Bane 项目技术文档
1. 安装指南
Bane 是一个用于测试应用程序与其他服务器交互的测试工具。它基于 Michael Nygard 的书籍《Release It!》中的“测试工具”章节。Bane 以 Ruby gem 的形式提供,安装非常简单。
安装步骤
-
确保 Ruby 环境:Bane 需要 Ruby 2.5 或更高版本。如果你还没有安装 Ruby,请先安装 Ruby。
-
安装 Bane:使用以下命令安装 Bane:
gem install bane -
验证安装:安装完成后,可以通过运行以下命令来验证 Bane 是否安装成功:
bane -h这将显示 Bane 的帮助信息,确认安装成功。
2. 项目使用说明
Bane 的设计目的是帮助你模拟第三方服务器的异常行为,从而测试你的应用程序在这些异常情况下的表现。Bane 提供了多种使用场景,以下是主要的使用方式:
2.1 从命令行快速启动
-
指定端口和行为:如果你的应用程序与某个端口上的服务器通信,你可以通过命令行启动 Bane,并指定端口和行为。例如,如果你想在端口 8080 上启动“永不响应”行为,可以运行:
bane 8080 NeverRespond -
启动多个行为:你也可以同时启动多个行为,Bane 会为每个行为分配连续的端口。例如:
bane 8080 NeverRespond CloseImmediately -
启动所有已知行为:如果你想一次性启动所有已知的行为,可以指定一个起始端口,Bane 会从该端口开始依次启动所有行为:
bane 3000
2.2 使用 Ruby 脚本进行高级配置
如果你需要对某些行为进行自定义配置,可以通过编写 Ruby 脚本来启动 Bane。例如,你可以为 FixedResponse 行为指定一个自定义响应消息:
require 'bane'
include Bane
launcher = Launcher.new(
[BehaviorServer.new(3000, Behaviors::Responders::FixedResponse.new(message: "Shall we play a game?"))])
launcher.start
launcher.join
2.3 监听所有主机
默认情况下,Bane 只监听 localhost(127.0.0.1)。如果你想让 Bane 监听所有主机(0.0.0.0),可以在启动时使用 -a 或 --listen-on-all-hosts 选项:
bane -a 3000
2.4 保持连接打开
默认情况下,发送数据的套接字行为会在发送响应后立即关闭连接。如果你希望保持连接打开并在每次输入后响应,可以使用带有 ForEachLine 后缀的行为。例如,使用 FixedResponseForEachLine 行为:
bane 3000 FixedResponseForEachLine
3. 项目 API 使用文档
Bane 提供了多种行为,每种行为都可以通过命令行或 Ruby 脚本进行调用。以下是当前支持的行为及其描述:
- NeverRespond:连接可以建立,但远程端永远不会发送数据。
- SlowResponse:服务每三十秒发送一个字节的响应。
- RandomResponse:服务器建立连接后发送随机回复。
- CloseImmediately:服务器接受连接后立即断开连接。
- DelugeResponse:服务发送的响应数据量远超预期(例如,发送兆字节而不是千字节)。
- HttpRefuseAllCredentials:服务拒绝所有认证凭据。
- TimeoutInListenQueue:请求在监听队列中等待,直到调用者超时。
3.1 自定义行为
如果你需要实现新的行为,可以参考 lib/bane/behaviors 目录中的源码。你可以创建一个新的行为类,并根据需要继承或组合现有的行为模块。
4. 项目安装方式
Bane 的安装方式非常简单,只需通过 RubyGems 安装即可:
gem install bane
安装完成后,你可以通过命令行直接使用 Bane,或者通过编写 Ruby 脚本来进行更复杂的配置。
通过以上文档,你应该能够顺利安装和使用 Bane 项目,并了解如何通过它来测试你的应用程序在异常情况下的表现。
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