Posts

本书作者：测试开发刚哥，文章版权归个人所有，未经授权请勿转载。 本文开发内容 上一篇文章已经把pytest引入到测试平台中，通过多线程和多进程的方式，运行测试用例。有了这个基础，做批量运行用例的功能就很简单了，只需要前端传入一个CaseList即可。本文的后端代码是增删改查和复用run_case相关代码做个run_plan。前端代码将学习如何通过LocalStorage在非父子组件之间传递数据。具体开发内容如下： 测试计划增删改查 测试计划动态添加移除测试用例 运行测试计划，批量运行用例 计划运行结果、用例运行结果 编写后端代码 编辑teprunner/urls.py文件，添加测试计划的路由： 编辑teprunner/models.py文件，添加3张表的model： Plan存放测试计划，PlanCase存放计划和用例关联关系，PlanResult和CaseResult类似，这里之所以把单独出来一张结果表，是为了和用例结果CaseResult相互独立，防止计划结果覆盖用例结果，毕竟CaseResult一般是手工跑出来的，PlanResult一般是定时任务跑出来的，功能数据解耦后处理起来也更方便。 编辑teprunner/serializers.py文件，添加序列化器： 为了前端展示需要，这里额外关联了一些字段进行展示。尤其是： caseNum用例总条数，passedNum成功条数，failedNum失败条数，errorNum错误条数。成功定义为：只有passed，没有failed和error的用例。失败定义为：只有failed，没有error的用例。错误定义为：只要有error的用例。 本文还展示了，如果序列化器的某个字段只在存库时使用，返回响应时不展示，该怎么处理： 重写to_representation方法，把不需要返回的字段pop移出去。这里output在计划运行结果不需要，在用例运行结果才需要，为了减少传输数据，就在计划运行结果的接口响应中移出去了。 最后来写View，新增teprunner/views/plan.py文件： 重写list方法，添加查询条件。重写destroy方法，判断必须先删除关联测试用例，才能删除测试计划。 PlanCaseView类似： 添加add方法： 在添加用例时写入plan_case表。添加remove方法： 在移除用例时从plan_case表删除数据。继续： result视图用来返回计划运行结果，根据searchType来分别查询用例总条数、成功条数、失败条数、错误条数。 继续： plan.case_result和case.case_result类似，返回测试计划的每条用例的运行结果。 在测试计划添加用例的时候，有个用例列表，需要增加2个过滤条件，编辑teprunner/views/case.py文件： 第一个过滤条件是排除当前计划已经添加过的用例：exclude_plan_id由前端传入，根据PlanCase关联关系找到已添加的用例进行过滤；第二个查询条件是关键字：用例ID或用例描述，跟PlanCaseView.list()里面一样。 最后，编辑teprunner/views/run.py文件，增加批量运行用例的功能： 添加delete_plan_result方法，在运行用例前，先把已有结果删掉，注意这里的model是PlanResult。继续： 修改pytest_subprocess函数，添加plan_id字段。继续： 修改save_case_result函数，判断没有plan_id就存case_result表，有plan_id就存plan_result表。 复制run_case的代码为run_plan： 修改case相关代码为plan。值得注意的是中间那段代码，根据plan_id从PlanCase中找到关联用例，生成了case_list，这样就复用run_case的多线程和多进程代码，批量运行测试用例了。 编写前端代码 编辑src/router/index.js文件，添加测试计划相关路由： { path: "plan", name: "plan", meta: { title: "测试计划", }, component: () => import("@/views/teprunner/plan/PlanManagement.vue"), children: [ { path: "addPlan", name: "addPlan", meta: { title: "添加计划", }, component: () => import("@/views/teprunner/plan/PlanEditor"), }, { path: "editPlan", name: "editPlan", meta: { title: "编辑计划", }, component: () => import("@/views/teprunner/plan/PlanEditor"), }, { path: "caseList", name: "caseList", meta: { title: "用例列表", }, component: () => import("@/views/teprunner/plan/CaseList"), }, { path: "planResult", name: "planResult", meta: { title: "计划运行结果", }, component: () => import("@/views/teprunner/plan/PlanResult"), children: [ { path: "caseResult", name: "caseResult", meta: { title: "用例运行结果", }, component: () => import("@/views/teprunner/plan/CaseResult"), }, ], }, ], }, 跟之前做增删改查不一样的地方是：**在父组件中，不会import子组件，而是通过LocalStorage进行组件之间传值。**因此这里增加了添加计划、编辑计划等路由。 ...

