Shortest项目日志系统优化方案解析
2025-06-11 04:37:11作者:邵娇湘
在自动化测试领域,一个完善的日志系统对于调试和问题追踪至关重要。Shortest项目近期对其日志系统进行了全面升级,引入了标准化的日志级别、CI集成支持以及结构化输出等特性,显著提升了开发者的调试体验。
日志级别设计
Shortest采用了四级日志体系,遵循行业通用标准:
- 错误级(error):记录测试失败和关键问题
- 警告级(warn):包含非关键问题和废弃功能提示
- 信息级(info):默认级别,显示测试进度和基本结果
- 调试级(debug):提供详细执行过程,包括AI对话和浏览器操作
这种分级设计既满足了日常测试的基本需求,也为复杂问题排查提供了足够的信息深度。
命令行集成
开发者可以通过简单的命令行参数控制日志级别:
pnpm shortest --log-level=error # 仅显示错误
pnpm shortest --log-level=debug # 显示完整调试信息
项目还保持了向后兼容性,原有的--debug-ai参数被映射为--log-level=debug,同时会显示废弃警告,确保平滑过渡。
结构化日志输出
新系统实现了两种主要输出格式:
标准输出模式(适用于日常使用):
File: login.test.ts
✓ Login Flow
✗ Logout Flow
Error: Element not found
调试详细模式:
File: login.test.ts
Test: Login Flow
AI: Navigating to login page
Prompt: "Click the login button"
Response: "Looking for login button..."
Browser: Clicking login button at (120, 50)
这种层次分明的输出结构大大提升了日志的可读性,特别是在处理复杂测试场景时。
CI系统深度集成
针对持续集成环境,Shortest实现了特殊的日志处理:
-
错误标注:使用GitHub Actions的标准注释语法精确定位问题
::error file=login.test.ts,line=12::Element not found -
日志分组:将相关日志组织为可折叠的区块
::group::Test: Login Flow AI: Navigating to login page Browser: Clicking login button ::endgroup:: -
测试摘要:自动生成包含关键指标的总结报告
::group::Test Summary ::set-output name=total_tests::4 ::set-output name=failed_tests::1 ::endgroup::
实现策略与最佳实践
Shortest团队采用了分阶段实施策略:
- 基础架构:首先建立日志级别体系和基本过滤功能
- 输出优化:随后完善不同环境下的格式化输出
- CI适配:专门处理持续集成场景的特殊需求
- 清理维护:最后移除废弃功能并更新文档
这种渐进式改进确保了系统的稳定性,同时为开发者提供了清晰的升级路径。
日志系统的工程价值
完善的日志系统为Shortest项目带来了多重好处:
- 问题定位效率:通过分级的日志信息,开发者可以快速定位问题所在
- 调试体验优化:结构化的输出和分组功能使复杂测试流程更易理解
- CI/CD集成:与GitHub Actions等CI系统的深度集成实现了自动化问题追踪
- 成本可视化:内置的token用量统计帮助团队控制AI测试成本
对于测试框架而言,良好的日志系统不仅是调试工具,更是项目可维护性的重要指标。Shortest的这次升级充分考虑了不同使用场景的需求,为开发者提供了灵活而强大的日志功能,值得同类项目借鉴。
登录后查看全文
热门项目推荐
相关项目推荐
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
项目优选
收起
deepin linux kernel
C
24
9
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
暂无简介
Dart
670
155
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
660
308
Ascend Extension for PyTorch
Python
219
236
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
392
3.82 K
React Native鸿蒙化仓库
JavaScript
259
322