سازنده‌ی ffetch با ۲۱ سناریو ۱۱ کتابخونه‌ی fetch رو تست کرده؛ ری‌ترای ساده همه‌جا جواب می‌ده، ولی وقتی وسط انتظار abort بیاد اوضاع خراب می‌شه.

۳ هفته پیش۴ دقیقهblog.gaborkoos.com

یه فریم‌ورک تست TypeScript که کارهای ایجنت رو به خاطر می‌سپاره و دفعهٔ بعد بدون صدا زدن مدل اجراشون می‌کنه، روی وب و موبایل.

۳ هفته پیش۳ دقیقهtester.army

یه فریم‌ورک تست جدید که به‌جای نوشتن قدم‌به‌قدم کلیک‌ها، هدف رو به زبان ساده می‌گیری و یه ایجنت خودش اپ رو تا اونجا می‌بره.

۳ هفته پیش۳ دقیقهgithub.com

MCP Apps حالا رابط کاربری واقعی رو داخل کلاینت هوش مصنوعی نشون می‌دن، ولی نه مشخصات و نه راهنمای رسمی تست حرفی از دسترس‌پذیری نزدن. این مقاله یه روش عملی برای تستش پیشنهاد می‌ده.

۳ هفته پیش۴ دقیقهdeque.com

یه WorkerCrashedException خالی چند ساعت وقت گرفت تا معلوم شد مقصر یه exit() تو کد میراثیه، نه خود اجرای موازی تست‌ها.

۴ هفته پیش۳ دقیقهdyrynda.com.au

نگهدارنده Truss یه صفحه ساخت که اسکیمای MySQL رو تو مرورگر رسم کنه؛ همون موقع فهمید کدش سال‌ها به ورودی‌ای اعتماد می‌کرده که دیگه قابل اعتماد نیست.

مرورگرها خیلی از خطاهای HTML رو بی‌صدا رد می‌کنن، ولی صفحه‌خوان‌ها و موتورهای جست‌وجو نه. این ابزار مارکاپ رو با استاندارد HTML و WAI-ARIA می‌سنجه و قواعد خود تیم رو هم خودکار چک می‌کنه.

۴ هفته پیش۲ دقیقهmarkuplint.dev

تستی که گاهی فقط به‌خاطر یه ثانیه اختلاف fail می‌شه، معمولاً تقصیر خود زمانه. استاندارد PSR-20 یه راه ساده برای کنترلش پیشنهاد می‌ده.

۴ هفته پیش۳ دقیقهdoeken.org

جاناتان پرویس پکیجی داده که تست فاز رو با همون سینتکس Pest می‌نویسی و همراه بقیه تست‌ها اجرا می‌شه؛ خودش هزاران ورودی عجیب می‌سازه تا کدت بشکنه.

۴ هفته پیش۳ دقیقهjonathanpurvis.co.uk

این پکیج ایمیل‌های خروجی اپ رو می‌گیره و تو مسیر /mailbox نشونت می‌ده، بدون اینکه سرویس یا پروسهٔ جدا لازم باشه. یه API تست هم داره که روی ایمیل رندرشده assert بزنی.

۴ هفته پیش۳ دقیقهlaravel-news.com

ماه‌هاست بحث اینه که مدل‌ها بعد از انتشار بی‌صدا ضعیف می‌شن یا نه، و جواب همیشه حس بوده. یک پروژهٔ مستقل از همون هفتهٔ انتشار Opus 5.5 شروع کرده به اندازه‌گیری روزانه با پروتکل از قبل ثبت‌شده.

۴ هفته پیش۴ دقیقهgithub.com

Vite+ 1.0 یه دستور داره که کانفیگ Vite و Vitest و ESLint و Prettier و tsdown رو می‌ریزه تو یه فایل. ولی بعدش هنوز یه سری کار دستی می‌مونه.

۴ هفته پیش۳ دقیقهviteplus.dev

دو تا دستور جدید تو اسکیل claude-api هم مجموعهٔ تست ارزیابی رو برات می‌سازن، هم دور به دور اپلیکیشنت رو بهتر می‌کنن و هر تغییری که فقط روی همون تست‌ها جواب داده رو برمی‌گردونن.

۴ هفته پیش۴ دقیقهclaude.dev

ادی آزمانی دو سال پیش می‌گفت هر خط کدی که AI نوشته رو بخونید؛ حالا می‌گه لازم نیست، ولی هر تغییر باید یه آدم داشته باشه که مسئولیت فرستادنش رو قبول کنه.

۴ هفته پیش۳ دقیقهaddyo.substack.com

یه سرور MCP که به ایجنت‌ها اجازه می‌ده اپ‌های بومی iOS و اندروید رو مثل یه کاربر واقعی بگردونن. از درخت دسترس‌پذیری می‌خونه نه اسکرین‌شات، پس هم سریع‌تره هم ارزون‌تر.

۴ هفته پیش۳ دقیقهgithub.com

خیلی‌ها فکر می‌کنن حالا که مدل‌ها تو TLA+ خوب شدن، کار باگ‌ها تمومه. نویسنده‌ای که کتاب TLA+ نوشته می‌گه بیشتر چیزهایی که برامون مهمه اصلاً به فرمول منطقی درنمیاد.

۴ هفته پیش۳ دقیقهhraness.com

یه تیم از Carnegie Mellon این قاضی ارزون رو با ۱۶ قاضی دیگه سنجیده: روی کارهای معمولی تقریباً هم‌سطح GPT-6 درمیاد، ولی جای درست و غلط سخت بدجور جا می‌مونه.

۴ هفته پیش۳ دقیقهstacksweep.dev

تیم Zed می‌گه هارنس Delta روی مدل‌های تست‌شده به دقت هارنس بومی می‌رسه یا جلو می‌زنه، ولی عددهای eval اون چیزی که موقع کار حس می‌کنی رو نشون نمی‌دن.

۵ هفته پیش۳ دقیقهdelta.dev

به‌جای بالا آوردن کروم headless برای هر تست رندر، این محیط‌های تست WebGL و WebGPU واقعی رو داخل خود Node اجرا می‌کنن، با همون موتورهایی که کروم استفاده می‌کنه.

۵ هفته پیش۳ دقیقهben3d.ca

نسخه دوم بنچمارک SWE-Bench Pro اومد: ۸۹ تسک معیوب حذف شد، دسترسی وب ایجنت‌ها قطع شد و نمره‌دهی دوباره روی ایمیج تمیز نشون داد بعضی مدل‌ها تست رو دور می‌زنن.

۵ هفته پیش۳ دقیقهlabs.scale.com