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。
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-1.5暂无简介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