【得物技术】浅尝UI自动化之Airtest实践

一、背景

由于很多公司都采用敏捷开发的模式,测试也要跟着进行敏捷测试。而每个迭代的周期非常短,经常要对原有功能进行回归测试,这样就增加了大量重复人力成本。引入UI自动化测试可以用来快速回归测试app原有功能,测试人员只需要关注新功能的测试。其次,移动端App的测试用例大部分是功能验证相关的用例,通过UI操作即可验证,这就为UI自动化提供了便利条件。因此,可以将测试重复度高,执行效率低的用例,通过UI自动化快速重复执行,达到提高测试效率的目的。

 

二、Airtest简介

目前主流的UI自动话测试工具主要有:Selenium, Appium和Airtest。其中Selenium是一款开源的Web应用自动化测试工具,它可以直接运行在多种浏览器平台,其支持的浏览器几乎涵盖了所有主流的浏览器,但是由于得物是APP,不需要web端的测试,故这个工具被残忍舍弃。而Appium和AirTest都是针对APP的自动化测试工具,都可以进行自动话测试脚本的录制和回放。但是之所以选择了AirTest最主要的原因是他很容易生成测试脚本,即使测试人员不会编程,不懂脚本,也可以通过正常用户的点击拖拽等操作,自动完成脚本的录制,从而大幅度降低自动化维护成本。本人经过亲身实践,从UI自动化小白到第一个自动化测试脚本成功运行,用了半天时间,感兴趣的同学可以尝试一下。

   AirtestIDE 是一个跨平台的UI自动化测试编辑器,适用于游戏和App。它的特点如下:

  • 自动化脚本录制、一键回放、报告查看,轻而易举实现自动化测试流程支持

  • 基于图像识别的 Airtest 框架,适用于所有Android和Windows游戏支持

  • 基于UI控件搜索的 Poco 框架,适用于Unity3d,Cocos2d与Android App

  • 能够运行在Windows和MacOS上。

 

架构图

 

 

可以看到,底层的主要测试框架是AirTest和Poco,二者区别在于:

  • AirTest:基于Python的、跨平台的UI自动化测试框架,基于图像识别原理,适用于游戏和APP。

  • Poco:基于UI控件搜索的自动化测试框架,其核心优势是除了对Android 和IOS之外,对游戏也是支持的,同时也支持微信小程序、微信小游戏和H5应用。

 

三、Airtset安装和连接设备

    目前AirTestIDE 提供了Windows和Mac两个版本的客户端,请从官网下载,解压即用。

    无论是Android/IOS手机,还是Windows窗口,在AirTest中都将它视为一个设备。下边重点介绍一下Android设备的连接。

 

连接Android手机

通过ADB连接电脑和Android手机,ADB是Google官方提供的Android调试工具,AirTestIDE依赖ADB与安卓设备进行通信。

 

打开AirTestIDE,按照以下步骤进行连接:

1.打开手机设置-开发者选项-USB调试开关,参考安卓官方文档;

2.在AirTestIDE设备面板中点击 refresh ADB 按钮,查看连接上的设备;

3.如果没有显示出设备,试试restart ADB,如果还不行,参考FAQ文档进行问题排查。

4.能够成功看到设备后,点击对应设备的connect 按钮,进行初始化。

 

连接成功后,即可在AirTestIDE中看到手机屏幕的镜像显示,并进行实时操作,如下图所示:

 

 

 

 

连接IOS手机

要连接一台IOS手机,你需要准备好一台安装了Xcode的MAC电脑,连接方式参考文档。

 

四、录制自动化脚本

在连接上设备以后,就可以开始录制自动化测试脚本了,在接下来的内容中,我将会在一台Android手机上,给大家演示如何录制脚本。

 

模拟输入

AirTest支持通过图像识别的方式,找到你想要的位置并进行操作,这是基于AirTest框架实现的。

我们可以先看看如何自动录制脚本:点击AirTestIDE左侧的AirTest辅助窗上的“录制”按钮,然后随着你在设备窗口上操作手机,代码会自动生成在代码窗口中。

 

录制完成后,点击“运行”,就可以运行你的第一个自动化脚本了。

 

