发现问题到彻底解决的完整过程，包含 systemd 服务配置的最佳实践和血泪教训。建议收藏！

​ DeepSeek-V4 全面测评：76 条测试用例的真实成绩单，10 个维度全部通过  摘要 DeepSeek-V4 测评：代码能力、长文本理解、创意写作如何？本文通过 76 条真实 API 全面

​ 这是第一篇“翻车复盘篇”：不吹模型，只讲真实踩坑和修复过程。 【评测系列4】测试视角：我通宵测了 ChatGPT Image 2：100%通过背后，藏着1个危险信号​ 我通宵测了 C - 掘金 【

我自建了一套 agent_bench 评测系统 目标： 按"能力维度"设计（不是任务类型） 细粒度指标（不只是成功/失败） 可视化报告（雷达图 + 诊断建议） 可扩展架构（随时加新维度） 结果： 二、

用自研评测框架，对 OpenClaw Agent 进行全方位评测。54 个测试任务、5 个核心维度、15 个细粒度指标，最终得分 3.47/5（C 级）。本文公开全部评测数据、测试用例和评分标准，帮你