- 全文手把手，不装逼，不跳过任何步骤，跟着做一定能跑通写在前面先说个真实感受——我刚开始接触自动化测试那会儿，被Selenium的环境配置折磨得够呛。ChromeDriver版本对不上、路径配不对、动不动就报错，光是“跑起来”这一步就卡了我一整天。后来团队里一位老哥推荐了Playwright，说“你试试这个，不用配驱动”。我当时将信将疑，结果十分钟真跑通了第一个脚本。所以这篇教程就是写给当年的... 全文手把手，不装逼，不跳过任何步骤，跟着做一定能跑通写在前面先说个真实感受——我刚开始接触自动化测试那会儿，被Selenium的环境配置折磨得够呛。ChromeDriver版本对不上、路径配不对、动不动就报错，光是“跑起来”这一步就卡了我一整天。后来团队里一位老哥推荐了Playwright，说“你试试这个，不用配驱动”。我当时将信将疑，结果十分钟真跑通了第一个脚本。所以这篇教程就是写给当年的...
- 你盯着开发岗卷生卷死的时候，有人已经在测试岗悄悄上岸了。7月刚到，大厂提前批已经陆续开枪。腾讯技术研发提前批7月下旬启动，字节跳动7月初开放，阿里、美团、京东7月中旬陆续跟进。到8月底，大部分提前批窗口就会关闭——满打满算，也就30天左右。这30天里，有个岗位经常被大家忽视，但实际上是大厂提前批真正的“捡漏”机会：软件测试开发。一、为什么说测试岗是提前批的“隐藏福利”？很多同学对测试岗的印象... 你盯着开发岗卷生卷死的时候，有人已经在测试岗悄悄上岸了。7月刚到，大厂提前批已经陆续开枪。腾讯技术研发提前批7月下旬启动，字节跳动7月初开放，阿里、美团、京东7月中旬陆续跟进。到8月底，大部分提前批窗口就会关闭——满打满算，也就30天左右。这30天里，有个岗位经常被大家忽视，但实际上是大厂提前批真正的“捡漏”机会：软件测试开发。一、为什么说测试岗是提前批的“隐藏福利”？很多同学对测试岗的印象...
- 前面的文章在构建RAG并检索时，既使用了国外大模型，也使用了国内大模型；既运用了内存向量检索库FAISS，也运用了磁盘向量数据库Chroma。但知识库的原始来源却是knowledge数组，这与现实场合有所出入，因为实际资料都保存在TXT、PDF、WORD等格式的文档中，甚至来自互联网上的HTML网页，于是RAG的前置条件就成了如何从这些文档中提取文本信息。一、读取TXT文件中的文本TXT文件... 前面的文章在构建RAG并检索时，既使用了国外大模型，也使用了国内大模型；既运用了内存向量检索库FAISS，也运用了磁盘向量数据库Chroma。但知识库的原始来源却是knowledge数组，这与现实场合有所出入，因为实际资料都保存在TXT、PDF、WORD等格式的文档中，甚至来自互联网上的HTML网页，于是RAG的前置条件就成了如何从这些文档中提取文本信息。一、读取TXT文件中的文本TXT文件...
- 随着 AI 应用和实时分析场景深入，进入数据平台的不再只是结构化业务表。日志、JSON、文本内容、行为事件、模型推理结果等半结构化和非结构化数据，正在成为实时分析的常见对象。与此同时，分析链路中要完成的工作也在变化：它不再只是 COUNT、SUM、GROUP BY，还包括规则判断、字段解析、特征加工、标签抽取、模型打分等更复杂的业务逻辑。这些逻辑往往更适合用 Python 实现。但如果把数据... 随着 AI 应用和实时分析场景深入，进入数据平台的不再只是结构化业务表。日志、JSON、文本内容、行为事件、模型推理结果等半结构化和非结构化数据，正在成为实时分析的常见对象。与此同时，分析链路中要完成的工作也在变化：它不再只是 COUNT、SUM、GROUP BY，还包括规则判断、字段解析、特征加工、标签抽取、模型打分等更复杂的业务逻辑。这些逻辑往往更适合用 Python 实现。但如果把数据...
