我偶尔会想，假如使用 AI 是未来人人都掌握的基本知识，我如果没跟上，是不是就如同现在六七十岁的老人不会用手机一样呢？
- 世界上第一位 AI 程序员 Devin 诞生，它掌握了全栈技能，能自主学习不熟悉的技术，端到端地构建和部署应用程序，自己改 bug，甚至还能训练和微调自己的 AI 模型
- Devin 的能力：【使用 shell 和编辑器编写 react “生命游戏”】、【自行通过编写测试找到代码库错误，自行调试并解决 bug】、【自行克隆代码库理解 README 部署模型并训练】、【胜任自由职业平台 Upwork 上发布的工作】……
- 整体来说，Devin 能使用人类完成任务常见的开发工具，包括 shell、代码编辑器、以及浏览器，高效解决问题
AI 爆火后，开源项目也逐渐上道，基于 AI 迸发想象力
- MoneyPrinter：只需输入一个视频主题，一键生成视频并完成配乐及字幕等，还可以一键自动上传并发布到各视频平台，获取流量进而实现收益。正如其名，是一款印钞机利器。其生成的视频在 Youtube 上有几条获得千级播放量
- OOTDiffusion：虚拟服装试穿工具，这款工具可以根据不同性别和体型自动调整服装的试穿效果，同时能保持服装的一致性与人物体型进行贴合。相信不久，随着技术的进步，虚拟试穿会越来越成熟，很快出现在各大电商平台上，带来更好的购物体验。
- Reor：利用 AI，它能够智能地整理并归类每一条笔记，自动关联相似的笔记。同时通过聊天的方式，对笔记内容进行问答服务，支持语义搜索，帮助你快速找到相关笔记。完全可以将其作为个人知识管理的工具。
短剧
和故障演练是同一个体系下的工作，能力视角是如何提供更好的故障注入能力，业务视角是如何使用能力设计业务场景来挖掘更多问题；文章是综合了两个视角去写
- 基本环境上，多分区架构上独立混沌分区，一方面保隔离上的安全性，另一方面保证验证环境足够真实
- 控制爆炸半径，外部读写依赖上，“读” 做流量控制控制，“写” 添加特殊标记使得外部系统按需丢弃或特殊消费
- 实验环境上，保证地域、园区、容器、二进制、配置和线上尽量一致，以提供仿真度
- 要求从低到高：场景覆盖率上，覆盖核心链路 -> 覆盖线上所有依赖服务接口；请求并发度上 1，平均或峰值 TPS -> 贴近线上各类场景的流量比例 & 贴近线上随时间波动的流量曲线
- 考虑建设成本和确定性，人造流量 > 流量回放
- 人力、工具有限的条件下，为快速找到高价值风险：实验对象从 高价值 往 低价值 覆盖，从公共组件 (RPC 框架、队列、存储、缓存等) -> 生命线业务 (收付结退) 的优先级做实施；基于高可用原则拆解，根据历史故障优先投入人力去开发故障注入能力
- 自动化执行 & 自动分析
测试同学日常工作占比极大的一部分，有效的沟通是高效的前提
测试同学作为交付质量的把关者，往往也是需求交付的最后一环，优秀的风险识别与管理能力可以让项目质量更高。这一篇文章虽然阐述的是技术 PM，但是内容完全可以平移借鉴
