- 本文回溯测试职业变迁史，剖析DeepSeek Harness（GitHub最快涨星项目之一）引发的三大范式变革：测试对象从“静态”走向“自进化”，质量职能从下游上移至架构层，人机分工转向“定义目标+验收结果”。下一站，是成为敏感、善思、长期主义的质量架构师。 本文回溯测试职业变迁史，剖析DeepSeek Harness（GitHub最快涨星项目之一）引发的三大范式变革：测试对象从“静态”走向“自进化”，质量职能从下游上移至架构层，人机分工转向“定义目标+验收结果”。下一站，是成为敏感、善思、长期主义的质量架构师。
- 本文实测DeepSeek Harness（dsh）在测试开发五环节中的实际替代能力：需求解析（50%）、用例设计（70%）、脚本编写（60%）、执行调度（30%）、缺陷定位（40%），加权综合替代度约50%-67%。AI擅重复劳动，不代判断力。 本文实测DeepSeek Harness（dsh）在测试开发五环节中的实际替代能力：需求解析（50%）、用例设计（70%）、脚本编写（60%）、执行调度（30%）、缺陷定位（40%），加权综合替代度约50%-67%。AI擅重复劳动，不代判断力。
- Agent 下半场拼什么？DeepSeek 用“一切皆插件”给出了答案。 从去年起小马就开始研究Harness Engineering的工程实践和方法论沉淀，也是小有见解，可以参看小马之前的文章系列《Harness Engineering 落地实践方法论》，再到后续的Loop Engineering、Graph Engineering，似乎也玩得不亦乐乎。这两天DeepSeek 把之前计划研究的 Agent 下半场拼什么？DeepSeek 用“一切皆插件”给出了答案。 从去年起小马就开始研究Harness Engineering的工程实践和方法论沉淀，也是小有见解，可以参看小马之前的文章系列《Harness Engineering 落地实践方法论》，再到后续的Loop Engineering、Graph Engineering，似乎也玩得不亦乐乎。这两天DeepSeek 把之前计划研究的
- MiniMax H3 是 MiniMax 于 2026年8月发布的新一代**通用全模态生成模型**。它并非单纯的语言模型或视频模型，而是一个能够**统一理解文本、图像、视频、音频等多种模态信息**，并直接生成**带原生立体声音频的视频**内容的生成系统。最高支持生成 **15秒、2K分辨率（2560×1440）、24 FPS** 的视频。 MiniMax H3 是 MiniMax 于 2026年8月发布的新一代**通用全模态生成模型**。它并非单纯的语言模型或视频模型，而是一个能够**统一理解文本、图像、视频、音频等多种模态信息**，并直接生成**带原生立体声音频的视频**内容的生成系统。最高支持生成 **15秒、2K分辨率（2560×1440）、24 FPS** 的视频。
- DeepAgents 是一个 Python 框架，让你像搭积木一样，把多个 AI 组合起来协作干活。 DeepAgents 是一个 Python 框架，让你像搭积木一样，把多个 AI 组合起来协作干活。
- Agent 规模化接入后，凭证成为企业 AI 安全的第一道关口。本文从安全视角拆解凭证暴露风险，并给出最小权限、虚拟凭证、全链路审计的分层防护思路。 Agent 规模化接入后，凭证成为企业 AI 安全的第一道关口。本文从安全视角拆解凭证暴露风险，并给出最小权限、虚拟凭证、全链路审计的分层防护思路。
