- 在数字教育的趋势和社会大背景下，尤其是大数据精准教学的前提下，如何开展学校教育项目学习改革成为首当其冲的问题和焦点，针对于项目学习中的高阶思维评价方式，笔者尝试通过数字画像的基本形式，开展基于知识图谱拓扑原理的项目设计与实践，以期待为一线教育教学工作提供范式与思考。 在数字教育的趋势和社会大背景下，尤其是大数据精准教学的前提下，如何开展学校教育项目学习改革成为首当其冲的问题和焦点，针对于项目学习中的高阶思维评价方式，笔者尝试通过数字画像的基本形式，开展基于知识图谱拓扑原理的项目设计与实践，以期待为一线教育教学工作提供范式与思考。
- 近日，DataFunSummit知识图谱在线峰会正式举行，国内知识图谱领域知名学者和技术专家出席本次峰会，共议“知识图谱的核心技术与前沿应用”。会上，华为云3位专家介绍了华为云知识计算解决方案的具体行业实践。“新一代人工智能技术要解决如何与各行各业深度融合的问题，要做到真正的落地，就需要把知识驱动和数据驱动结合起来，实现AI与行业知识的高效结合，同时利用知识、数据、算法和算力四个要素。这是A... 近日，DataFunSummit知识图谱在线峰会正式举行，国内知识图谱领域知名学者和技术专家出席本次峰会，共议“知识图谱的核心技术与前沿应用”。会上，华为云3位专家介绍了华为云知识计算解决方案的具体行业实践。“新一代人工智能技术要解决如何与各行各业深度融合的问题，要做到真正的落地，就需要把知识驱动和数据驱动结合起来，实现AI与行业知识的高效结合，同时利用知识、数据、算法和算力四个要素。这是A...
- 在过去的数十年里，知识图谱技术虽然逐步展露于个行业中，但始终限制于庞大的信息、知识数据难以智能化、系统化的追踪呈现的困境，让企业，特别是技术密集型企业，受制于知识获取难、信息碎片化严重等现实状况。这就需要知识图谱技术的全栈解决方案，来打破这些制约企业发展的困境，最大程度释放知识的力量带来的数据增值，加速产业转型升级，并实现知识全生命周期管理。 在过去的数十年里，知识图谱技术虽然逐步展露于个行业中，但始终限制于庞大的信息、知识数据难以智能化、系统化的追踪呈现的困境，让企业，特别是技术密集型企业，受制于知识获取难、信息碎片化严重等现实状况。这就需要知识图谱技术的全栈解决方案，来打破这些制约企业发展的困境，最大程度释放知识的力量带来的数据增值，加速产业转型升级，并实现知识全生命周期管理。
- 本文探讨AI Agent切换对Android开发质量的影响：模型可替换，但IDE工具（编译诊断、Preview、模拟器）的调用逻辑、时机与失败恢复能力存在显著差异。提出构建“Agent–工具–任务”兼容矩阵，强调证据合规性（如必调Preview、日志验证）、失败降级策略与版本隔离测试，确保工程结果可靠可溯。 本文探讨AI Agent切换对Android开发质量的影响：模型可替换，但IDE工具（编译诊断、Preview、模拟器）的调用逻辑、时机与失败恢复能力存在显著差异。提出构建“Agent–工具–任务”兼容矩阵，强调证据合规性（如必调Preview、日志验证）、失败降级策略与版本隔离测试，确保工程结果可靠可溯。
- 本文探讨语音Agent测试新范式：超越转写准确率，聚焦“听懂→理解→调用→执行→验证”五层链路。通过LED屏案例揭示意图误解析、工具参数错、状态未同步等三类隐性错误，强调设备回读、动作取消、变形测试与Trace追踪，推动语音助手从“会聊天”迈向“敢行动”。 本文探讨语音Agent测试新范式：超越转写准确率，聚焦“听懂→理解→调用→执行→验证”五层链路。通过LED屏案例揭示意图误解析、工具参数错、状态未同步等三类隐性错误，强调设备回读、动作取消、变形测试与Trace追踪，推动语音助手从“会聊天”迈向“敢行动”。
- 本文提出提示词变更的“三层影响面分析法”：命中层（字面+词族匹配必跑）、边界层（历史过错/低置信样本）、不变层（钱、隐私、越权、法律四类常驻必测）。配套Python脚本可开箱运行，输出带理由的选例清单与告警，解决提示词无调用图下的回归测试难题。 本文提出提示词变更的“三层影响面分析法”：命中层（字面+词族匹配必跑）、边界层（历史过错/低置信样本）、不变层（钱、隐私、越权、法律四类常驻必测）。配套Python脚本可开箱运行，输出带理由的选例清单与告警，解决提示词无调用图下的回归测试难题。
- 智能体最危险的缺陷不是答错，而是“卡住却假装完成”：反复调用同一接口、原地空转、伪造答案。本文提出“停滞检测器”，通过重复动作、无推进、预算越线、假性完成四大探头，在会话过程中实时拦截，守护成本、指标与用户体验。 智能体最危险的缺陷不是答错，而是“卡住却假装完成”：反复调用同一接口、原地空转、伪造答案。本文提出“停滞检测器”，通过重复动作、无推进、预算越线、假性完成四大探头，在会话过程中实时拦截，守护成本、指标与用户体验。
- 本文探讨智能体时代测试范式的根本转变：判据不再源于需求文档，而需测试人员主动构建分场景判定式；被测对象扩展至“评估本身”；跨职能接口统一于同一套可判定标准。核心主张——写清判据，方能定义验收。 本文探讨智能体时代测试范式的根本转变：判据不再源于需求文档，而需测试人员主动构建分场景判定式；被测对象扩展至“评估本身”；跨职能接口统一于同一套可判定标准。核心主张——写清判据，方能定义验收。
