SubQuery项目测试环境中的Docker Compose配置优化实践
在SubQuery项目的测试环境搭建过程中,开发团队发现了一些关于Docker Compose配置的问题,这些问题会影响测试的可靠性和稳定性。本文将深入分析这些问题及其解决方案,帮助开发者更好地理解如何优化测试环境配置。
测试重复执行问题分析
在最初的Docker Compose配置中,节点服务(node service)设置了restart: always的重启策略。这一配置会导致一个关键问题:当测试正常完成并退出时,Docker会由于这个策略而自动重启服务,造成测试被重复执行。
这种设计在测试环境中是不合理的,因为:
- 测试应该是一次性执行的,重复执行会导致测试结果混乱
- 资源会被不必要地占用
- 测试报告可能包含重复数据
解决方案是将重启策略修改为restart: unless-stopped。这一策略的区别在于:
unless-stopped:只有在容器非正常退出(非0状态码)或手动停止时才会重启always:无论什么原因退出都会重启
这种修改确保了测试完成后容器会保持停止状态,不会自动重启,从而保证了测试的准确性和可靠性。
未完成区块与历史数据配置冲突
测试框架运行时禁用了历史数据功能(historical disabled),但Docker Compose文件默认启用了未完成区块(unfinalized blocks)功能。这两者之间存在配置冲突,可能导致测试结果不一致。
未完成区块功能通常用于:
- 查询最新的、尚未最终确认的区块链数据
- 提高数据查询的实时性
- 支持某些特定的应用场景
而历史数据功能则用于:
- 访问历史区块信息
- 支持时间点查询
- 提供完整的数据追溯能力
在测试环境中,这种配置冲突可能导致:
- 测试行为与预期不符
- 某些测试用例失败
- 测试结果不可重现
解决方案是修改测试框架,强制禁用未完成区块功能,确保测试环境的一致性。这可以通过以下方式实现:
- 在测试初始化脚本中明确设置相关参数
- 使用环境变量覆盖默认配置
- 在Docker构建阶段注入配置变更
测试环境配置的最佳实践
基于这些问题,我们可以总结出一些测试环境配置的最佳实践:
-
明确区分生产与测试配置:测试环境应该有独立的配置文件,不应直接复用生产配置
-
严格控制容器生命周期:测试容器应该精确控制启动和停止时机,避免自动行为干扰测试
-
确保配置一致性:所有相关配置项应该协调一致,避免功能冲突
-
提供明确的退出机制:测试完成后应该有清晰的清理流程,确保环境可重复使用
-
记录环境状态:测试日志中应该包含完整的配置信息,便于问题排查
通过遵循这些实践,可以构建更加稳定可靠的测试环境,提高SubQuery项目的测试质量和开发效率。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00