测试人必备：快速基于接口文档/表结构进行造数
造数是测试日常高频工作。很多时候我们只能在页面一步步手动操作来造测试数据，反复点击很耗时间；也有同学直接手写 SQL 插库，或是手动拼接接口请求，同类场景反复编写，重复工作量很大。 那么，有没有更轻量化、快速的造数方案？ 本文分享一套 Skill 实现思路：基于接口文档、HAR 包、CURL 语句或者建表 SQL，自动产出 Postman 请求 JSON、SQL 脚本、Python 造数脚本，一键生成测试数据，减少重复编码，提升造数效率。 我的方案：封装 seed-test-data 造数 Skill 核心能力：  ✅ 多输入源兼容：有接口文档就用文档，没有文档可以用 HAR/CUR
【Agent】测评集搭建指南
本文详解Agent测评体系搭建，分为数据集、轨迹与打分三步：数据集定义任务及成功标准；轨迹记录Agent执行全过程；打分器基于结果与环境状态评估。通过Python实现全流程，使用Tool Mock避免真实调用，支持多类型评分（代码/模型/人工），强调可复现性与灵活扩展，适用于回归测试与性能评估。
给AI视频准备动作参考时，手脚为什么时有时无？
给 AI 视频提取动作参考时，骨架手脚忽隐忽现应先查原片遮挡、人物检测与关节分数，再比较默认稳定和原始输出。本文给出 ReShot 0.5.0 的对照命令、关键点观察方法及已有实验的适用范围。
给AI视频准备动作参考时，手脚为什么时有时无？
给 AI 视频提取动作参考时，骨架手脚忽隐忽现应先查原片遮挡、人物检测与关节分数，再比较默认稳定和原始输出。本文给出 ReShot 0.5.0 的对照命令、关键点观察方法及已有实验的适用范围。
LangChain应用开发：用脚手架组装本地 LLM 应用
LangChain 是专为 LLM 应用开发设计的 Python 脚手架，提供模型（ChatModel）、提示模板（PromptTemplate）、输出解析（OutputParser）和链式编排（Runnable）等统一接口，轻松集成本地 Ollama 等兼容服务，不占显存、解耦模型、提升复用性。（239字）