 

 

如果你觉得自动录制生成的图标不够准确,还可以点击AirTest辅助窗上的 touch 按钮,然后再设备窗口上框选精确的图标,也可以制动生成一条touch语句。如下:

https://v.qq.com/txp/iframe/player.html?vid=e3252k79dir

 

类似的模拟输入操作还有滑动:点击swipe按钮,在设备窗口上框选精确的图标最为滑动起点,然后点击滑动终点位置,即会自动生成一个swipe语句。

 

其他的模拟输入的API包括:

  • Text:文字输入

  • KeyEvent:按键输入,包括(HOME/BACK/MENU等)

  • Sleep:等待

  • Snapshot:截屏

 

断言

到这里,我们已经有各种模拟输入方法,配合逻辑控制语句让手机动起来。自动化测试中还有很重要的一个步骤:结果验证。我们就可以来看看怎样声明断言。

 

 

(1)验证UI界面

录制方法与模拟输入类似。

  • assert_exists:断言图片存在

  • assert_not_exists:断言图片不存在

 

(2)验证数值

通过Poco获取属性值,手写代码进行断言。

  • assert_equal:断言箱单

  • assert_not_equal:断言不等

例如

 

 

 

查看测试报告

脚本运行完毕后,点击“查看报告”那妞,会使用默认浏览器打开结果报告页面,报告中将展示每一个步骤的内容和实际执行过程的截图、运行结果,方便查看步骤是否执行成功。

 

 

 

 

 

 

五、AirTest脚本介绍

AirTest是一款基于Python的,跨平台的UI自动化测试框架,基于图像识别原理,适用于游戏和APP。虽然可以借助IDE提供的录制功能快速的生成脚本,但是通常来说,熟练掌握Python语法能够帮助我们写出应用更广泛、更不容易出错的脚本。

 

一个简单的.air脚本解析

在下载解压Airtest脚本的专属IDE——AirtestIDE后,点击“新建脚本”按钮,默认即可创建一个后缀名为.air的脚本文件,.air这是Airtest脚本的专属后缀。

让我们打开刚才新建脚本的文件夹,可以看到实际上.air脚本文件是一个普通的文件夹,里面附带了一个同名的.py文件,AirtestIDE在执行脚本时,实际上执行的是里面的.py文件。也就是说,Airtest脚本本质上仍是Python脚本,遵循的是Python语法,我们可以根据实际需要自由地import其它Python第三方库。

值得注意的是,.air文件夹中必须要有同名的.py文件,否则在命令行执行airtest run test.air这样的运行指令时会导致失败。

 

AirTest脚本示例

 

 

 

初始化环境

首先,就像一个普通的Python脚本一样,我们需要在代码文件的最开头部分,写上from airtest.core.api import \*,将AirTest 的主要API都import进来,以便在后续脚本中使用这些API。

 

auto_setup是一用来初始化环境的接口,接口文档在这里,它接受4个参数,我们可以设置当前脚本所在的路径、指定运行脚本的设备、设置默认的log路径和设置脚本父路径。

  • 如果auto_setup不传入任何参数,AirTest将会读取运行时命令行中传入的各项参数,来对环境进行初始化。

  • 在AirTestIDE创建脚本时,默认生成的代码里是最简单的初始化代码auto_setup(__file__),意思是将脚本文件作为脚本路径传入,其他参数内容将默认读取运行命令行传入的参数。

 

脚本运行命令行有两种形式,命令行中的参数包含device,log等:

  • 命令行运行AirTest脚本的示例:>airtest run untitled.air --device Android:///手机设备号 --log log。

  • 在使用AirTestIDE运行脚本时,会在"Log 查看窗"中自动生成一个可用的命令行,可以供大家作为参考。

 

模拟点击

Airtest作为自动化测试框架,模拟的是人的操作,常见的接口主要有:

  • Touch点击某个位置,可以设定被点击的位置、次数、按住时长参数

  • Swipe从一个位置华东到另一个位置

  • Text调用输入法输入指定内容

  • KeyEvent输入某个按键响应,礼盒回车键、删除键

  • Wait等待某个指定的图片元素出现

  • Snapshot对当前画面截一张图

  • 其他

 