“道”说起来有点抽象，它相当于我们常说的“软技能”，包括价值观、认知能力、学习能力、创新能力、沟通协作等。不同层次的测试人员，道的差异也很大。初级测试人员，可能只知道测试是为了找出问题，能把需求上线即可。高级测试人员，也许会更加注重质量保障，从全局思考，既要保证线上不出问题，又要提高测试效率。他们的行为准则也不一样。有些人不注重资产沉淀，虽然能完成任务，但给人散乱的印象。有些人敬畏流程，严格按照标

本书作者：测试开发刚哥，文章版权归个人所有，未经授权请勿转载。 代码层次 Python是一门脚本语言，新建一个.py文件，写点代码，就可以跑起来了，无论放哪都可以。比如where.py文件： print("Where am I?") 那么问题来了，这是写在哪里的呢？为了一目了然，我们用“导游图”的视角来看看代码层次： 红色箭头指出了，是写在模块中的，原来一个.py文件就是一个模块。模块中可以写函数和类，模块可以放在包中。 函数 Python中最出名的函数一定是print()了，毕竟全世界都在用它say Hello World。Python函数其实和数学中的函数很像，比如y = f(x)。有函数名字、输入和输出。Python的函数结构如下： 函数通过def关键字来定义： def 函数名（参数列表）: 函数体 参数列表有就有，无则无，多个参数用逗号分隔。例如： def hello() : print("Hello World!") hello() # 调用函数 def max(a, b): if a > b: return a else: return b a = 4 b = 5 print(max(a, b)) 调用函数，不需要再加def，直接函数名（参数列表）即可。参数既可以是变量，也可以是其他函数，只要能一一对应。return关键字用来返回值。return不是必需的，如果没有，那么函数会把内部代码全部都执行完再退出，如果有，函数会在return语句立刻退出，同时返回return语句的值，例如： # 可写函数说明 def sum( arg1, arg2 ): # 返回2个参数的和." total = arg1 + arg2 print ("函数内 : ", total) return total print("这里不会执行！") # 调用sum函数 total = sum( 10, 20 ) print ("函数外 : ", total) 类 为什么还要写类，函数它不香么？这个问题有点大，我只能简单解释一下，那就是因为，类是包括了函数的，如果有一天你发现函数不够用了，那么可以用类试试，哈哈哈。 ...

在RESTful API中，接口返回的是JSON，JSON的内容对应的是数据库中的数据，DRF是通过序列化（Serialization）的技术，把数据模型转换为JSON的，反之，叫做反序列化（deserialization）。本文就来揭开2揭开DRF序列化技术的神秘面纱技术的神秘面纱。

