传统软件测试的假设传统软件测试建立在三个假设上：输出确定：相同输入给相同输出，测试可以复现正确性可判定：函数返回 42 是对还是错，有明确标准维度单一：代码要么通过测试要么不通过，没有"有点通过"AI 应用打破了这三个假设。三个本质难点难点 1：输出不确定同一个 Prompt，Claude 今天的回答和明天的回答不一样。temperature=0 能降低随机性，但不能消除它。模型更新后，相同输入的输出会静默变化。工程含义：# 传统测试assertcalculator(2,3)==5# 跑 100 次，100 次通过# AI 评测score1=judge(llm.invoke("解释 Transformer"))# 4.2/5score2=judge(llm.invoke("解释 Transformer")
传统软件测试的假设传统软件测试建立在三个假设上：输出确定：相同输入给相同输出，测试可以复现正确性可判定：函数返回 42 是对还是错，有明确标准维度单一：代码要么通过测试要么不通过，没有"有点通过"AI 应用打破了这三个假设。三个本质难点难点 1：输出不确定同一个 Prompt，Claude 今天的回答和明天的回答不一样。temperature=0 能降低随机性，但不能消除它。模型更新后，相同输入的输出会静默变化。工程含义：# 传统测试assertcalculator(2,3)==5# 跑 100 次，100 次通过# AI 评测score1=judge(llm.invoke("解释 Transformer"))# 4.2/5score2=judge(llm.invoke("解释 Transformer")
💡
读完这篇文章，你可以带走什么
本文来自编程新知一线开发与建站实战沉淀：讲清原理、给出可复现步骤、标注避坑要点。看完后可以直接在你的项目或网站中落地验证。
想把这套方案用到自己的项目上？
编程新知提供技术答疑与网站建设一站式服务，欢迎联系我们获取针对性建议。
——从 rwx 到 chmod/chown)
