ReportPortal API 中 filter.eq.compositeAttribute 参数错误问题分析
在 ReportPortal 项目中,LaunchController API 存在一个参数命名错误的问题,这个问题会影响开发者使用自动生成的客户端代码进行 API 调用。
问题描述
在 ReportPortal 的 Swagger 文档中,LaunchController API 的错误参数名称为 filter.eq.compositeAttribute,而实际上应该使用 filter.has.compositeAttribute。这个错误会导致开发者在使用自动生成的客户端代码(如通过 openapi-generator-maven-plugin 生成的代码)时无法正确调用 API。
技术影响
这个参数命名错误会产生以下技术影响:
-
API 调用失败:当开发者按照 Swagger 文档使用
filter.eq.compositeAttribute参数时,API 会返回错误响应。 -
代码生成问题:使用 OpenAPI 工具自动生成的客户端代码会包含错误的参数名称,导致生成的代码无法正常工作。
-
文档不一致:Swagger 文档与实际 API 行为不一致,增加了开发者的困惑和调试时间。
解决方案
正确的 API 调用方式应该是使用 filter.has.compositeAttribute 参数,例如:
GET /api/v1/PROJECTNAME/launch?filter.has.compositeAttribute=TestName:Example
技术背景
在 ReportPortal 的 API 设计中:
filter.eq通常用于精确匹配查询filter.has则用于复合属性(compositeAttribute)的查询
这种设计模式在 RESTful API 中很常见,用于区分不同类型的过滤条件。复合属性查询通常需要特殊的处理方式,因此使用 has 操作符而非普通的 eq 操作符。
最佳实践建议
对于使用 ReportPortal API 的开发者:
-
在查询复合属性时,始终使用
filter.has.compositeAttribute而非文档中显示的filter.eq.compositeAttribute。 -
如果使用自动生成的客户端代码,可能需要手动修改生成的代码或等待官方修复后重新生成。
-
在遇到 API 调用问题时,除了参考 Swagger 文档外,还应实际测试 API 行为,因为文档可能存在滞后或不准确的情况。
总结
这个参数命名错误虽然看起来是一个小问题,但对于依赖自动生成代码的开发者来说可能会造成较大的困扰。理解 API 的实际行为与文档描述的差异,有助于开发者更高效地使用 ReportPortal 平台。随着 ReportPortal 24.2 版本的发布,这个问题已经得到修复。
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