CodeceptJS 3.7.2版本发布:测试框架的优化与改进
CodeceptJS是一个现代化的端到端测试框架,它通过简单易用的API封装了多种测试技术栈(如Playwright、WebDriver、Puppeteer等),让开发者能够以统一的方式编写自动化测试脚本。该框架特别适合Web应用和移动应用的测试场景,支持BDD(行为驱动开发)风格的测试编写方式。
新版本核心特性解析
本次CodeceptJS 3.7.2版本虽然是一个小版本更新,但包含了多项实用改进和问题修复,值得测试开发者关注。
Playwright增强:按名称清除Cookie
新版本为Playwright技术栈添加了按名称清除Cookie的功能。在Web应用测试中,Cookie管理是一个常见需求,特别是在测试需要不同用户状态的场景时。以往开发者可能需要清除所有Cookie或手动设置Cookie值,现在可以直接通过名称清除特定Cookie,这为测试用例的精确控制提供了更多灵活性。
// 清除名为'session'的Cookie
I.clearCookie('session');
这一改进使得测试脚本能够更精确地控制浏览器状态,特别是在需要测试不同用户会话或认证状态的场景下尤为有用。
重要问题修复
多工作线程运行时的报告生成问题
修复了在使用run-workers参数多线程运行时HTML报告无法生成的问题。这个问题影响了测试结果的收集和展示,特别是在大型项目中需要并行执行测试时。修复后,开发者可以放心使用多线程加速测试执行,同时仍能获得完整的测试报告。
WebDriver双向协议(BiDi)相关改进
-
浏览器日志收集优化:现在通过BiDi协议正确获取浏览器日志,解决了之前可能出现的日志丢失或不完整的问题。对于需要分析浏览器控制台输出或网络请求的测试场景,这一改进尤为重要。
-
会话截图问题修复:修复了在某些情况下WebDriver会话无法正确截图的问题。截图功能对于失败测试的调试至关重要,特别是在CI/CD环境中运行时。
-
冗余弹窗日志消除:移除了不必要的弹窗日志输出,使测试日志更加清晰易读。
类型系统完善
修复了FeatureConfig和ScenarioConfig配置项的类型定义问题。对于使用TypeScript编写测试的开发者来说,这一改进提供了更好的类型检查和代码提示支持,减少了因类型错误导致的潜在问题。
文档改进
文档部分新增了关于敏感数据掩码的说明。在实际测试中,经常需要处理包含敏感信息(如密码、API密钥等)的测试数据。新版文档提供了如何安全处理这些数据的指导,帮助开发者避免在测试日志或报告中意外泄露敏感信息。
技术价值与应用建议
CodeceptJS 3.7.2版本虽然是一个维护性更新,但其改进点覆盖了测试开发中的多个关键环节:
-
测试稳定性:WebDriver相关修复提升了测试执行的可靠性,特别是在复杂场景下的表现。
-
开发体验:类型系统的完善让TypeScript用户能够更高效地编写类型安全的测试代码。
-
调试能力:日志收集和截图功能的改进使得问题诊断更加方便。
对于正在使用或考虑采用CodeceptJS的团队,建议:
- 如果项目中使用了多线程测试,应及时升级以解决报告生成问题
- 对于需要精确控制Cookie的测试场景,可以利用新的Playwright Cookie管理API
- TypeScript用户应检查测试配置的类型定义,利用改进后的类型系统
这些改进共同提升了CodeceptJS作为现代化测试框架的成熟度和可用性,使其能够更好地服务于各种规模的Web应用测试需求。
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