testing

介绍 Pro Agent Builders 系列，聚焦递归自动改进（RAI）——编码智能体在夜间运行数百个探针，自动提升另一个智能体的性能。

SQLite 开发者分享其可靠性经验，源自 DO-178B 航空电子标准，通过 100% MCDC 测试覆盖率确保代码质量，强调“没有测试过就不工作”的理念。

LangWatch发布了'scenario'，一个使用对话场景测试AI智能体的工具，可在GitHub上获取。

一篇 Google Testing 博客文章，就如何回应代码评审评论提供指导，强调在有助于阐明决策和理由时添加上下文的重要性。

pytest-leak-finder 是一个 pytest 插件，它使用二分查找来识别当一起运行时，哪个更早的测试导致后续测试失败。

pgtestdb 是一个 Go/Postgres 测试包，它利用 Postgres 模板数据库快速克隆测试数据库，实现与基于模式的方法相当的设置时间，同时支持完整的端到端测试。

一篇博客文章，介绍了在测试中使用延续来捕获效果，从而实现一种通用的模拟方法。这种方法允许测试在不执行效果的情况下，验证正确的参数和调用顺序。该技术以 Gleam 编程语言演示。

Addy Osmani 指出，随着 AI 代理生成的代码比人类能审查的还要多，软件质量必须通过测试和确定性检查等约束来强制保证，而非依靠代码审查本身。

Supapool 是一个 CLI 工具，可为每个编码代理或 CI 运行提供隔离的临时 Supabase 实例，在大约 400 毫秒内启动，实现并行的、类似生产环境的测试，且无干扰。

探讨了为什么在测试用例上表现完美的AI智能体在真实对话中常常失败，强调了分布偏移和过拟合等问题。

Kent C. Dodds 正在寻求帮助，以便在发布前对他的新视频分享产品进行最终测试。

Xiaomi 强调了 SkyNomad N90 Max 的安全性和耐用性，其配备超长滑轨，采用 7 系高强度铝合金制造，具有高锁定强度，并在 15,000 次测试循环后保持可靠性。

Balder 是一个 Python 测试框架，允许编写可复用的基于场景的测试，无需重写代码即可在不同设备或技术上运行。

CreditGenie 使用 LangSmith 来调试数千条代理追踪，并从生产数据中生成有针对性的测试问题。

DeepEval 是一个用于评估 LLM 应用的开源 Python 框架，提供现成的评估指标、Pytest 风格的工作流程以及 CI/CD 支持。

本文讨论了负责评估人工智能系统危险性的人类测试者如何难以跟上人工智能发展的快速步伐，突显了对安全监管日益增长的担忧。

本指南介绍了如何使用测试、黄金数据集、可靠性检查和人工审查来评估AI生成代码的质量。它提供了一个实用工作流，帮助捕获回归问题，并更有信心地交付AI辅助代码。

一项分析调查了AI实验室是否在针对流行的‘骑自行车的鹈鹕’SVG基准测试优化其模型，该测试在48个提示中测试了七个前沿模型，使用不同的动物和车辆，未发现过拟合的强有力证据。

本文介绍了预重构的概念——在添加新功能之前清理代码，使集成更简洁，减少技术债务。

Claude Code Desktop现在包含一个iOS模拟器面板，用于直接在对话中测试和交互iOS应用。该面板实时流式传输设备屏幕，并允许Claude和用户控制模拟器。