1.意图识别与工具匹配：1）理解用户诉求，和让 AI 准确判断哪些工具 --- 主要是依赖 prompt，目前为了确保此处准确，是用了 2 个 llm，一个用于直接生成工具组合，一个用于检查修正；整体应用下来稳定性还好，但是当用户诉求命中工具多时，会导致 llm 上下文变多，不稳定，也就是说上面的解法，一定要确保上下文不要过多，其次最近我们也有个优化方向，就是优先利用历史成功经验，react 范式；多轮对话也是个解法，但是我们还是期望 llm 可以一次做好，毕竟多轮对话，使用起来和我们目标不达预期 2.工具调用方式：根据上下文动态填充参数，工具本身有默认值，用户未要求的参数，会用默认值，目前这块的效果很稳定，基本没出过错 3.工具链的稳定性：通过 prompt 明确好的规则，参数串联，这里逻辑比较明确，基本不会出错 4.当工具量大且原子工具多时，对使用者会很困扰，这种他不需要看平台上各种工具描述，只顾表达自己诉求即可，所以最喜欢用的是非测试（产品研发业务等），测试同学本身比较熟练了，会使用这个有些难转变，需要个过程

统一回复：招聘可以通过 boss 投递🙏🙏🙏

可以在此回复简历（选择仅楼主可见），或者在 boss 平台上联系我们招聘专员 🙏

初中高级

有的 vx 关注公众号《货拉拉技术》到时候结束会有回放

有的2025年1月4日关注 vx 公众号《货拉拉技术》

已更新

谢谢指正，手误已修正

好的，小编准备中，从实践情况来看，这个是开发测试都参与度极高的一个工具

通过字节码 mock 插桩在底层框架的 log 插件

DW 层的逻辑是比较复杂的，数据质量会比较差，要创建模版的话耗时会比较高。当然，我们也可以把复杂问题拆成简单的逻辑通过模版生成 sql

一般在 DM 层，数据稳定，可靠性高。

代码覆盖率与精准的相结合的方式。

内部数据得出的哈