Apache DevLake 新增 QA 领域支持及 CSV 导入功能解析
背景与需求
在现代 DevOps 实践中,测试数据的可视化与分析是软件开发生命周期中不可或缺的一环。Apache DevLake 作为一款开源的研发效能平台,此前已支持问题跟踪、代码管理、CI/CD 等多个领域的抽象建模,但缺乏对测试领域的专门支持。这导致团队难以统一分析来自不同测试工具(如 Jira、TestRail、Zephyr 等)的质量数据。
架构设计
QA 领域模型
本次扩展引入了完整的 QA 领域层,核心包含以下实体:
-
测试项目(QaProject)
作为测试活动的顶层容器,通过测试用例数据隐式创建,包含项目 ID 和名称等基础属性。 -
测试用例(QaTestCase)
记录测试用例的元数据,包括:- 类型标识(功能测试/API 测试)
- 关联的 API 信息(可选)
- 所属项目信息
-
测试执行记录(QaTestCaseExecution)
存储每次测试执行的详细信息:- 执行时间范围(开始/结束时间)
- 执行状态(待处理/进行中/成功/失败)
- 关联的测试用例和项目
-
API 元数据(QaApi)(可选)
专门为 API 测试设计的扩展实体,用于记录接口定义和变更历史。
数据关系设计
- 测试项目与测试用例为一对多关系
- 测试用例与执行记录为一对多关系
- API 与测试用例为可选的一对一关系
实现方案
CSV 导入接口
通过扩展 Customize 插件实现三类 CSV 文件的标准化导入:
-
测试用例导入
- 端点:
/plugins/customize/csvfiles/qa_test_cases.csv - 字段示例:
id,name,type,api_id,qa_project_id,creator_name 101,登录测试,functional,,project_01,张三 102,支付接口,api,api_001,project_01,李四
- 端点:
-
测试执行导入
- 端点:
/plugins/customize/csvfiles/qa_test_case_executions.csv - 字段示例:
id,qa_test_case_id,status,start_time,finish_time 1001,101,SUCCESS,2025-04-01 10:00,2025-04-01 10:05
- 端点:
-
API 元数据导入(可选)
- 端点:
/plugins/customize/csvfiles/qa_apis.csv - 支持增量更新和去重处理
- 端点:
关键技术点
-
账户自动映射
当 CSV 中包含 creator_name 字段时,系统会自动在 accounts 表中创建或关联对应的用户记录,保持与平台其他模块的一致性。 -
智能关联处理
- 测试用例导入时会自动创建关联的项目记录
- API 信息需要显式通过专用接口导入
-
时间序列支持
执行记录的时间字段支持精确到秒级的时间戳,便于后续构建测试周期分析看板。
应用价值
-
统一质量视图
将分散在不同测试工具中的数据统一建模,支持跨工具的测试覆盖率、通过率等核心指标分析。 -
历史追溯能力
通过执行记录的完整保存,支持测试稳定性趋势分析、失败用例根因分析等场景。 -
灵活接入方案
CSV 导入方式特别适合:- 使用自研测试工具的企业
- 需要对接非标准测试系统的场景
- 历史测试数据的迁移场景
演进规划
当前版本聚焦基础能力建设,未来可考虑:
- 增加测试批次(batch)概念支持批量执行分析
- 扩展测试环境维度信息
- 支持自动化测试脚本的关联存储
该功能的实现标志着 Apache DevLake 在研发效能全链路分析能力上的重要完善,为团队质量保障工作提供了强有力的数据支撑。
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
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
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-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
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