人工智能

本书作者：测试开发刚哥，文章版权归个人所有，未经授权请勿转载。 2.1 模型 大模型扮演着大脑的角色，负责核心的理解、推理与生成任务。 2.1.1 模型分类 通用大模型：GPT、Claude、Qwen、DeepSeek、Gemini 等通用大模型。 垂直领域模型：情感分析、语言翻译、意图分类等垂直领域模型。 通用大模型适合处理复杂、开放的任务，垂直领域模型适合处理简单、高频的任务。 2.1.2 模型能力和微调 模型的知识是固化的，需要不断地“喂”它，把这些信息结构化地描述清楚并且提供给它，它会在每次的交互中动态地理解你提供的内容，并结合自身的通用知识来完成内容的生成。 企业专属模型的训练和微调的成本是巨大的，它不仅包括高昂的计算资源费用，还需要海量的高质量标注数据、专业的算法团队以及漫长的开发周期。对于绝大多企业来说，投入与产出不成正比，很难持续。 2.1.3 如何选择模型 基于企业的实际业务场景，权衡任务复杂度、性能要求、开发成本和响应延迟等多个因素来综合选择和组合最合适的模型。 一个务实的策略是从顶配开始，逐步优化：先用能力最强的模型搭建原型以验证业务逻辑，再逐步将流程中的非核心、简单任务替换为更经济、更快速的小模型，最终找到成本与性能的最佳平衡点。 2.2 框架 Spring 或 Dubbo 开发一个微服务应用，代码确定，容易形成标准化的框架。而开发一个 AI Agent 应用，LLM 存在高度不确定性，设计模式的落地方式差异很大。 2.2.1 Agent 设计模式 1、Chain of Thought（思维链） 让模型在回答前，把推理过程一步步写出来。 2、Self-Ask（自问自答） 让模型在回答时学会反问自己，把大问题拆成多个小问题，然后逐个回答。 3、ReAct（推理+行动） 在推理和外部行动（比如调用搜索引擎或 API）之间交替进行。 4、Plan-and-Execute（计划与执行） 把任务拆成两个阶段，先生成计划，再逐步执行。 5、Tree of Thoughts（ToT，树状思维） 不是单线思维，而是生成多条思路分支，像树一样展开，再通过评估机制选出最佳分支。 6、Reflexion / Iterative Refinement（反思与迭代优化） Agent 自我纠错，犯错后会总结失败原因，再带着反思尝试下一次。 7、Role-playing Agents（角色扮演式智能体） 把任务拆分给不同角色的 Agent，通过对话协作完成任务。 这些模式不是互斥的，可以混搭使用。 其中 ReAct 已经被 LangChain、LlamaIndex、Dify、Spring AI Alibaba 等开发框架内置为基础框架。 2.2.2 Agent 开发框架 1、从低代码到高代码 低代码平台是对于高代码的一层封装，其抽象层次很难满足所有场景，无法在性能、扩展性和复杂业务逻辑方面满足大规模生产的要求。 高代码是当下 AI 原生应用生产落地的主流形态，ADK、LangGraph、AutoGen、AgentScope、Spring AI Alibaba 等框架，为开发者提供了面向 Agent 的编程接口。 ...

本书作者：测试开发刚哥，文章版权归个人所有，未经授权请勿转载。 1.1 大模型技术发展回顾和产业价值 1.1.1 大模型发展回顾与展望 2022 年 11 月，ChatGPT 横空出世，模型即服务（MaaS）模式快速兴起，AI 从实验室走向商业场景。2024 年，OpenAI 推出 o1 模型和 4o 模型，大模型技术迎来质的飞跃。2025 年，多家大模型厂商支持模型上下文协议（MCP），Google 推出 A2A 架构，AI 从单点工具向系统级生产力工具转变。 1.1.2 大模型的五大产业价值 效率新工具、服务新体验、产品新形态、决策新助手、科研新模式。 1.2 AI 时代应用架构的演进 1.2.1 IT 应用架构的演进脉络 云原生架构是指，Kubernetes 等技术通过容器化、集群化管理，实现按量使用、秒级弹性的极致资源调度。 每一次架构升级，都是在满足业务规模更大、需求变化更快、资源成本更低的述求。 1.2.2 云原生应用架构向 AI 原生应用架构的跃迁 如果说，云原生解决的是如何高效地运行，那么 AI 原生是在此基础上解决如何智能地运行。 在云原生应用架构中，我们讨论的是容器如何管理、服务如何拆分、流量如何治理。而在 AI 原生应用架构下，其目标是在满足可扩展、可观测、安全合规的同时，最大化释放模型的智能潜力。 在大语言模型（LLM）出现之前，AI 只能以功能模块形态嵌入系统。LLM 具备通用理解、推理和生成能力，并能通过函数调用、外部工具联动和知识库，形成可扩展的 Agent 体系。AI 原生应用的运行逻辑不再完全由工程师编写的代码所决定，而是由大模型进行自出判断、行动和生成，并具备以下 3 个特征： 以 LLM 为核心，用自然语言统一交互协议； 以多模态感知扩展输入边界，以 Agent 框架编排工具链； 以数据飞轮驱动模型持续进化，实现系统的自我优化。 1.3 AI 原生应用及其架构的定义 AI 原生应用架构，涵盖了模型、应用开发框架、提示词、RAG、记忆、工具、网关、运行时、可观测、评估和安全等关键要素。 1.3.1 大模型推理决策 传统应用使用编程语言（Java、C++等）进行编码，AI 原生应用使用大语言模型（LLM），通过 Prompt（提示词）等自然语言方式进行构建。 ...

编写测试用例，是我做测试工作最痛苦的一件事情，没有之一。最难受的是把测试点写成“标准”用例。先要写一个让人一目了然的用例标题，还要讲究什么主谓宾造句，曾经为了让标题好看，我还硬加“验证”2 个字前缀。前提条件要把账号数据这些罗列出来。步骤要写清楚每一步干啥，预期也要具体化和量化，不能只写正确。文字写起来啰里啰嗦，写多了头都炸了。

Claude Code 是 Anthropic 公司的产品，跟字节的豆包、阿里的千问和腾讯的元宝一样，只不过它更擅长于跟代码打交道。用 Claude Code 来写代码，就是通常说的 Vibe Coding，跟着感觉编程。

本书作者：测试开发刚哥，文章版权归个人所有，未经授权请勿转载。 简介 MCP 是什么？通俗易懂地讲，在互联网时代，应用程序是通过 HTTP 来交互的，而来到 AI 时代，大模型可以通过 MCP 来进行交互。MCP 是 Model Context Protocol 缩写，专为大模型（LLM，Large Language Model）设计的大模型上下文协议。 MCP Server 是什么？MCP Server 就像网关之于应用程序，数据库连接池之于数据库，位于中间位置，接收请求，调用大模型。可以调用 Server 进行业务开发，也可以自建 Server 实现特定功能。 MCP Python SDK 是什么？MCP 的 Python 实现，它包含以下功能（官方原文）： Build MCP clients that can connect to any MCP server Create MCP servers that expose resources, prompts and tools Use standard transports like stdio, SSE, and Streamable HTTP Handle all MCP protocol messages and lifecycle events 安装 推荐使用 uv 工具来管理 Python 项目。 ...