Stacks-core项目中的测试标签化改进方案
2025-06-26 23:58:19作者:董灵辛Dennis
背景介绍
在软件开发过程中,测试是保证代码质量的重要环节。stacks-core作为一个区块链项目,其测试体系面临着一些挑战:测试筛选不够灵活、难以按功能模块执行测试、开发环境友好度不足等问题。这些问题直接影响了开发效率和CI/CD流程的优化。
现有测试体系的问题分析
当前stacks-core项目的测试筛选主要依赖两种方式:
- 使用
#[ignore]属性标记需要跳过的测试用例(如耗时测试或复杂集成测试) - 通过测试函数的完整路径名来精确选择或排除特定测试
这种机制存在明显不足:
- 无法基于功能上下文(如加密相关、签名相关、共识相关等)进行灵活筛选
- 难以定义合理的执行策略(独立运行、并行执行等)
- 对本地开发环境不够友好
- 与CI/CD流程的集成不够顺畅
解决方案设计
核心思路
引入一个名为testag的专用crate,通过过程宏实现测试标签化功能。该方案具有以下特点:
- 标签配置集中管理:通过Cargo.toml文件统一管理允许使用的标签集合
- 简单易用的标注语法:使用属性宏轻松为测试函数添加标签
- 运行时筛选:避免因改变筛选条件而触发重新编译
- 兼容性设计:支持标准测试框架和主流测试宏(如tokio、should_panic等)
技术实现细节
方案采用了一种巧妙的名称转换机制:将测试函数转换为模块结构,并将标签信息编码到模块路径中。例如:
原始测试函数:
fn test_hello()
添加"fast"标签后转换为:
test_hello::t::fast::t
这种转换保持了原始测试路径的同时,嵌入了标签信息,形成了独特的模式:t::tag1::tag2::tag3::t。这种结构既便于模式匹配,又能有效避免命名冲突。
实际应用示例
标签配置
在Cargo.toml中定义允许使用的标签集合:
[package.metadata.testag]
allowed = ["fast", "slow", "crypto"]
测试标注
在测试代码中使用标签:
#[tag(fast)]
#[test]
fn test_quick() { assert!(true); }
#[tag(fast, crypto)]
#[test]
fn test_quick_btc() { assert!(true); }
测试执行
- 使用cargo test筛选快速测试:
cargo test :fast:
- 使用cargo nextest进行复杂筛选:
cargo nextest --filter-expr 'test(:slow:) and test(:crypto:)'
- 通过配置文件定义测试profile:
[profile.btcslow]
default-filter = "test(:slow:) and test(:crypto:)"
方案优势与价值
- 提升开发体验:开发者可以轻松筛选相关测试,提高本地开发效率
- 优化CI/CD流程:支持复杂的测试筛选逻辑,便于构建不同的测试场景
- 维护成本低:标签集中管理,避免标签滥用和拼写错误
- 兼容性强:与现有测试工具链无缝集成,无需改变开发习惯
总结
stacks-core项目通过引入测试标签化系统,有效解决了测试筛选不灵活的问题。该方案不仅提升了开发效率,还为持续集成流程提供了更多可能性。这种基于宏和模块路径转换的技术实现,既保持了Rust语言的特性,又提供了简洁易用的接口,是测试体系优化的一个典范。
对于其他Rust项目而言,这种测试标签化思路同样具有参考价值,特别是在需要复杂测试筛选和分类的场景下。项目团队已经在一个名为pinny-rs的仓库中实现了这一方案,为后续在stacks-core中的集成奠定了基础。
登录后查看全文
热门项目推荐
相关项目推荐
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0202
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0130
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python08
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07
项目优选
收起
deepin linux kernel
C
32
16
Ascend Extension for PyTorch
Python
746
927
本仓库是 Flutter SDK 与 Flutter Engine 的 OpenHarmony 适配版本,由 CPF-Flutter 团队维护。开发者可使用熟悉的 Flutter 技术栈开发 OpenHarmony 应用,3.35.7 及以后的适配版本可基于本仓库源码构建支持 OpenHarmony 的 Flutter Engine。
Dart
1.02 K
267
暂无描述
Dockerfile
771
5.03 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
867
1.97 K
🔥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
70
22
Claude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed.
Get Started
Rust
1.94 K
202
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
694
1.36 K
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
465
456
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。
C
458
5.25 K