VS Code扩展示例:测试覆盖率提供器示例的更新与修复
在VS Code扩展开发中,测试覆盖率功能是一个重要的开发辅助工具。本文将以vscode-extension-samples项目中的test-provider-sample为例,介绍如何更新和修复一个基于过时API的测试覆盖率提供器实现。
问题背景
测试覆盖率提供器示例原本依赖于VS Code的测试覆盖率功能API,但随着VS Code 1.88版本的发布,相关API发生了重大变更。主要变化包括:
- 移除了TestRun.coverageProvider属性
- 将StatementCoverage.executionCount更名为executed
- 引入了新的addCoverage方法
- 内置了FileCoverage等类型定义
这些变更导致示例代码无法正常工作,主要表现在安装依赖时无法获取已移除的类型定义文件,以及运行时访问不存在的API属性。
修复步骤
第一步:更新package.json
首先需要从package.json中移除对过时功能API的引用:
// 移除以下内容
"enabledApiProposals": [
"testCoverage"
],
第二步:删除过时的类型定义文件
删除项目中的vscode.proposed.testCoverage.d.ts文件,因为相关类型定义已内置到VS Code中。
第三步:更新扩展代码
核心修改点包括:
- 替换executionCount为executed属性
- 使用新的addCoverage方法替代coverageProvider
- 调整覆盖率数据更新逻辑
// 修改前的代码
lineInfo.executionCount++;
// 修改后的代码
if (typeof lineInfo.executed === 'boolean') {
lineInfo.executed = true;
} else if (typeof lineInfo.executed === 'number') {
lineInfo.executed++;
}
第四步:实现新的覆盖率提供方式
不再使用TestRun.coverageProvider,而是直接通过addCoverage方法添加覆盖率数据:
for (const [uri, statements] of coveredLines) {
run.addCoverage(
vscode.FileCoverage.fromDetails(
vscode.Uri.parse(uri),
statements.filter((s): s is vscode.StatementCoverage => !!s)
)
);
}
技术要点解析
-
覆盖率数据类型:VS Code现在支持更灵活的覆盖率表示方式,executed属性可以是数字或布尔值,表示精确的执行次数或简单的覆盖状态。
-
文件覆盖率:FileCoverage类现在内置在VS Code API中,可以直接使用fromDetails静态方法从详细覆盖率数据创建实例。
-
实时更新:通过addCoverage方法可以在测试运行过程中动态添加覆盖率数据,相比之前的provider方式更加灵活。
-
兼容性考虑:修改后的代码需要VS Code 1.88或更高版本才能正常运行,这是使用新API的必要条件。
总结
本文介绍了如何更新VS Code测试覆盖率提供器示例以适应最新的API变更。通过这些修改,开发者可以继续利用VS Code强大的测试覆盖率功能,同时遵循最新的API设计。对于正在开发测试相关扩展的开发者来说,理解这些变更对于保持扩展的兼容性和功能性至关重要。
在实际开发中,建议定期检查VS Code的API变更日志,特别是当使用功能API时,因为这些API在稳定前可能会发生较大变化。同时,测试覆盖率功能的增强也为开发者提供了更多可能性,如支持更详细的覆盖率可视化或与持续集成系统的深度集成。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00