安装WSL后莫名其妙出现：GitHub Copilot Chat Plugin Not Connecting to Network
参考了GitHub：无法连接Issue描述
ctrl+shift+p, 运行F1 > Developer: GitHub Copilot Chat Diagnostics，确信是代理(proxy)的问题
也顺便关闭了其他proxy设置：
原因猜测：本地windows开了代理，被WSL复用本地设置，可是原代理端口和WSL代理端口不一致或者已被占用，或者因为WSL上没有实际运行代理程序，导致WSL系统ping不通代理的IP
目录 一、AI 的“撒谎”：技术能力还是系统性风险？ （一）生成式机制的幻觉性（hallucination） （二）多模态模型的构建方式导致的结构偏移 （三）任务驱动可能诱导“策略性输出” 二、在真假交织的时代：信任不再来自“权威”，而来自“机制” （一）信任的底层逻辑：从“身份可信”到“过程可信” 1. 可解释性与透明机制（Explainable AI / XAI） 2. 溯源与可验证内容（RAG + Source Attribution） 3. 系统级信号验证（Watermarking & Model Signatures） （二）超级能动性的技术化体现 三、AI“撒谎”与人类心理：信任错位引发的深层认知震荡 （一）
作为一名测试从业者，想必你也有过这样的困扰：重复编写常规功能的测试用例，耗时又耗力；面对复杂业务逻辑，容易遗漏边缘场景；需求频繁迭代时，用例更新跟不上节奏，常常陷入“加班写用例、熬夜改用例”的内耗里。 而现在，生成式AI的爆发的已经彻底改变了测试用例生成的传统模式——它能快速批量生成用例、覆盖更多人工易忽略的场景，还能适配需求迭代快速更新，将测试人员从重复劳动中解放出来，转向更核心的质量策略设计。但很多人尝试后却反馈：“把需求丢给AI，生成的用例驴唇不对马嘴”“看似全面，实际很多无法执行”。 其实，AI生成测试用例的核心不是“输入→输出”的简单操作，而是“人机协同”的高效配合：AI负责规模化生产，人负责搭建框架、把控质量。今天就结合我的实测经验，手把手教你如何借助AI高效生成测试用例，避开常见坑，真正实现提效不内耗。 一、先搞懂：AI生成测试用例的底层逻辑（避免踩错第一步） 很多人用不好AI的核心原因，是误以为AI能“读懂所有需求”，其实它的本质是“基于已有规则和数据，模仿人类测试思维生成用例”。其底层主要依赖三大技术，
目录 前言：第一篇ZEEKLOG博客，还请各位大佬多多指教！！ 一、认识Midjourney 二、Midjourney算法原理 三、Midjourney基本操作指南 1、安装 2、使用演示及基本分区讲解 3、命令解析 4、后缀解析 总结： 前言：第一篇ZEEKLOG博客，还请各位大佬多多指教！！ 一、认识Midjourney Midjourney是由David Holz 2022年3月推出的一款AI制图工具。处于聊天软件discord中，主要功能涵盖图像生成、风格化、变体生成、图生图等，且提供高级工具精细控制生成过程。 使用上需创建账户、获邀请后通过Discord频道输入文字提示来操作。相比于SD(stable diffusion) MJ随机性更大，细节处理精度不够。 二、Midjourney算法原理 MJ基于深度学习中的生成对抗网络（GAN）和扩散模型等技术。 * 生成对抗网络（GAN）：由生成器和判别器组成。生成器的任务是根据输入的随机噪声和文本描述等信息，生成尽可能逼真的图像；
这两年，AI 辅助编程已经从“代码补全工具”升级成了“能读仓库、改文件、跑命令、帮你推进任务的开发搭子”。如果你今天还只把它理解成自动补全，那基本已经落后一代了。现在真正拉开差距的，不是谁能补全一行代码，而是谁更适合你的工作流：是在 IDE 里稳稳写代码，还是像 Agent 一样跨文件改项目，甚至直接在终端里完成一整段开发任务。  从 2026 年的产品形态来看，主流工具大致可以分成三类。第一类是 IDE 内协作型，代表是 GitHub Copilot 和 JetBrains AI；第二类是 Agent / 仓库级改造型，代表是 Cursor、Windsurf、Claude Code、Codex；第三类是 平台一体化型，代表是 Replit 和 Amazon Q