核心API请参见文档,在这个文档页里出现的API都是跨平台API,由于我们在代码的第一行里将airtest.core.api里的接口全部import进来了,因此这些API可以在代码里直接进行调用,像这样:

 

 

在很多接口中,支持传入Template图片对象作为参数,在运行时将会去点击图片在画面中的所在位置,类似这样:

 

 

其中,Template对象是一个图片类,AirTest会先尝试在当前画面中找到匹配这张图片的位置,如果找到了,将对这个坐标进行点击操作,如果找不到,就抛出识别异常。

 

断言语句

断言在单元测试代码中非常重要,因此建议在我们的脚本里使用断言语句来判定被测应用当前的涨停是否是我们预期中的状态。Airtest提供了assert_exists和assert_not_exists两个接口,来断言一张图片存在或者不存在于当前画面中。同时,还提供了assert_equal和assert_not_equal两个语句,来断言传入的两个值相等或者不相等。

 

如何在Python脚本中使用AirTest

AirTestIDE在创建新脚本时,也能够直接创建一个.py脚本文件,但是在创建之前会弹出一个设置窗口,要求填写一些指定的参数。

 

在我们了解过auto_setup接口后就会知道,这些参数就是为了传给它,然后初始化AirTest运行环境使用的。因此,一个纯.py脚本的初始化代码可以是这样的:

 

 

上边这段代码的意思是说,当使用python xxx.py来运行本文件,且不带任何命令行参数是,则自动使用auto_setup这个接口来对AirTest相关的参数进行初始化。这样只需要在写py脚本时,填好指定的参数就能直接用python xxx.py指令来运行脚本。

 

同时,原先传统的airtest run xxx.air --devices Android: /// 命令行方式也不受影响,只要脚本检测到传入了命令行参数(即代码中的 if not cli_setup()判断),就依然优先使用命令行参数来初始化AirTest环境。

当然,熟练掌握API的各位,也可以根据实际需求在自己的Python脚本中调用AirTest API,与使用正常的pyhton第三方库方法相同。

 

 

六、总结

本文只是简单讲解了如何使用AirTest进行UI自动化脚本的录制和回放,以及对自动化脚本进行了介绍。如果要进行UI自动化的持续集成,还需要进一步的了解和学习。

希望有时间的同学可以进行一些实践,了解一下UI自动话相关的知识。在以后的工作中,我们就可以将测试重复度高,执行效率低的用例,通过UI自动化快速重复执行,以达到提高测试效率的目的。

此外,本文只是介绍了通过AirTest的框架进行图像识别,编写测试脚本,但是在某些特殊情况下,例如对于游戏或者APP里的动态元素,通过图像识别比较困难。AirTest还提供了另外一种基于UI控件搜索的自动化框架Poco,同学们可以在下边的文章中,进行学习和实践。详情请查看:https://edu.uwa4d.com/lesson-detail/124/470/0?isPreview=0

 

文|Lynne

关注得物技术,携手走向技术的云端

相关推荐

从中心调度到自驱协作多 Agent 架构的三次反转|得物技术

本文探讨多Agent系统中的控制权分配问题,提出三大协作架构:Master Agent(中心调度)、任务看板(共享状态)与Advisor(轻量咨询)。通过划清上下文边界与模型边界,强调应以信息相关性而非职业标签划分Agent。三种模式分别将决策权集中于中心、下放至共享状态、再下沉至执行者,形成控制权逐步下沉的演进路径。案例显示,合理设计可提升复杂任务的并行性、弹性与可维护性。

SmartCodeTech的博客 405

Jev 实战:为AI工作流引入轻量决策层 x10倍提速|得物技术

完成这三个场景后,我对适用边界有了更明确的认识:它们都可以先定义答案范围,再根据判断结果驱动下一步操作。接入时,我会优先明确输入、选项、采纳条件和兜底路径,再评估Jev是否适合承担这一环节。结合这些实践,我更容易理解Jev(TypeSafe System One)作为专用结构化决策模型不生成自然语言,而是返回带概率的判断结果。后续接入时,我会继续从脚本中边界明确的判断任务开始,分别验证准确性、耗时和费用,再决定是否扩大使用范围。下面整理了相关能力、限制和接入要点,便于查阅。

