小生测试的博客

测试方案是测试计划里的一个模块，主要是描述需要测试的特性,测试的方法,测试环境的规划,测试工具的设计和选择,测试用例的设计方法，测试代码的设计方案。与测试计划的区别在于，测试计划是组织管理层的文档，是对整个周期的测试活动进行规划，而测试方案属于技术文档，属于对进行测试的描述。请输出"app电商购物车功能"的测试方案，内容需要包括：测试的特性,测试的方法，测试环境的规划，测试工具的设计和选择，测试用例的设计方法，测试代码的设计方案。咨询AI输出测试方案，最关键的还是提示词，大概思路也是先全后细，再完善文档。

网址，发现报错了，ChatGpt3.5生成的格式有问题，多次修改后还是报错。提示词：当我是测试经理时，根据上述的电商app购物车模块的功能需求，请帮我编写一页完整的测试计划。周期是不对的，最后需要自己手动修改。系统测试（导航和操作流畅性测试）系统测试（主题风格一致性测试）集成测试（添加商品到购物车）系统测试（浏览器兼容性测试）系统测试（错误信息提示测试）系统测试（无障碍访问性测试）系统测试（响应式布局测试）系统测试（用户友好性测试）集成测试（修改商品数量）验收测试（修改商品数量）系统测试（完整回归测试）

整体思路也是先全后细，最好不要一开始就要求又全又细。使用AI进行需求分析，关键点在于需要规范的PRD文档，这对于大部分公司来说也是个痛点问题，落地价值目前看来还没有很好的体现。不过相信随着AI的越来越智能，领域越来越细化，这个也会是小问题。

使用提示词框架结合Prompt 逆向工程，呈现的效果会更好。如何在测试领域中更好地使用AI大模型，也会在后面的文章中介绍。

整体来说，MaxKB虽然部署简单，但是知识库处理能力还是太弱了，Embeding模型不能自定义，而且消耗token比较大，只能适用本地大模型。如果使用智能分段处理问题，命中率低，使用高级分段就比较准点，适用于比较规范的问题模板，当然对于大文本来说，手动处理分段就非常麻烦了。对于开发者来说，好处在于前端使用Vue，后端是Django，非常适合二次开发，可以持续关注。

FastGPT 是一个基于 LLM 大语言模型的知识库问答系统，提供开箱即用的数据处理、模型调用等能力。同时可以通过 Flow 可视化进行工作流编排，从而实现复杂的问答场景！官网：https://fastgpt.in官网文档：https://doc.fastgpt.in/docs/intro/登录后切到知识库页面创建知识库支持多种格式也支持多种的数据源上传后解析解析完成关联知识库，右边可以进行调试，调试成功后点击发布保存返回到知识库对话。

Quivr 是一个开源的 RAG 框架，用于部署和使用 AI 助手，可以充当个人助理。它提供了一个平台，用户可以创建称为“大脑”的 AI 助手，这些助手具有专门的功能。一些助手可以连接到特定数据源，包包括文本、图像、文档，允许用户直接与数据交互，而其他工具则作为特定用例的专用工具，由 RAG 技术提供支持。这些工具处理特定的输入以生成实际输出，例如摘要、翻译等。Quivr 可以被视为用户的第二大脑，为其提供个性化的支持和服务。官网：https://www.quivr.app。

git地址特性介绍：1、可以根据自己的规则去匹配生成调用链2、可以生成调用链图片3、可以自定义输出生成的结果，比如json，text等4、支持命令行规划特性介绍：1、自定义规则生成调用链：允许用户根据自定义规则，灵活匹配并生成调用链。2、可视化调用链图片输出：提供直观易懂的调用链图片展示，便于快速理解和分析项目中的依赖关系。3、多样化输出格式：支持将生成的调用链结果以多种格式输出，包括json、text等，方便用户根据需要进行数据处理和展示。4、命令行操作支持。

