behavior-driven development
PulseAugur coverage of behavior-driven development — every cluster mentioning behavior-driven development across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
AI 通过自动生成可靠的定位器来简化 Playwright 测试自动化
一位经验丰富的测试自动化工程师提出了三种将大型语言模型 (LLM) 集成到 QA 工作流程中的方法，以解决 Playwright 测试套件中定位器易失效的常见问题。这些方法包括使用 AI 从文档对象模型 (DOM) 中发现可靠的定位器，实施 AI 辅助的自愈定位器，当主要定位器失败时建议回退方案，以及根据行为驱动开发 (BDD) 场景的自然语言描述生成初始 Playwright 定位器。作者强调，AI 是辅助而非取代人类判断，从而简化…
-
作者偏爱 BDD 而非 SDD 进行 Agentic AI 开发
作者提倡在 Agentic 开发中使用行为驱动开发 (BDD) 而非软件设计文档 (SDD)。BDD 使用可执行的 Gherkin 场景，为构建功能提供了更实用的工作流程。这种方法强调在实现之前定义期望的行为，从而获得更清晰的规范和可能更强大的 AI Agent。
-
Yadda 3.0.0 将行为驱动开发与 AI Agent 集成
Yadda 3.0.0 已发布，专注于 AI Agent 背景下的行为驱动开发 (BDD)。新版本旨在适应人工智能不断发展的格局，并调整 BDD 实践。Stephen Cresswell 在一篇博文中详细介绍了此次发布。
-
新系统teLLMe助力城市驾驶数据因果分析
研究人员开发了teLLMe，一个用于城市驾驶数据探索性因果分析的系统。该系统利用一个感知模式的LLM，将关于交通事件的自然语言问题转化为结构化因果查询。teLLMe随后采用因果结构学习、基于bootstrap的稳定性检查和估计技术，提供一个“因果卡”，详细说明效应估计、假设和自然语言解释。该工具旨在通过明确不确定性和建模选择来辅助交通机构的假设生成，而不是提供明确的因果声明。
-
Spec-Driven Development (SDD) 成为 AI 编码新标准
Spec-Driven Development (SDD) 被提出作为一种 AI 编码方法，其中规范文档充当最终的真相来源。该方法旨在阐明工作流程，区分其与 Test-Driven Development (TDD) 和 Behavior-Driven Development (BDD) 的不同之处，并全面了解相关的成本和收益。
-
AI 识别 BDD 测试套件中的重构候选
研究人员开发了一种新颖的方法来识别和分类行为驱动开发 (BDD) 测试套件中的重构机会。通过采用机器学习分类器和大型语言模型 (LLM) 裁判，该系统可以检测重复的步骤子序列，评估其提取的适用性，并将它们映射到特定的重构模式。这种方法旨在自动化改进公共 Gherkin 生态系统中 BDD 测试代码的可维护性和可重用性。
-
Conformal prediction enhances object detection uncertainty
研究人员开发了一种使用共形预测的概率目标检测新方法，增强了自动驾驶等安全关键应用的置信度量化。该方法根据输入不确定性调整预测区间宽度，与未缩放方法相比，显著提高了清晰度并降低了区间得分。研究还整合了逐类校准和两步流程，以获得更具可操作性的不确定性估计，即使在分布变化下，在多个数据集上都证明了有效性。