Yeti 自动化测试工具技术文档
1. 安装指南
1.1 安装 Node.js
Yeti 依赖于 Node.js,因此首先需要安装 Node.js。你可以从 Node.js 官网 下载源码或预编译的安装包。
1.2 安装 Yeti
安装 Node.js 后,使用 npm 命令全局安装 Yeti:
npm install -g yeti
2. 项目使用说明
2.1 运行 Yeti
安装完成后,你可以通过以下命令运行 Yeti:
yeti test/*.html
该命令会启动一个本地服务器,地址为 http://localhost:9000,并等待浏览器连接。你可以打开浏览器并访问该地址,然后按下回车键开始测试。
2.2 退出状态码
Yeti 在测试完成后会自动退出,并返回以下状态码:
0:测试完成且所有测试通过。1:发生错误,导致测试未能完成。3:测试完成但部分测试失败。
这些状态码对于程序化使用 Yeti 非常有用。
2.3 JUnit XML 输出
Yeti 支持生成 JUnit XML 格式的输出,适用于 Jenkins 等 CI 系统。使用 --junit 选项生成 XML 文件:
yeti --junit test/*.html > yeti.xml
2.4 代码覆盖率
Yeti 支持生成代码覆盖率报告。使用 -c 或 --coverage 选项生成覆盖率报告:
yeti -c
你可以通过 --coverage-report 选项指定报告类型,例如 lcov、html 等。
3. 项目 API 使用文档
3.1 启动 Yeti Hub
为了节省时间,你可以启动一个 Yeti Hub:
yeti --server
该命令会在本地启动一个 Yeti Hub,监听端口 9000。你可以将浏览器指向该地址,以便在不需要重新连接浏览器的情况下运行测试。
3.2 共享 Yeti Hub
你可以与其他开发者共享 Yeti Hub。首先,启动一个 Hub:
yeti --server --port 80
然后,其他开发者可以通过以下命令连接到该 Hub:
yeti --hub http://test.yeti.cx/ test/*.html
3.3 浏览器启动
你可以通过 wd-url 选项将 Yeti 连接到 Selenium 2 Hub,并使用 caps 选项启动浏览器进行测试。例如,启动两个 Firefox 浏览器:
yeti --hub http://example.com --wd-url http://localhost:4444 --caps "browserName=firefox" --caps "browserName=firefox"
4. 项目安装方式
4.1 通过 npm 安装
Yeti 可以通过 npm 全局安装:
npm install -g yeti
4.2 手动安装
如果你需要手动安装 Yeti,可以从 GitHub 克隆项目并运行以下命令:
git clone https://github.com/yui/yeti.git
cd yeti
npm install
安装完成后,你可以使用 node bin/yeti 命令运行 Yeti。
通过以上文档,你应该能够顺利安装、配置和使用 Yeti 自动化测试工具。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00