单例模式确保每种类型的数据库连接只有一个实例，实现全局共享；而工厂模式则提供了灵活的对象创建机制，使得测试代码更具扩展性和可维护性。如果你想要看到完整的实现案例，可以查看我开源的Pytest 框架源码，这是一个关于如何设计一个适合你自己的简易框架，而不是教你如何用安装包来做接口自动化的CRUD。

simple-pytest 框架主要参考了httprunner的yaml数据驱动部分设计思路，是基于 Pytest + Pytest-html+ Log + Yaml + Mysql 实现的简易版接口自动化框架。与httprunner不同的是，httprunner是个封装好的工具包，simple-pytest 是半封装的脚本，目的是让用户自己更容易学习Pytest工具，理解框架设计

起初，打开rancher ui页面打不开，telnet rancher的服务端口也不通。查看rancher 控制节点，日志显示，X509：certificate has expired or is not ye valid。现在网上大部分的解决方案都是针对的2.2以及以下的版本，如果你按照网上那个教程尝试，会走很多弯路。首先，先确定你的rancher 服务版本，可以通过。如果遇到这样的问题，则说明你的这个命令没写对。最后docker restart 容器id。，选择版本号对应的解决方式。

可能还有其他方法，但大体上找不到module的问题，大部分是路径变量问题，按照这个思路去解决就可以解决大部分类似问题。

Lighthouse 作为一个前端性能检测工具，如果需要集成在CICD流水线中，需要构建一个docker，使用命令的方式进行集成。

SonarLint 是SonarQube官方推出的可以在idea 静态扫描插件，可以同步sonarqube的规则，在开发编译的时候发现问题，可以有效减少在流水线扫描返工的次数。

创建一个类，初始化一个变量variables，通过在code 将self.variables参数赋值，然后将code执行放在将exec执行，放在locals函数里。local函数会自动赋值给self.variables变量。这样就可以做到自动化测试前置处理器以及后置处理的变量传递。这样其他函数可以直接调用variables里的变量数据即可。在造数工具或者自动化测试中，集成可执行的代码块是非常有价值，但可执行代码结果不能脱离上下文而独立存在，这个时候可以尝试使用变量进行传参。

不过fastapi 的权限控制，他要在请求头header上"Authorization":“Bearer 你的token”.OAuth2PasswordBearer会自动解析请求头这个参数的内容，解析不到就报权限失败。将get_current_user参数换成request: Request，这样就能控制我们只传入token就好了。这个用法是写死固定的。使用fastapi原生自带的AUTH_SCHEMA 作为权限控制。所以我们就放弃原生的fastapi权限设置，用自己的权限控制。

一般情况下，通过清理无效的docker 镜像或者数据卷就可以释放一定的磁盘空间。但有时候我们需要知道是哪些docker占用了那么大的磁盘，里面存放了哪些大数据，如果是没有的大数据就可以清理掉。也可以通过转移大磁盘的docker到其他宿主机上来释放磁盘。公司服务器资源不够，经常硬盘或者内存不足，这时候就需要手动清理一波无用的docker数据。最后可以通过进入到docker id来判断里面是什么数据占用那么大的内存。这个步骤大部分下情况清理磁盘空间是有效的。

通常是在对象的属性可能不存在的情况下使用此方法，如果属性存在，则返回属性值；解包与update的区别在于，update后的数据dict1会改变原有的值，如果需要新的值，就需要深拷贝一次。其中，object 表示要获取属性的对象，name 表示属性名，default 是一个可选参数，当属性不存在时，返回 default 的值（默认为 None）。如果被传递的字典中有重复的键，则会覆盖原始字典中的值。其中，object 表示要设置属性的对象，name 表示属性名，value 表示要设置的属性值。

listfield(referencefield a referencefield only accepts dbref, lazyreference报错。另外表字段增加dbref字段为true，使其能够与其他模型进行交互并避免任何错误。传入的是字符串，而model要求的是ReferenceField，所以要对projects数据进行转换,转换成obejctid。的问题，都是参数传入的时候没有进行转换造成的。先看定义的user model表。

java内存溢出使用mat工具定位