目录
在当下各类AI大模型应用异常火爆的今天，AI智能体也随之诞生，借助AI智能体，上到企业、各类组织机构，下到个体使用者，均可借助AI智能体完成一些之前很难个人完成的事项。比如过往想做一个智能客服系统，你需要一个完整的团队，从设计到最终完成需要耗费较长的时间才能完成。而今，有了各类AI智能体和智能体编排平台，即便普通用户，也可以很快的做出一个在线使用的智能体应用，本文以一个实际案例进行说明，详细分享如何借助Coze平台完成一个PPT的制作过程。
PPT的设计和制作在日常工作和生活中可以说需求非常频繁。对于很多初入职场，甚至在职场深耕多年的人来说，制作PTT仍然是一件费时费力的事。做过PPT的同学应该知道，做一个好的PPT，很重要的2点，一是思考过程的PPT文字大纲的编写，第二就是PPT排版的效果呈现。大纲部分还有迹可循，PTT的视觉效果涉及到一个人对审美的认知，短期突破是有一定难度的。下
👋 大家好，欢迎来到我的技术博客！ 📚 在这里，我会分享学习笔记、实战经验与技术思考，力求用简单的方式讲清楚复杂的问题。 🎯 本文将围绕人工智能这个话题展开，希望能为你带来一些启发或实用的参考。 🌱 无论你是刚入门的新手，还是正在进阶的开发者，希望你都能有所收获！ 文章目录 * AI辅助编程的边界探索：当Copilot学会写测试 🚀 * 1. 从“写代码”到“验代码”：AI的新战场 ⚔️ * 场景设定：一个简单的支付网关模拟器 💳 * 2. 初级实验：AI能写出“Happy Path”吗？ ✅ * 3. 进阶实验：Mocking 与 外部依赖 🎭 * 4. 陷阱与幻觉：AI写测试时犯的那些错 🤪 * 案例 A：永远不会错的测试 * 案例 B：永远跑不通的断言 * 案例 C：复杂集成测试的无力 * 5. 人机协作：重新定义测试工作流 🤝 * 实践技巧：如何高效地让AI写测试？
介绍llama.cpp 本节主要介绍什么是llama.cpp，以及llama.cpp、llama、ollama的区别。同时说明一下GGUF这种模型文件格式。 什么是llama.cpp llama.cpp是一个由Georgi Gerganov开发的高性能C++库，主要目标是在各种硬件上（本地和云端）以最少的设置和最先进的性能实现大型语言模型推理。 主要特点： * 纯C/C++实现，没有任何依赖 * 对Apple Silicon（如M1/M2/M3芯片）提供一流支持 - 通过ARM NEON、Accelerate和Metal框架优化 * 支持x86架构的AVX、AVX2、AVX512和AMX指令集 * 支持1.5位、2位、3位、4位、5位、6位和8位整数量化，实现更快的推理和更低的内存使用 * 为NVIDIA GPU提供自定义CUDA内核（通过HIP支持AMD GPU，通过MUSA支持摩尔线程MTT GPU）
面对琳琅满目的AI编程工具，字节跳动的Trae正以其本土化优势和工程级代码生成能力，悄然改变着中国开发者的工作流。 “有没有一个能完美适应国内网络环境，理解中文开发需求的AI编程工具？” 当字节跳动推出Trae时，这个问题开始有了清晰答案。与需要科学上网的Cursor、订阅费用昂贵的GitHub Copilot不同，Trae作为原生AI IDE，深度结合了中国开发者的实际工作环境。 一个有趣的现象是，越来越多的中国开发者开始将Trae与VS Code的无缝迁移体验作为选择标准之一。这种“无感切换”正成为本土AI编程工具获取用户的关键策略。 01 核心选型维度 开发者选择AI编程工具时往往陷入功能对比的细节中，而忽略了更本质的匹配度问题。真正影响工作效率的，不是工具宣传的“强大功能”，而是工具与开发者身份、工作场景的契合程度。 对于中国开发者而言，选型维度需要特别增加本土化适配这一项。网络稳定性、中文语境理解、本地支付便利性以及是否符合国内数据安全法规，这些在评估海外工具时常被忽略的因素，实际上决定了工具能否真正融入日常工作流。 不同规模的团队对AI编程工具的需求差异显著
1. 环境准备：从零开始的硬件与软件栈 如果你和我一样，对在本地运行大模型充满好奇，但又不想被复杂的框架和庞大的资源消耗吓退，那 llama.cpp 绝对是你该试试的第一个项目。简单来说，它是一个用 C/C++ 编写的轻量级推理引擎，能把 Hugging Face 上那些动辄几十GB的模型，“瘦身”成几GB的 GGUF 格式文件，然后在你的电脑上——无论是 Mac 的 Apple Silicon 芯片，还是 Windows/Linux 的 CPU 或 NVIDIA GPU——流畅地跑起来。我最初接触它，就是想在不升级显卡的老电脑上体验一下 7B 参数模型的对话能力，结果发现它不仅能在 CPU 上跑，还能充分利用 GPU 加速，效果远超预期。