ComplianceAsCode项目测试场景编译中的模板规则豁免问题解析
在ComplianceAsCode项目的自动化测试框架中,当开发者基于模板规则创建测试场景时,可以通过test_config.yaml文件对模板预设的测试场景进行部分覆盖或豁免。然而,项目团队发现当使用编译后的测试场景时(通过build_product --render-test-scenarios生成),这种豁免机制会出现失效的情况。
问题本质
该问题的核心在于测试场景编译脚本build_tests.py的实现逻辑存在局限性。当前脚本仅支持处理deny_templated_scenarios(拒绝模板场景)的情况,而未能完整实现对allow_templated_scenarios(允许模板场景)配置的支持。这导致在编译阶段,即使测试配置文件中明确指定了只允许特定测试场景(如示例中的package_installed.pass.sh),系统仍会错误地包含本应被豁免的测试场景文件(如package-installed-removed.fail.sh等)。
技术背景
ComplianceAsCode的测试框架采用模板化设计,允许规则继承基础模板的测试场景,同时通过test_config.yaml提供灵活的覆盖机制。这种设计本意是:
- 基础模板提供通用测试场景
- 具体规则可以保留需要的场景
- 排除不适用的场景
- 添加规则特有的场景
解决方案方向
项目团队已识别出可行的修复路径——复用现有测试套件中的场景过滤逻辑。具体而言,可以借鉴ssg_test_suite/common.py中成熟的场景过滤实现,该模块已包含完整的allow/deny场景处理逻辑。将这套逻辑移植到build_tests.py中,即可实现编译时与运行时测试场景处理的一致性。
影响范围
该问题主要影响:
- 使用模板规则的测试场景编译
- 依赖allow_templated_scenarios配置的规则
- 需要精确控制测试场景输出的CI/CD流程
最佳实践建议
在问题修复前,开发者可以:
- 手动检查生成的测试场景文件
- 在CI流程中添加验证步骤
- 对于关键规则,考虑完全自定义测试场景而非部分覆盖
该问题的修复将提升测试场景编译的准确性,确保编译结果与配置文件声明完全一致,进一步强化ComplianceAsCode项目测试框架的可靠性。
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
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-7BSpark-Prover-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
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-7BSpark-Formalizer-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.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- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00