Mockall项目对trait-variant宏的兼容性支持
Mockall是一个强大的Rust模拟对象库,它通过automock属性宏可以自动为trait生成模拟实现。最近随着Rust 1.75版本稳定了trait中的异步函数特性,社区开始从async-trait迁移到更现代的解决方案,如trait-variant。本文将深入探讨Mockall如何支持trait-variant宏,以及开发者如何利用这一特性简化测试代码。
异步trait的模拟演进
在Rust生态中,异步trait的模拟经历了几个阶段:
-
async-trait阶段:早期通过async-trait宏将异步函数转换为返回Pin<Box>的形式。Mockall通过特殊处理,允许开发者直接返回Future的输出值,而不需要手动装箱。
-
trait-variant阶段:随着Rust 1.75稳定了trait中的异步函数,trait-variant成为新的选择。它能够为trait自动添加Send约束,使异步代码更符合人体工程学。
Mockall的兼容性实现
Mockall对trait-variant的支持体现在宏展开顺序的处理上:
// 方式一:trait-variant先展开
#[trait_variant::make(Send)]
#[automock]
pub trait Foo {
async fn foo(&self) -> i32;
}
// 测试代码需要返回装箱的Future
mock.expect_foo().returning(|| Box::pin(async { 1 }));
// 方式二:automock先展开(目前不支持)
#[automock]
#[trait_variant::make(Send)]
pub trait Foo {
async fn foo(&self) -> i32;
}
// 理想情况下的测试代码
mock.expect_foo().return_const(1);
当前Mockall已经支持第一种方式,即trait-variant宏先展开的情况。这种方式下生成的Mock结构体会自动获得Send约束,但测试代码需要手动处理Future的装箱。
技术实现细节
Mockall通过以下机制支持trait-variant:
-
宏展开顺序处理:确保trait-variant宏先于automock展开,这样生成的模拟结构体能够正确继承原始trait的所有约束。
-
Future类型处理:对于异步函数,Mockall会生成相应的Future类型处理逻辑,保持与原始trait一致的行为。
-
Send约束传播:trait-variant添加的Send约束会被自动传播到模拟实现中,保证线程安全性。
迁移建议
对于正在从async-trait迁移到trait-variant的开发者:
-
目前建议保持trait-variant宏在automock之前,虽然测试代码稍显冗长,但能确保正确性。
-
关注Mockall的更新,未来版本可能会支持更优雅的写法。
-
在迁移过程中,可以逐步更新测试代码,先确保功能正确,再优化测试表达方式。
总结
Mockall对trait-variant的支持体现了该项目紧跟Rust生态发展的承诺。虽然目前还有优化空间,但已经为开发者提供了可行的迁移路径。随着Rust异步编程模型的不断成熟,Mockall也将持续改进,为单元测试提供更强大的支持。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00