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。
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
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