2026 年了,还在审 AI 痕迹?
我接受任何基于事实、逻辑和证据的质疑,也愿意为每一行结论负责;但我不接受用“AI 痕迹”替代专业审查。
按时间归档,24 篇散落在 10 个主题里。
我接受任何基于事实、逻辑和证据的质疑,也愿意为每一行结论负责;但我不接受用“AI 痕迹”替代专业审查。
入职四个月,架构调了几轮。我承认自己有一个月状态很差,也承认那段时间产出少。后来我慢慢爬了回来。绩效评价里对我工作态度的几句话,我不认。工作做得怎么样可以拿事实说,怎么做人不能靠几句没法核实的转述来定。
AI 加速了写代码,却没有同时加速需求理解、测试、评审和上线。生成比例可以很高,整个团队仍可能被验证和返工拖慢。
从抖音刷到周星驰的一段采访,又追到李小龙关于水的比喻。恰逢最近工作有些不顺,借这句话记下几句:该吐槽就吐槽,该调整就调整,路还要继续走。
三十岁不是统一的职业分水岭。比年龄更值得关注的,是能否持续解决复杂问题、承担系统责任、理解业务,并给学习和生活留下长期空间。
对“商业化拐点”和上游“卖铲子”叙事做一次拆解:订单、交付和融资是积极信号,但还要结合复购、利用率、远程运营、总拥有成本与现金回收。
基于新识研究所原文做一份克制的行业阅读笔记:区分公司口径、媒体转述和作者判断,重点讨论场景、路权、运营效率、交付能力与法律争议。
一份 105 页项目复盘的克制导读:区分作者亲历、作者判断与可继续讨论的产品问题,关注主动服务、产品定位、迭代节奏、组织成本和 Agent 落地。
几年后再看财富技术部的编码军规,我记住的不是口号,而是并发、幂等、金额、核对、变更和应急这些朴素的工程要求。
从金融系统转到无人配送车之后,我对质量边界的一些新认识:如何连接场景、仿真、车端、云端和线上反馈,以及哪些地方仍在学习。
与其统计生成了多少 Prompt 和用例,不如沉淀评测集、失败 trace、业务契约与版本配置,并用任务成功、关键失败、诊断效率和成本延迟衡量结果。
从需求评审、测试设计、执行、缺陷归因到发布门禁,讨论 LLM 适合辅助什么、不适合替代什么,以及怎样保留证据和人工责任。
与其先做用例生成大屏,不如先搭 trace 与回放、可版本化评测集、发布门禁与线上回流三项底座,让模型和工具都保持可替换。
从测试工程师视角拆解 AI 应用的分层测试、评测集、模型裁判、工具调用、安全测试和线上反馈。
质量工程与测试开发阶段的完整履历留档;我当前的岗位是全栈开发,最新定位见「关于」页
说明公网出口 IP、内网接口地址、IPv4/IPv6 和代理出口的区别,并给出适合交互使用与脚本使用的 curl 写法。
从访问模式和联合索引出发,结合 EXPLAIN ANALYZE、慢查询日志、Performance Schema、直方图与不可见索引,整理 MySQL 8.4 中可验证的慢查询优化流程。
解释浏览上下文、嵌套 iframe、显式等待和 Selenium 4 的 frame 切换 API,并给出定位不到元素时的排查顺序。
以本站使用的 kramdown 为例,整理 Markdown 基础语法、Jekyll Front Matter、代码块、链接图片、表格、脚注和 Liquid 冲突等实际写作问题。
从稳定定位器、CSS 与 XPath 的边界、显式等待、StaleElementReferenceException 和 JavaScript 兜底等方面,整理现代 Selenium UI 自动化的基本写法。
从调用栈、尾调用优化和 CPython 的设计取舍出发,说明为什么把递归改成尾递归仍会触发 RecursionError,以及工程中更合适的替代方案。
用对象绑定这条主线解释可变默认参数、类属性共享、浅拷贝、闭包延迟绑定和 is/== 的区别,并给出适用于现代 Python 的写法。
不再罗列多年无人维护的爬虫仓库,而是从数据来源、合规边界、工具选型、限速重试、去重存储和可观测性出发,搭一套能长期运行的网页采集方案。
以 Python 3.14 为基线,解释默认 GIL、free-threaded 构建、线程池、进程池、asyncio 和 InterpreterPoolExecutor 的适用边界。