chenwh_123

摘要： 1.背景 playwright 现在有了playwright agents，这实际也是playwright MCP的进一步演进，agents可以生成测试计划，然后基于计划生成测试；如果这些测试没有通过，还可以调试并修复它们。下面来让我们深入了解一下吧。 2.实操步骤 2.1 通过命令添加agent的 阅读全文

摘要： 1.背景： 最近在深入研究skills的原理，随处可见的解释就是一个AI操作手册，但是网上文章也有很多这种解释：skill是一个最小可执行单元；或者是属于可执行层等等，可见如下截图 2.纠错 如果你觉得有问题，具体有什么问题，也可以之间丢到AI中找错哦 具体犯了哪些错误呢？ 1.张冠李戴："可调用的 阅读全文

摘要： 1.背景 当mcp出来的时候，只知道可以调用外部的接口了，理解不是很透彻，深刻的印证了那句话“纸上得来终觉浅，绝知此事要躬行”。 今天就拿本地一个接口，打算包一个MCP server，然后接入AI里面，然后让AI可直接进行操作，让自己有个更深入的理解。 官方定义： 2.实操MCP工具步骤 1）总览如 阅读全文

摘要： 先分清两个指标，很多人在这里混淆： RAG 场景召回率：预期应该被召回的chunk集合，有多少被成功召回 平均召回率 Mean Recall：每条样本单独算 Recall，再求平均（衡量检索能不能把问题相关的 chunk 尽量捞全） 召回达标率：样本级指标，统计多少条样本的单样本 Recall ≥ 阅读全文

摘要： Chroma：开箱即用的向量库，自带元数据、文档存储、持久化，封装度高，适合快速搭建 RAG；底层可以选用 faiss 作为向量索引后端。 FAISS：Meta 开源向量检索库，只负责向量相似度计算，不存原始文本、元数据，轻量高性能，适合大规模向量检索，需要自己管理文档和向量映射关系。 一、环境准备 阅读全文

摘要： 前置回顾：优化后的 RAG 链路：用户问题 → Hybrid 混合检索 → Reranker 重排筛选 → 组装 Prompt → LLM 生成答案 本章解决两个产品化痛点： Chroma 持久化：之前代码每次运行程序都要重新加载文档、切分、向量化、入库；持久化后向量数据库保存在本地磁盘，程序重启不 阅读全文

摘要： 承接前面本地 Embedding+ChromaDB + 本地大模型 RAG 实例。 RAG 评估分为两大块：检索阶段评估（评估向量库召回好不好） 和 生成阶段评估（评估大模型回答质量、幻觉） 链路回顾：文档入库 → 向量检索召回 TopN 片段 → Prompt 组装 → LLM 生成答案 检索模块 阅读全文

摘要： 1. 运行DeepSeek Harness 查看DeepSeek Harness的https://github.com/deepseek-ai/deepseek-harness/blob/master/README.zh.md ，然后直接照着操作 有两种运行方式： 1）通过 npm 运行 需提前安装 阅读全文

摘要： RAG 完整链路： 文档加载 → 文本切分 → 本地 Embedding 编码 → Chroma 向量入库→ 用户提问 → 问题 Embedding → 向量检索召回 TopN 知识片段→ 构造 Prompt（问题 + 召回上下文） → 本地大模型生成答案； 主要分为两大流程：一是知识库构建流程；二 阅读全文

摘要： 1.使用coze进行案例实践： 根据swagger接口文档/接口定义文档生成用例并自动执行 1）需求分析： 拆分成两个工作流程，一个是文档的解析，解析出对应的接口信息并落库 另一个是根据文档名称查询对应的接口信息，先生成测试方案，在生成测试用例，并自动执行生成测试报告 2）创建coze应用工作流设计 阅读全文