SmartCodeTech的博客 343

国产算力·昇腾 910C 大模型推理优化(下):源码修改与算子优化,提速30%|得物技术

本文延续上篇,深入vllm-ascend源码优化:通过多流重叠实现MoE共享专家并行计算,消除冗余事件开销,并解除与FUSED_MC2的互斥限制,实现c=1下TPOT从8.2ms降至8.0ms;优化decode阶段host侧开销,引入状态跟踪跳过冗余拷贝;设计Block Table CPU快路径,规避小batch下NPU kernel启动延迟;针对GDN层融合L2Norm至recurrent kernel,减少算子调用与内存往返。综合优化后推理性能显著提升,形成可复用的昇腾910C大模型推理优化方法论。

SmartCodeTech的博客 238

国产算力·昇腾 910C 大模型推理优化(上):镜像更新与参数调优,提速 40%|得物技术

文中详细给出每一项优化的动机、实现(含具体源码改动路径与关键代码片段)、验证数据与踩坑记录(包括十余项实测无效或负向的尝试),希望为同样在国产算力上做推理优化的团队提供一份可直接复用的工程参考。

SmartCodeTech的博客 217

动态规则的 Agent 实践:用确定性工程驾驭 LLM 的资产智能验收

面对财务验收中规则多变、材料非结构化、核对复杂等痛点,传统规则引擎难以应对。系统采用“规则即配置”思路,由大语言模型(LLM)负责理解合同、扫描件等非结构化材料并执行语义比对,工程系统则保障流程编排与可追溯性。通过异步处理、幂等设计、三类流量隔离及双通道(文本/图像)处理,实现高效稳定运行。结合用户反馈构建自动标准答案,辅以试跑、回测与发布门禁机制,形成闭环质量体系。底层采用确定性工作流架构,确保行为可预期、可测试,真正实现灵活规则的快速迭代与安全上线。

SmartCodeTech的博客 343

发一张图,它居然“跃“出屏幕了?一文读懂得物 3D 空间图片技术实践

3D 空间图片功能的落地,涉及模型生成、内容分发、客户端渲染之间的一系列取舍。本文重点分享如何生产出高质量、小体积的模型,以及如何在手机上流畅运行。

SmartCodeTech的博客 555

别再只卷向量检索了,得物交易搜索如何用“生成式”实现召回范式跃迁?

你搜"af1",它得给你"空军一号"。这一年,得物交易搜索把召回从"做选择题"改成了"写答案"——不再从商品池里"找"最像的,而是让模型自己"生成"你真正想要的。从 LLM 语义索引到 HLLM、语义 ID,搜索是怎么从"检索"走向"生成"的?

SmartCodeTech的博客 593

指标平台:从语义底座到智能消费的实践路径|得物技术

这篇文章想做的,不是在本体化的宏大叙事上再叠加一层理论,而是把我们在真实落地中验证过的路径讲清楚:语义底座怎么从零建立起来、怎么保证质量不失控、怎么支撑 Text2SQL 和 AI Coding 两条消费主线,以及沿着这条路径往前走,下一步该往哪个方向发力。

SmartCodeTech的博客 316

企业级 MultiAgent 落地:Plan 模式与主子 Agent 协作|得物技术

基于 AgentScope Java 的企业级 MultiAgent 平台,为研发、数据分析和知识问答等场景提供统一的模型调用、工具接入、任务编排、流式输出与运行追踪能力。

SmartCodeTech的博客 300

得物小摊 AI Native 演进实录:用 Harness 构建可控 AI 交付

AI Coding 一个人用很顺手,进了团队就漏:指令没人审、经验难沉淀、过程看不见、链路不闭环。作者团队基于 Multica 做了 EP-Harness,把 Agent 当成员管,给它套一层可执行、可观察、可治理的 Harness,并让反馈闭环。成果:可追溯决策、多 Agent 协作,高频异常从每 4 小时 2400 多条降到个位数,对得物技术补上团队级 AI 协作关键一环。