- 小马的当前团队已搭建了一套基于向量数据库的RAG系统，用于支撑日常的AI问答与知识检索。但随着业务迭代和版本更新，一个核心问题逐渐暴露出来：向量知识库中的语料经常不是最新的。 具体表现为： 项目文档更新后，向量库中仍保留旧版本，检索时优先召回过期内容； 会议纪要、人物履历、技术方案等持续变化，语料更新依赖人工定期清理，维护成本高； 传统RAG无法自动感知语料是否过时，缺乏标识和判断机制，过期内 小马的当前团队已搭建了一套基于向量数据库的RAG系统，用于支撑日常的AI问答与知识检索。但随着业务迭代和版本更新，一个核心问题逐渐暴露出来：向量知识库中的语料经常不是最新的。 具体表现为： 项目文档更新后，向量库中仍保留旧版本，检索时优先召回过期内容； 会议纪要、人物履历、技术方案等持续变化，语料更新依赖人工定期清理，维护成本高； 传统RAG无法自动感知语料是否过时，缺乏标识和判断机制，过期内
- Harness Engineering被广泛视为一种新兴的软件开发范式，正在重新定义软件开发的本质。未来的软件开发正朝端到端（E2E）的方向加速演进，软件生命周期内的生产效率与协同效率都将经历根本性的重塑。未来，软件工程内的各种角色（产品、设计、PM、前后端、测试、运维）都将被模糊化，可能就是 变成 AI开发人员*1 + Harness Engineering 就搞定了，再也不会有 后端写接口前端 Harness Engineering被广泛视为一种新兴的软件开发范式，正在重新定义软件开发的本质。未来的软件开发正朝端到端（E2E）的方向加速演进，软件生命周期内的生产效率与协同效率都将经历根本性的重塑。未来，软件工程内的各种角色（产品、设计、PM、前后端、测试、运维）都将被模糊化，可能就是 变成 AI开发人员*1 + Harness Engineering 就搞定了，再也不会有 后端写接口前端
- 在应用宠物犬只鼻纹识别算法时，会面对幼犬和老犬这两个特殊群体，鼻纹特征并非完全静态，而是在生命周期中经历着“定型-稳定-退化”的动态过程，如何让AI模型具备“时间感知”能力，实现全生命周期精准识别呢？本文以快瞳科技宠物犬只鼻纹识别算法为例，从核心痛点、技术框架、优化案例、技术建议等四个层面详细拆解“如何解决犬种鼻纹动态变化对识别算法的挑战”，帮忙开发人员快速掌握模型优化的核心逻辑，落地相关技术方案 在应用宠物犬只鼻纹识别算法时，会面对幼犬和老犬这两个特殊群体，鼻纹特征并非完全静态，而是在生命周期中经历着“定型-稳定-退化”的动态过程，如何让AI模型具备“时间感知”能力，实现全生命周期精准识别呢？本文以快瞳科技宠物犬只鼻纹识别算法为例，从核心痛点、技术框架、优化案例、技术建议等四个层面详细拆解“如何解决犬种鼻纹动态变化对识别算法的挑战”，帮忙开发人员快速掌握模型优化的核心逻辑，落地相关技术方案
- 犬种识别可以帮助人们更好地理解和照顾他们的宠物，同时对于遗传疾病的研究、遗失宠物的寻找以及犬只的品种改良等方面也有着重要的作用。本文以快瞳科技宠物犬种识别算法的技术原理、效果展示、代码示例及应用场景为例，从技术原理、测试效果、训练代码、应用场景等四个层面详细拆解犬种识别算法的实操细节，帮忙开发人员快速掌握该算法核心逻辑，落地相关技术方案。若有不足之处，欢迎大家指正。 犬种识别可以帮助人们更好地理解和照顾他们的宠物，同时对于遗传疾病的研究、遗失宠物的寻找以及犬只的品种改良等方面也有着重要的作用。本文以快瞳科技宠物犬种识别算法的技术原理、效果展示、代码示例及应用场景为例，从技术原理、测试效果、训练代码、应用场景等四个层面详细拆解犬种识别算法的实操细节，帮忙开发人员快速掌握该算法核心逻辑，落地相关技术方案。若有不足之处，欢迎大家指正。