最近几个月时间有些小伙伴问到为什么tep项目初始化文件没有了？

本书作者：测试开发刚哥，文章版权归个人所有，未经授权请勿转载。 2.1 模型 大模型扮演着大脑的角色，负责核心的理解、推理与生成任务。 2.1.1 模型分类 通用大模型：GPT、Claude、Qwen、DeepSeek、Gemini等通用大模型。 垂直领域模型：情感分析、语言翻译、意图分类等垂直领域模型。 通用大模型适合处理复杂、开放的任务，垂直领域模型适合处理简单、高频的任务。 2.1.2 模型能力和微调 模型的知识是固化的，需要不断地“喂”它，把这些信息结构化地描述清楚并且提供给它，它会在每次的交互中动态地理解你提供的内容，并结合自身的通用知识来完成内容的生成。 企业专属模型的训练和微调的成本是巨大的，它不仅包括高昂的计算资源费用，还需要海量的高质量标注数据、专业的算法团队以及漫长的开发周期。对于绝大多企业来说，投入与产出不成正比，很难持续。 2.1.3 如何选择模型 基于企业的实际业务场景，权衡任务复杂度、性能要求、开发成本和响应延迟等多个因素来综合选择和组合最合适的模型。 一个务实的策略是从顶配开始，逐步优化：先用能力最强的模型搭建原型以验证业务逻辑，再逐步将流程中的非核心、简单任务替换为更经济、更快速的小模型，最终找到成本与性能的最佳平衡点。 2.2 框架 Spring或Dubbo开发一个微服务应用，代码确定，容易形成标准化的框架。而开发一个AI Agent应用，LLM存在高度不确定性，设计模式的落地方式差异很大。 2.2.1 Agent设计模式 1、Chain of Thought（思维链） 让模型在回答前，把推理过程一步步写出来。 2、Self-Ask（自问自答） 让模型在回答时学会反问自己，把大问题拆成多个小问题，然后逐个回答。 3、ReAct（推理+行动） 在推理和外部行动（比如调用搜索引擎或API）之间交替进行。 4、Plan-and-Execute（计划与执行） 把任务拆成两个阶段，先生成计划，再逐步执行。 5、Tree of Thoughts（ToT，树状思维） 不是单线思维，而是生成多条思路分支，像树一样展开，再通过评估机制选出最佳分支。 6、Reflexion / Iterative Refinement（反思与迭代优化） Agent自我纠错，犯错后会总结失败原因，再带着反思尝试下一次。 7、Role-playing Agents（角色扮演式智能体） 把任务拆分给不同角色的Agent，通过对话协作完成任务。 这些模式不是互斥的，可以混搭使用。 其中ReAct已经被LangChain、LlamaIndex、Dify、Spring AI Alibaba等开发框架内置为基础框架。 2.2.2 Agent开发框架 1、从低代码到高代码 低代码平台是对于高代码的一层封装，其抽象层次很难满足所有场景，无法在性能、扩展性和复杂业务逻辑方面满足大规模生产的要求。 高代码是当下AI原生应用生产落地的主流形态，ADK、LangGraph、AutoGen、AgentScope、Spring AI Alibaba等框架，为开发者提供了面向Agent的编程接口。 2、高代码的演进 高代码模式本身经历了从ChatClient→Workflow→Agentic的演进过程。 ChatClient，一次单一的LLM调用。Workflow，将传统工作流转化为LLM节点编排。Agentic，提供面向Agent的API，并内置多种通用的协作模式（Pattern）。 3、零代码的愿景 尝试让用户完全通过自然语言即可驱动开发。目前处于探索与验证阶段，难以承担大规模生产任务。 2.3 提示词 在AI原生应用中，不再编写复杂的代码，而是使用更接近人类语言的方式与AI沟通，这就是Prompt（提示词）。提示词的质量很大程度上影响了AI应用的输出效果。 2.3.1 提示词是什么 提示词可以是一个具体的问题、一段描述、一组关键词，或是相关的上下文，不仅限于自然语言文本，还可以包含代码片段、数据格式说明，甚至是图像与文字相结合的多模态输入。 2.3.2 提示词质量=AI输出质量 大模型的输出质量，既要看大模型本身，也要看提示词是否清晰、完整、具体。比如，“写点关于人工智能的东西”，生成的内容是泛泛而谈。“以科技专栏作家的身份，撰写一篇800字左右的文章，探讨人工智能在医疗影像诊断中的最新应用、优势与挑战，并列举实例”，能生成一篇逻辑严谨、信息详实、专业度高的文章。 ...

Flask的view函数是用来对请求作出响应的。单个URL能匹配到单个View，那么多个类似的URL，比如：

本书作者：测试开发刚哥，文章版权归个人所有，未经授权请勿转载。 ServletConfig package javax.servlet; import java.util.Enumeration; public interface ServletConfig { String getServletName(); ServletContext getServletContext(); String getInitParameter(String var1); Enumeration<String> getInitParameterNames(); } ServletConfig用于Servlet初始化时从web.xml获取配置信息。主要有以下方法： public String getInitParameter(String name): Returns the parameter value for the specified parameter name. public Enumeration getInitParameterNames(): Returns an enumeration of all the initialization parameter names. public String getServletName(): Returns the name of the servlet. public ServletContext getServletContext(): Returns an object of ServletContext. 示例，web.xml ...

本书作者：测试开发刚哥，文章版权归个人所有，未经授权请勿转载。 变量 Instance Variables (Non-Static Fields) 实例变量（非静态变量） 一个类可以创造多个实例，实例中的变量叫做实例变量，相互独立。 Class Variables (Static Fields) 类变量（静态变量） 对比来看，类变量就是类的变量，一个类只能有一份，不能复制，使用static关键字来定义类变量。 代码： public class MyVar { static int classVar = 1; // 类变量（静态变量） int instanceVar = 2; // 实例变量 } 对比Python来看就很清楚： class MyVar: class_var = 1 def __int__(self): instance_var = 2 Local Variables 局部变量 局部变量是由代码位置决定的，前面的实例变量和类变量，是放到Field位置，而局部变量是放到Method里面。也就是说，局部变量是放在方法的花括号里面的变量，并且只能在方法内部访问，不能被其他地方访问，这就是所谓的局部。 public class MyVar { static int classVar = 1; // 类变量（静态变量） int instanceVar = 2; // 实例变量 void method() { int localVar = 3; // 局部变量 } } Parameters 参数 ...

线程组编辑区如下：