ReportPortal中测试失败未标记为"待调查"的问题解析
在ReportPortal 5.12.0版本中,用户反馈了一个重要问题:当测试用例执行失败时,系统未能自动将其标记为"待调查"(To Investigate)状态。这个问题影响了团队对失败测试用例的后续处理流程。
问题现象
用户在使用ReportPortal 5.12.0版本时发现,失败的测试用例不会像之前版本(如5.11.1)那样自动标记为"待调查"状态。用户需要手动将测试状态从"通过"切换到"失败",才能触发"待调查"标记。这种异常行为影响了测试结果的自动化处理流程。
根本原因分析
经过技术团队深入调查,发现这个问题与ReportPortal 5.12.0版本中引入的行为变更有关。新版本调整了"待调查"标记的触发逻辑,现在这一功能专门设计用于处理类型为"STEP"的测试项。
在之前的版本中,无论测试项类型如何,失败的测试都会被自动标记为"待调查"。但在5.12.0版本中,这一行为被修改为仅对"STEP"类型的测试项有效。这一变更旨在使"待调查"功能更加精准地作用于实际测试步骤层面。
解决方案
对于使用Cucumber等测试框架的用户,需要确保测试项的类型设置为"STEP"而非"SCENARIO"。具体修改方法取决于使用的客户端库和测试框架集成方式。
以JavaScript客户端为例,在测试代码中应明确指定测试项类型为"STEP":
const testItem = {
name: "测试用例名称",
type: "STEP", // 必须设置为STEP类型
// 其他属性...
};
最佳实践建议
-
测试项类型选择:对于实际的测试执行步骤,始终使用"STEP"类型,以确保ReportPortal的所有自动化功能(包括"待调查"标记)能够正常工作。
-
版本升级注意事项:从ReportPortal 5.11.1升级到5.12.0或更高版本时,应检查现有测试项的类型设置,必要时进行调整。
-
命名规范:虽然"STEP"这一命名可能不够直观,但它是ReportPortal中表示实际测试执行步骤的标准类型。团队可以考虑在内部文档中记录这一约定,以避免混淆。
总结
ReportPortal 5.12.0版本对"待调查"标记的行为进行了优化,使其更加专注于测试步骤层面。这一变更虽然初期可能造成困惑,但从长远来看有助于提高测试结果处理的精确性。开发团队应相应调整测试代码,确保测试项类型设置正确,以充分利用ReportPortal提供的自动化功能。
对于使用Cucumber等BDD框架的团队,特别需要注意场景(Scenario)和步骤(Step)在ReportPortal中的类型映射关系,确保测试结果能够得到正确处理和分析。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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