SmartCodeTech的博客 540

企业级 MultiAgent 的记忆系统:短期上下文与四层记忆架构实现|得物技术

在 MultiAgent 平台中,Agent 的"记忆"能力是实现智能对话和个性化服务的核心资产。本文深入剖析 Agent 记忆系统的设计理念与实现细节,重点解析长期记忆架构的写入与加载流程,涵盖 LLM 智能判断、语义检索、Token 预算控制、冲突处理等关键技术,为开发者提供完整的技术实现参考。

SmartCodeTech的博客 502

EP-Harness:从个人 AI Coding 到团队级 Agent 工作流|得物技术

AI Coding 个人用得爽,一到团队就崩。EP-Harness 把 Agent 从聊天工具变成团队协作成员——可管理、可追溯、可闭环。落地后高频异常从 2400+/4h 收敛到个位数。

SmartCodeTech的博客 688

得物知识问答:复合检索 Agent 的系统设计实践

从"搜到什么用什么"到"搜→筛→挖→验"自主决策闭环——我们造了一个有判断力的 RAG Agent,不是套壳。

SmartCodeTech的博客 733

实战从零开始构建一个Coding Agent:Violin |得物技术

理解了 coding agent 的构建原理,也就掌握了理解其他 agent 的一把钥匙。笔者对每天都在使用的 agent 原理很感兴趣,于是决定自己写一个:violin。

SmartCodeTech的博客 926

AI Native 交易核心系统的研发范式|得物技术

如何改造旧研发流程适配 AI 编码?本文提出五道标准化关口治理思路,依托 Claude Code Spec-Driven 插件打通需求澄清、方案设计、TDD 落地、门禁管控与埋点监控,构建带人工确认门控的完整工作流,以五层自底向上架构实现 AI 编码规范化落地。

SmartCodeTech的博客 972

推荐系统体验的数字化突破:得物自动化评测平台的技术实践|AICon 文章整理

「得物推荐 AI Harness 工程化实践系列」的末篇内容,本系列共三篇连载。本篇(末篇)详解得物推荐评测平台的完整技术体系:从主观体验量化到大模型自动化评测流水线,涵盖多维度指标设计、人机协作提示词校验闭环、分布式任务调度与成本精控等核心工程实现,以及单周百万级审计需求下实现 91% 资源成本优化的工业级落地实战细节。

SmartCodeTech的博客 1493

RAG 核心概念与原理:Chunking、Embedding、相似度、HNSW 与多路召回|得物技术

决定 RAG 效果的关键不在大模型,而是文本切块、查询改写、多路召回与精排。合理切块存好知识库内容,向量匹配抓语义、BM25 匹配关键词互补。先优化用户提问,快速召回一批相关文档,再用精排模型精细筛选,整套检索流程配合到位,问答准确度才会明显提升。

SmartCodeTech的博客 1079

从“机械应答“到“服务伙伴“:得物高可控智能客服的 Agent 工程实践|AICon 演讲整理

本次分享围绕以下核心技术展开:客服 Agent 挑战与架构设计(Single-Agent→Multi-Agent→Harness);高可控性数据飞轮(PE 自动化 + DPO 训练);RL 策略训练和人工经验对齐;多轮半双工消息流控制。

SmartCodeTech的博客 745

得物推荐系统诊断 Agent:从 “调接口” 到 “会思考”|AICon 演讲整理

本文是得物技术专家在 AICon 上海演讲整理的技术实录。AICon上海2026_全球人工智能开发与应用大会暨大模型应用生态展_InfoQ技术大会「得物推荐 AI Harness 工程化实践系列」的中篇内容,本系列共三篇连载。本篇(中篇)进一步详解得物推荐复杂业务场景下,AI代码从生成、防护校验到安全上线的完整技术体系、自研AI Harness整体架构框架、全流程安全防护机制、混合智能体核心算法实现,以及工业级工程落地的实战细节。

