Ruby LSP 测试功能变更与文件路径规范解析
2025-07-08 21:26:00作者:温艾琴Wonderful
Ruby LSP 作为现代 Ruby 开发的重要工具,近期对其测试功能进行了重大更新。这次更新主要涉及测试文件的发现机制和路径规范,开发者需要了解这些变化以避免测试功能无法正常工作的情况。
测试发现机制的变化
最新版本的 Ruby LSP 引入了一套全新的测试发现机制,这套机制对测试文件的存放位置提出了明确要求。系统现在会按照特定的 glob 模式来识别测试文件:
**/{test,spec,features}/**/{*_test.rb,test_*.rb,*_spec.rb,*.feature}
这套模式设计考虑了性能优化因素,使得 LSP 能够高效地发现项目中的所有测试文件。如果测试文件不符合这个路径规范,Ruby LSP 将无法识别这些测试,导致测试运行按钮失效。
传统布局与新规范的冲突
许多 Ruby 开发者习惯将测试文件与实现文件放在同一目录下,例如:
lib/fetchers/
├── base_adapter.rb
├── job_fetcher.rb
├── test_base_adapter.rb
└── test_job_fetcher.rb
这种布局虽然直观且被许多其他语言采用,但不符合 Ruby LSP 新的测试发现规范。目前可以通过设置 fullTestDiscovery 特性标志暂时恢复旧有行为,但该标志将在未来版本中被移除。
对开发实践的影响
这一变更意味着开发者需要调整项目结构以适应新的规范。建议将测试文件统一放置在项目根目录下的 test 或 spec 目录中,这是 Ruby 社区更常见的做法,也符合 Ruby on Rails 等框架的约定。
对于坚持原有文件组织方式的开发者,需要考虑以下替代方案:
- 使用自定义脚本运行测试
- 创建符号链接将测试文件映射到规范路径
- 考虑迁移到新的文件布局
未来改进方向
Ruby LSP 团队已经意识到需要为不符合规范的测试文件提供更好的反馈机制。当用户点击无法识别的测试项的代码透镜时,系统应该明确提示原因,而不是简单地不响应。
这一变更反映了工具开发中性能优化与开发者体验之间的平衡取舍。虽然短期内可能造成不便,但从长远来看,统一的文件布局规范有助于提高工具性能和开发效率。
登录后查看全文
热门项目推荐
相关项目推荐
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
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
222
238
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
暂无简介
Dart
671
156
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
661
312
React Native鸿蒙化仓库
JavaScript
261
322
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
仓颉编程语言测试用例。
Cangjie
37
859
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
217