- 检索增强生成（RAG）是解决 LLM 幻觉问题的关键技术。本文深入实践向量检索与上下文注入。 检索增强生成（RAG）是解决 LLM 幻觉问题的关键技术。本文深入实践向量检索与上下文注入。
- 前面两篇文章在演示RAG功能时，做向量化的文本嵌入模型都用国外的all-MiniLM-L6-v2，该模型主要适用英文，对于中文总体也能用，但在细节上处理欠佳。本文就来介绍如何使用国产离线的文本嵌入模型替换国外模型，以及如何体现国产模型的比较优势。一、all-MiniLM-L6-v2的缺点虽然all-MiniLM-L6-v2的优点很多，比如下列几点：1、体积极小：几十 MB，随便本地离线下载2... 前面两篇文章在演示RAG功能时，做向量化的文本嵌入模型都用国外的all-MiniLM-L6-v2，该模型主要适用英文，对于中文总体也能用，但在细节上处理欠佳。本文就来介绍如何使用国产离线的文本嵌入模型替换国外模型，以及如何体现国产模型的比较优势。一、all-MiniLM-L6-v2的缺点虽然all-MiniLM-L6-v2的优点很多，比如下列几点：1、体积极小：几十 MB，随便本地离线下载2...
- 本期涵盖 Pluggy 插件系统实战、Python 接口实现方式（ABC 与 Protocols）、Scrapy 扩展开发、2026 年任务队列库选型对比、Python 3.14 垃圾回收改进与回退、PyCon US 2026 安全专... 本期涵盖 Pluggy 插件系统实战、Python 接口实现方式（ABC 与 Protocols）、Scrapy 扩展开发、2026 年任务队列库选型对比、Python 3.14 垃圾回收改进与回退、PyCon US 2026 安全专...
- RAG 技术全景解析：原理、架构与实战代码实现在大型语言模型（LLM）爆发式增长的今天，我们面临着两个核心挑战：幻觉问题（Hallucination）和知识滞后性。LLM 基于训练数据生成内容，一旦训练数据过时或涉及私有领域知识，模型往往无法给出准确答案，甚至产生看似合理实则错误的“幻觉”。检索增强生成（Retrieval-Augmented Generation, RAG）技术应运而生。... RAG 技术全景解析：原理、架构与实战代码实现在大型语言模型（LLM）爆发式增长的今天，我们面临着两个核心挑战：幻觉问题（Hallucination）和知识滞后性。LLM 基于训练数据生成内容，一旦训练数据过时或涉及私有领域知识，模型往往无法给出准确答案，甚至产生看似合理实则错误的“幻觉”。检索增强生成（Retrieval-Augmented Generation, RAG）技术应运而生。...
- 构建智能问答系统：深入解析与实战 RAG（检索增强生成）技术在大型语言模型（LLM）迅猛发展的今天，企业和个人用户对于智能问答系统的需求日益增长。然而，传统的基于纯 LLM 的问答系统面临着两个核心痛点：知识滞后性和幻觉问题。LLM 的训练数据存在截止时间，无法实时获取最新信息；同时，它们在缺乏具体事实依据时，往往会“自信地编造”答案。为了解决这些问题，检索增强生成（Retrieval-A... 构建智能问答系统：深入解析与实战 RAG（检索增强生成）技术在大型语言模型（LLM）迅猛发展的今天，企业和个人用户对于智能问答系统的需求日益增长。然而，传统的基于纯 LLM 的问答系统面临着两个核心痛点：知识滞后性和幻觉问题。LLM 的训练数据存在截止时间，无法实时获取最新信息；同时，它们在缺乏具体事实依据时，往往会“自信地编造”答案。为了解决这些问题，检索增强生成（Retrieval-A...
- 重塑大模型的知识边界：深入解析 RAG 技术与实战落地在生成式人工智能（Generative AI）爆发式增长的今天，大型语言模型（LLM）如 GPT-4、Llama 3 等展现出了惊人的推理和创作能力。然而，随着应用的深入，一个核心痛点日益凸显：知识时效性滞后与领域知识匮乏。依靠海量数据预训练的模型，其知识截止于训练数据的停止时间，且无法获取企业内部的私有数据（如文档、数据库记录）。此外... 重塑大模型的知识边界：深入解析 RAG 技术与实战落地在生成式人工智能（Generative AI）爆发式增长的今天，大型语言模型（LLM）如 GPT-4、Llama 3 等展现出了惊人的推理和创作能力。然而，随着应用的深入，一个核心痛点日益凸显：知识时效性滞后与领域知识匮乏。依靠海量数据预训练的模型，其知识截止于训练数据的停止时间，且无法获取企业内部的私有数据（如文档、数据库记录）。此外...
