Yandex Taxi Testsuite 使用指南
一、项目目录结构及介绍
Yandex Taxi Testsuite 是一个专为微服务测试设计的框架,基于 Python 和 Pytest。这个框架由 Yandex.Taxi 开发并维护,旨在简化对用 C++ 和 Python 编写的微服务进行黑盒测试的过程。项目的主要组件和结构布局如下:
-
根目录:
submodules: 若作为子模块加入其他项目时,存放该框架代码的位置。docs: 包含项目文档和示例的详细说明。pytest.ini: Pytest 的配置文件,用于定制测试执行的行为。setup.py和setup.cfg: Python 包的元数据和构建配置。requirements.txt: 项目运行所需的依赖列表。testsuite: 核心测试套件代码所在目录。examples: 提供了多个使用此测试框架的实例,以简单聊天应用为例,展示了不同的存储后端(MongoDB、MySQL、PostgreSQL)如何被测试。
-
核心模块:
testsuite: 实现测试逻辑和环境搭建的核心代码。conftest.py: 包含全局或特定于目录的Pytest固定装置(fixtures)。
-
示例服务: 每个服务目录下有其对应的
server.py(服务主体)、tests目录(服务测试)和必要的配置文件。
二、项目的启动文件介绍
在使用 Yandex Taxi Testsuite 进行测试前,首先需要关注的是服务自身的启动脚本以及测试的执行命令。对于具体的微服务,启动文件通常是 server.py 或者服务定义的入口点。然而,考虑到测试执行本身,重点在于通过 Pytest 来运行测试集。
-
服务启动: 假设你的服务入口是
server.py,通常不会直接从测试框架内启动服务,而是通过相应的命令行工具或者脚本(如 Gunicorn 对于生产环境,或者直接使用python server.py在开发环境中快速验证)。 -
测试执行: 要运行测试,你应当在命令行中使用
pytest命令。如果想运行特定的测试或所有测试,可以导航到项目测试目录并执行:pytest对于Yandex Taxi Testsuite的示例服务,还可以使用 Makefile 中预定义的目标来简化操作,例如:
make runtests
三、项目的配置文件介绍
Yandex Taxi Testsuite 的配置主要分布在以下几个方面:
-
Pytest 配置 (
pytest.ini): 控制 Pytest 的行为,包括插件激活、测试收集规则等。 -
Service 配置:每个微服务可能有自己的配置文件,这取决于具体实现和服务需求,并非框架强制要求。这些配置文件可以是 YAML、JSON 或者简单的 Python 文件,用于设置数据库连接、服务地址等。
-
TestSuite 自定义配置:虽然框架本身并不直接指定一个固定的“配置文件”,但通过
conftest.py或使用测试用例中的上下文管理器和固定装置,可以实现测试时的配置调整。
对于复杂的环境设置,比如数据库支持和操作系统特定配置,依赖项通过pip安装时的标志来指定,例如安装支持MongoDB的版本你会使用:
pip3 install yandex-taxi-testsuite[mongodb]
总之,Yandex Taxi Testsuite 强调通过Python代码和Pytest的机制来进行高度可定制化的配置和测试执行,而非依赖于单一的、预定义的配置文件结构。这就要求开发者根据实际的服务架构和测试需求,灵活组织和配置测试环境和流程。
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