- 在AI被动加速的大环境里，有的团队借势提效，有的团队效率不升反降，为什么会出现这种差异？ 在AI被动加速的大环境里，有的团队借势提效，有的团队效率不升反降，为什么会出现这种差异？
- 宠物鼻纹识别的核心逻辑的是“数据输入→特征提取→特征匹配→结果输出”，整个流程环环相扣，每一个环节的优化都直接影响最终的识别精度与效率。本文以快瞳科技宠物鼻纹识别算法的开发实践为例，从图像采集、特征提取到特征匹配，完整拆解高精度宠物鼻纹识别算法的核心原理，结合具体技术参数与实操细节，帮忙开发人员快速掌握算法核心逻辑，落地相关技术方案。若有不足之处，欢迎大家指正。 宠物鼻纹识别的核心逻辑的是“数据输入→特征提取→特征匹配→结果输出”，整个流程环环相扣，每一个环节的优化都直接影响最终的识别精度与效率。本文以快瞳科技宠物鼻纹识别算法的开发实践为例，从图像采集、特征提取到特征匹配，完整拆解高精度宠物鼻纹识别算法的核心原理，结合具体技术参数与实操细节，帮忙开发人员快速掌握算法核心逻辑，落地相关技术方案。若有不足之处，欢迎大家指正。
- 本文详解大模型接口三大边界问题：输入上下文溢出、输出max_tokens截断、计费token统计偏差。结合两起400错误实战案例，给出可落地的边界测试方法、代码用例与工程规范，助你直击AI测试面试核心考点。 本文详解大模型接口三大边界问题：输入上下文溢出、输出max_tokens截断、计费token统计偏差。结合两起400错误实战案例，给出可落地的边界测试方法、代码用例与工程规范，助你直击AI测试面试核心考点。
- 本文系统梳理了大模型工程化的关键技术路径，重点解析了四大核心环节：1）模型对齐（SFT/DPO）解决指令理解问题，但需警惕"对齐税"；2）知识蒸馏通过师生模型实现能力迁移，强调软标签的重要性；3）领域微调（LoRA/QLoRA）注入专业知识，需注意数据质量和过拟合；4）推理加速（VLLM/TensorRT-LLM）优化部署性能，二者各有适用场景。文章指出数据质量是技术落地的天花 本文系统梳理了大模型工程化的关键技术路径，重点解析了四大核心环节：1）模型对齐（SFT/DPO）解决指令理解问题，但需警惕"对齐税"；2）知识蒸馏通过师生模型实现能力迁移，强调软标签的重要性；3）领域微调（LoRA/QLoRA）注入专业知识，需注意数据质量和过拟合；4）推理加速（VLLM/TensorRT-LLM）优化部署性能，二者各有适用场景。文章指出数据质量是技术落地的天花
- dsh-model-switch 是一款为 DeepSeek Harness 设计的双模型路由插件，旨在解决编码Agent场景中“复杂任务与简单任务使用同一高级模型”导致的成本浪费问题。 dsh-model-switch 是一款为 DeepSeek Harness 设计的双模型路由插件，旨在解决编码Agent场景中“复杂任务与简单任务使用同一高级模型”导致的成本浪费问题。
上滑加载中
推荐直播
-
华为云码道Agent集成与鸿蒙实战2026/08/11 周二 19:00-21:00
王一男-华为云码道产品规划专家；李炎-华为云码道产品专家；彭江敏-华为云鸿蒙端云一体化开发专家
本次直播带你解读华为云码道7月份产品新特性、新功能。更有专家演示码道Agent Space × 钉钉机器集成实战，从0到1打通消息通道；码道鸿蒙端云一体化实战，快速搭建员工签到系统。
回顾中 -
华为云开发者AI素养直播课·第五期2026/09/04 周五 16:00-18:00
林华鼎-华为云AI开发者运营负责人；蒋春阳-华为云AI开发者案例开发专家
本期直播内容： AI工具体验营 · 第5-8课连讲。Agent-Team 多智能体协作完成毕业设计实践
回顾中
热门标签