- AI 写代码越来越快了。但真正让技术圈开始警惕的，不是 AI 能不能写代码，而是另一个更现实的问题：AI 让提交 PR 的门槛几乎降到了零，但代码审查和质量验证的成本，并没有跟着降下来。这句话，对程序员重要。对测试开发更重要。因为软件行业正在进入一个新阶段：以前的问题是代码写得不够快。现在的问题是，代码来得太快，质量验证跟不上。最近，Python 顶流工具 Ruff、uv 背后的作者 Cha... AI 写代码越来越快了。但真正让技术圈开始警惕的，不是 AI 能不能写代码，而是另一个更现实的问题：AI 让提交 PR 的门槛几乎降到了零，但代码审查和质量验证的成本，并没有跟着降下来。这句话，对程序员重要。对测试开发更重要。因为软件行业正在进入一个新阶段：以前的问题是代码写得不够快。现在的问题是，代码来得太快，质量验证跟不上。最近，Python 顶流工具 Ruff、uv 背后的作者 Cha...
- 上一篇文章通过all-MiniLM-L6-v2模型结合FAISS实现了简单的RAG检索功能，但FAISS运行于内存中，无法持久化保存向量数据，重启后又得重新对文本做向量化，比较浪费算力资源。本文就来介绍如何使用向量数据库来持久保存向量数据。一、向量数据库ChromaChroma是一个本地向量数据库，专门用来保存 RAG 知识库，并且快速检索相关内容。Chroma与FAISS之间的区别如下：... 上一篇文章通过all-MiniLM-L6-v2模型结合FAISS实现了简单的RAG检索功能，但FAISS运行于内存中，无法持久化保存向量数据，重启后又得重新对文本做向量化，比较浪费算力资源。本文就来介绍如何使用向量数据库来持久保存向量数据。一、向量数据库ChromaChroma是一个本地向量数据库，专门用来保存 RAG 知识库，并且快速检索相关内容。Chroma与FAISS之间的区别如下：...
- Blackhole Diffusion（黑洞弥散）：技术说明文档项目状态：基础版 MIT 开源 目录产品概述核心特点算法架构3.1 边向扩展 vs 生成树3.2 消元引擎：CSRBlackholeDevourer（满秩保证）3.3 数学保证语言税分析20 数据集完整基准测试目标场景开源协议与命名由来 1. 产品概述Blackhole Diffusion（黑洞弥散） 是一个纯 Python ... Blackhole Diffusion（黑洞弥散）：技术说明文档项目状态：基础版 MIT 开源 目录产品概述核心特点算法架构3.1 边向扩展 vs 生成树3.2 消元引擎：CSRBlackholeDevourer（满秩保证）3.3 数学保证语言税分析20 数据集完整基准测试目标场景开源协议与命名由来 1. 产品概述Blackhole Diffusion（黑洞弥散） 是一个纯 Python ...
- 上一篇文章采用字符串匹配的方式来查找知识，这种方式比较呆板不够智能，接下来引入向量数据库，通过向量化实现更精细的知识检索。一、文本嵌入Embedding模型向量化一段文本的时候，经常用到all-MiniLM-L6-v2，它是一个轻量级的文本嵌入Embedding模型，专门把文字转成数字向量，给RAG做语义检索用。命令行通过cd命令进入Python工程的所在目录，再执行下面的模型下载命令，可将... 上一篇文章采用字符串匹配的方式来查找知识，这种方式比较呆板不够智能，接下来引入向量数据库，通过向量化实现更精细的知识检索。一、文本嵌入Embedding模型向量化一段文本的时候，经常用到all-MiniLM-L6-v2，它是一个轻量级的文本嵌入Embedding模型，专门把文字转成数字向量，给RAG做语义检索用。命令行通过cd命令进入Python工程的所在目录，再执行下面的模型下载命令，可将...
- LangGraph 不只是更长的 Chain。第一次接入前，应先验证 State、interrupt、checkpoint、恢复路径和序列化边界是否清楚。 LangGraph 不只是更长的 Chain。第一次接入前，应先验证 State、interrupt、checkpoint、恢复路径和序列化边界是否清楚。
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 -
华为云开发者AI素养ClassRoom·第六期2026/09/08 周二 19:00-20:00
樊渊-2026华为软件挑战赛冠军
高手来了：看软挑高手解析二维排样问题—从工业难题到算法突破
回顾中
热门标签