00:00 / 02:45
连播
清屏
智能
倍速
点赞NaN
00:00 / 06:06
连播
清屏
智能
倍速
点赞146
00:00 / 18:49
连播
清屏
智能
倍速
点赞391
00:00 / 01:05
连播
清屏
智能
倍速
点赞59
00:00 / 00:23
连播
清屏
智能
倍速
点赞16
Megadotnet2周前
Salesforce如何将测试修复时间缩短30% 架构的主要技术组件: 1. 使用 FAISS 进行语义搜索 Salesforce 使用 FAISS(Facebook AI Similarity Search)构建了一个历史测试失败及其解决方案的语义搜索索引。FAISS 是一个用于向量相似性搜索的库,能够实现极快的数据匹配。 每当发生新的测试失败时,系统会对该失败进行向量化,并在索引中搜索与之最相似的历史失败。这使得系统能够将新错误与曾经修复过的问题匹配,并推荐可能的解决方案。使用 FAISS 替代了传统的 SQL 数据库查询方式,后者在 Salesforce 的规模下速度太慢,无法满足实时查询需求。 2. 上下文嵌入与解析管道 错误日志和代码片段通常格式混乱、内容不一致。为了让这些数据适用于语义搜索,Salesforce 工程团队构建了数据解析管道,在数据处理前对其进行清洗和结构化。 清洗后的数据会被转换为“上下文嵌入”(contextual embeddings),这是能够捕捉代码片段和错误信息含义的数学表示。通过对错误堆栈和历史修复方案进行嵌入,系统能够有意义地比较它们,并为新失败识别最可能的解决方案。 3. 异步与解耦管道 团队将管道设计为异步运行,并与主要的 CI/CD 流程解耦。这意味着 AI 分类流程可以并行运行,不会拖慢代码集成或测试活动。 这一设计对于系统速度至关重要。开发人员无需等待 AI 系统完成处理,管道会独立处理失败并快速返回建议,从而保持整体延迟较低。 4. 大模型推理与语义搜索的混合架构 Salesforce 工程团队将语义搜索与大语言模型(LLM)推理相结合,以获得两者的优势。 语义搜索阶段负责找到最相关的历史案例,而 LLM 则对这些结果进行解释和精炼,生成清晰、具体的指导建议。这种方法确保开发人员收到的是精准的建议,而不是模糊或通用的答案。同时,它也有助于避免推测性输出,从而提升开发人员对 AI 工具的信任。
00:00 / 07:50
连播
清屏
智能
倍速
点赞0
00:00 / 00:54
连播
清屏
智能
倍速
点赞20