- 本文揭示AI测试维护的核心陷阱：字段变更易引发断言误判。主张从“改脚本”转向“判影响”，依托OpenAPI与业务不变量生成候选影响清单，聚焦高风险链路闭环验证，并将关键断言纳入契约回归，实现可追溯、可复用的质量门禁。 本文揭示AI测试维护的核心陷阱：字段变更易引发断言误判。主张从“改脚本”转向“判影响”，依托OpenAPI与业务不变量生成候选影响清单，聚焦高风险链路闭环验证，并将关键断言纳入契约回归，实现可追溯、可复用的质量门禁。
- 本文揭示AI模型评测中厂商发布页数字“悄然变动”的行业风险，指出依赖截图引用的脆弱性。提出“留痕+复现”双轨实践：用哈希快照捕获变更，以可复现评测替代被动采信。强调差异即信号，需优先对齐口径而非质疑真假。核心主张：测试结论必须锚定在自己能重跑、可追溯、有置信区间的证据上。 本文揭示AI模型评测中厂商发布页数字“悄然变动”的行业风险，指出依赖截图引用的脆弱性。提出“留痕+复现”双轨实践：用哈希快照捕获变更，以可复现评测替代被动采信。强调差异即信号，需优先对齐口径而非质疑真假。核心主张：测试结论必须锚定在自己能重跑、可追溯、有置信区间的证据上。
- 上线评审会开到第二十分钟，卡在同一个问题上：这个智能体到底能不能上线。产品说演示很顺；算法说场景集通过率不错；安全说没报漏洞；运维说回滚预案写好了；业务负责人最后只问了一句『你们谁敢签字』，五个人给出了五种『通过』的定义。散会你回到工位翻测试计划，发现那五种定义合起来其实是九个字：功能、性能、安全。这不是谁偷懒，是我们最熟练的那套三板斧——而它在智能体身上少了两块板。九月中旬的一条行业消息，... 上线评审会开到第二十分钟，卡在同一个问题上：这个智能体到底能不能上线。产品说演示很顺；算法说场景集通过率不错；安全说没报漏洞；运维说回滚预案写好了；业务负责人最后只问了一句『你们谁敢签字』，五个人给出了五种『通过』的定义。散会你回到工位翻测试计划，发现那五种定义合起来其实是九个字：功能、性能、安全。这不是谁偷懒，是我们最熟练的那套三板斧——而它在智能体身上少了两块板。九月中旬的一条行业消息，...
- AI Agent自进化不是让模型“自学成才”，而是构建工程化闭环：评测发现问题→沉淀经验→更新Prompt/Skill→回归验证→灰度发布→反馈回流。核心在于Harness层（Prompt、Skill、Memory等）的持续优化，需借鉴CI/CD、自动化测试、Trace分析等软件工程实践，实现可验证、可回滚、可管控的真正持续改进。 AI Agent自进化不是让模型“自学成才”，而是构建工程化闭环：评测发现问题→沉淀经验→更新Prompt/Skill→回归验证→灰度发布→反馈回流。核心在于Harness层（Prompt、Skill、Memory等）的持续优化，需借鉴CI/CD、自动化测试、Trace分析等软件工程实践，实现可验证、可回滚、可管控的真正持续改进。
- 本文揭示AI Agent测试的核心挑战：接口正常≠业务正确。以“退款退错”为例，指出Agent路径错误（如猜订单号、越界重试）比接口失败更危险。提出用Trace断言验证调用顺序、参数来源、归属校验与停止条件，并强调回归测试需沉淀真实坏轨迹，实现从结果验证到行为可控的升级。 本文揭示AI Agent测试的核心挑战：接口正常≠业务正确。以“退款退错”为例，指出Agent路径错误（如猜订单号、越界重试）比接口失败更危险。提出用Trace断言验证调用顺序、参数来源、归属校验与停止条件，并强调回归测试需沉淀真实坏轨迹，实现从结果验证到行为可控的升级。
- AI补丁常因环境差异导致线上失败：单测通过但真实服务启动报错。本文提出四层验证门——单元、集成、服务冒烟、业务冒烟，强调必须用最小真实服务执行关键请求（如模型加载、健康检查、推理），并留存commit、镜像、日志、Trace等可复盘证据，让AI改动可追溯、可归因。 AI补丁常因环境差异导致线上失败：单测通过但真实服务启动报错。本文提出四层验证门——单元、集成、服务冒烟、业务冒烟，强调必须用最小真实服务执行关键请求（如模型加载、健康检查、推理），并留存commit、镜像、日志、Trace等可复盘证据，让AI改动可追溯、可归因。
- 本文介绍如何将Kev——一种类型化决策AI模型——作为可测试服务进行验证。它不生成文本，而是针对结构化问题（noul/choice/score）返回概率化答案。重点在于：建立本地HTTP服务、编写接口契约测试、验证多题隔离与选项顺序稳定性、开展概率校准，并构建可回归的冻结样本集。核心理念：把AI当被测对象，而非黑盒顾问。 本文介绍如何将Kev——一种类型化决策AI模型——作为可测试服务进行验证。它不生成文本，而是针对结构化问题（noul/choice/score）返回概率化答案。重点在于：建立本地HTTP服务、编写接口契约测试、验证多题隔离与选项顺序稳定性、开展概率校准，并构建可回归的冻结样本集。核心理念：把AI当被测对象，而非黑盒顾问。
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