VerifyTests项目中关于空值属性序列化的技术解析
理解VerifyTests的默认序列化行为
在VerifyTests项目中,处理对象序列化时有一个重要的默认行为:系统会自动忽略值为null的属性。这一设计决策源于项目对简洁性和可读性的追求,避免在验证结果中显示无意义的null值信息。
问题场景分析
开发者在实际使用中遇到一个典型场景:当某些属性在某些测试用例中为null而在其他用例中有值时,如果对这些属性应用了Scrub操作(数据脱敏处理),会导致所有基线文件都需要更新,包括那些原本该属性为null的测试用例。
核心问题本质
经过深入分析,这个问题实际上与Scrub操作无关,而是与VerifyTests的默认序列化设置有关。系统默认的DefaultValueHandling设置为Ignore,这意味着null值属性不会出现在序列化输出中。
解决方案
要改变这一行为,可以通过修改全局序列化设置来实现。在测试项目的初始化模块中添加以下代码:
[ModuleInitializer]
public static void Init()
{
VerifierSettings.AddExtraSettings(_ =>
_.DefaultValueHandling = DefaultValueHandling.Include);
}
这段代码会将默认值处理方式改为包含null值,确保所有属性无论是否为null都会出现在序列化结果中。
最佳实践建议
-
避免封装Verify调用:Verify方法设计为直接在测试方法中调用,因为它通过
[CallerFilePath]特性自动获取源文件信息。如果必须封装,需要手动传递源文件路径参数。 -
谨慎处理null值显示:虽然可以强制显示null值,但需要权衡可读性与完整性。在大多数情况下,默认忽略null值的行为更有利于测试结果的可读性。
-
统一团队规范:在团队协作中,应统一序列化设置,避免因个人设置不同导致的基线文件不一致问题。
技术实现原理
VerifyTests底层使用Newtonsoft.Json进行对象序列化。DefaultValueHandling是Newtonsoft.Json提供的一个枚举,控制着默认值(包括null)的序列化行为:
Ignore:忽略默认值(包括null)Include:包含所有值,无论是否为默认值Populate:反序列化时填充默认值IncludeAndPopulate:包含并填充默认值
理解这一底层机制有助于开发者更灵活地控制测试验证行为。
总结
VerifyTests项目通过合理的默认设置简化了测试验证过程,同时也提供了足够的灵活性让开发者可以根据需要调整序列化行为。在处理可能为null的属性时,开发者应当理解默认行为背后的设计考量,并根据实际测试需求决定是否修改默认设置。
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