RobotFramework中`BuiltIn.run_keyword`非字符串参数问题解析
问题背景
在RobotFramework自动化测试框架中,BuiltIn.run_keyword是一个核心功能,它允许用户动态执行其他关键字。在RF7版本之前,该功能能够将关键字名称后的位置参数原封不动地传递给目标关键字。然而,RF7版本引入了一个行为变更,导致在某些特定情况下参数传递方式发生了变化。
问题现象
当使用BuiltIn.run_keyword时,如果恰好有两个位置参数跟随在关键字名称后面,并且第一个参数是可迭代对象而第二个是映射对象时,这些参数不再按原样传递,而是会在传递给目标关键字前被展开。这一变更导致了向后兼容性问题,特别是对于那些依赖原有参数传递行为的测试用例和库。
技术分析
问题根源
这一行为变更是由RF7版本中的#5000号改进引入的。该改进的本意是让监听器和模型修改器更方便地设置关键字参数,但开发者当时没有充分考虑到这一变更对通过编程方式使用BuiltIn.run_keyword的影响。
重现场景
这个问题不仅出现在库的使用中,还可以通过将关键字名称和参数作为列表变量传递给Run Keyword来重现。例如:
${name and args} = Evaluate 'Log Many', ['a', 'b', 'c'], {'d': 'e'}
Run Keyword @{name and args}
在这种情况下,RobotFramework需要解析参数,从而触发了参数展开的行为。
解决方案
临时修复方案
在RF7.0.1版本中,开发团队决定回滚#5000引入的变更。同时,为了不影响那些已经依赖新功能的工具(如DataDriver),团队引入了一个临时API:
- 新增了
robot.running.model.Argument类,接受name和value参数 - 该类可以用于
robot.running.model.Keyword.args - 当
name为字符串时表示命名参数,name为None时表示位置参数
这个临时API虽然解决了DataDriver等工具的兼容性问题,但它存在一个主要限制:不支持JSON模型。
长期解决方案
开发团队计划在RF7.1版本中引入一个更完善的公共API来解决这个问题。这个新API将:
- 提供更优雅的方式来处理非字符串命名参数
- 保持向后兼容性
- 支持JSON模型等更多使用场景
最佳实践建议
对于当前使用RF7版本的用户:
- 如果遇到类似问题,可以考虑升级到RF7.0.1或更高版本
- 对于需要处理非字符串命名参数的场景,可以使用新的
Argument类 - 避免在关键测试流程中依赖参数自动展开的行为
- 对于复杂的参数传递场景,考虑显式地处理参数转换
总结
RobotFramework在版本演进过程中,有时会引入一些行为变更以改进功能或增加便利性。这次BuiltIn.run_keyword的参数处理问题提醒我们,在框架升级时需要特别注意API行为的变化,特别是那些可能影响现有测试逻辑的变更。开发团队已经采取了措施来解决这个问题,并计划在未来版本中提供更完善的解决方案。
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