SmartCodeTech的博客 1361

得物 OceanBase 落地实践

得物选型OceanBase多模数据库应对业务挑战,通过验证其高可用架构、存储压缩技术及混合负载处理能力。测试显示OceanBase在复杂查询场景性能较MySQL提升130-200倍,在高并发TP/AP混合场景表现优异,存储成本降低40%+。通过DBA内部报表业务试点验证其稳定性后,逐步推广至核心业务场景,优化数据库技术栈,实现性能与成本的双重收益。

SmartCodeTech的博客 1380

AI UITester:AI Native 的 UI 自动化测试新范式|得物技术

ai_uitester 代表了 AI Native 的 UI 自动化测试新范式:这不仅是工具的升级,而是测试范式的转变 ------ 从 "代码驱动" 转向 "视觉驱动",从 "人工调试" 转向 "AI 自愈",从 "三端分离" 转向 "统一抽象"。

SmartCodeTech的博客 774

从狂野代码到按目标生产:得物推荐 AI Harness 的工程化实践|AICon 演讲整理

本文是得物技术专家在 AICon 上海演讲整理的技术实录。「得物推荐 AI Harness 工程化实践系列」的开篇内容,本系列共三篇连载。将系统拆解得物推荐复杂业务场景下,AI 代码从生成、防护校验到安全上线的完整技术体系,逐一详解自研 AI Harness 整体架构框架、全流程安全防护机制、混合智能体核心算法实现,以及工业级工程落地的实战细节。本篇(上篇):将整体介绍团队自研的 AI Harness 体系,包括建设思路、全生命周期防护机制、混合智能体架构及落地效果。

SmartCodeTech的博客 1080

从表单到 Agent:得物社区活动搭建的 AI 实践之路

一场营销活动从策划到上线,运营要在三个系统间跳转 10 + 次、填写 40 + 个字段。我们用 AI 重新设计了这条链路 —— 从 “AI 帮你填表单” 到 “两阶段 Agent + 聚合工作台”。这篇文章记录的不是技术细节,而是这条路上的选择和反思。

SmartCodeTech的博客 741

从埋点需求到规则资产:Hermes Agent 重构得物数仓工作流

埋点和指标需求中,消耗数据承接方的不是生成答案,而是补齐证据链、对齐历史口径、识别下游影响,并在生产写入前留下可追溯的确认记录。本文数据承接方指承接业务需求的数据同学或业务合作伙伴;后文讨论内部研发、元数据、查询和门禁能力在流程中的角色。

SmartCodeTech的博客 656

让 Claude Code 拥有自我进化和记忆系统|得物技术

本文记录了为 Claude Code 构建的一套持久化记忆与自我学习系统的设计思路与实现细节。这套系统让 AI 助手能够跨越会话边界记住用户习惯,并在每次对话结束后自动提炼行为规律和系统信息,通过向量检索快速提取关键信息,下一次对话时主动应用,逐步进化为更懂你的编程伙伴。

SmartCodeTech的博客 994

用 LLM Agent 重构告警排查流程|得物技术

告警排查需频繁切换日志、APM、链路追踪等多个平台,耗时 10~30 分钟,且高度依赖个人经验。我们做了 Troubleshooter——用 LLM Agent 自动完成数据采集、根因分析和处置建议生成。上线后中位数排查耗时从 20 分钟降到 4.4 分钟,覆盖 11 个服务和 10+ 种告警类型。

SmartCodeTech的博客 1004

HorizonVault 技术深潜:如何在 HDD 上做出 100GB/s+ 级大吞吐分布式存储|得物技术

HorizonVault是一款面向Kafka远程存储的高吞吐分布式存储引擎,通过分布式并行写入和状态感知调度解决冷数据存储的三大核心问题:吞吐瓶颈、性能抖动和恢复能力。系统采用分层架构,Meta负责全局资源调度,Broker处理请求路由,Store实现本地磁盘管理,形成完整的写入治理链路。通过将HDD磁盘提升为一等资源,实现顺序追加写入、多盘并行和慢盘隔离,在保证高吞吐的同时控制延迟。存储结构采用DiskStore组织磁盘资源,LogSegment顺序写入数据,IndexSegment定位读取,Change

SmartCodeTech的博客 890

Claude Code Harness 工程:数仓侧落地方案|得物技术

Harness 工程通过职责分层实现研发流水线可靠性提升。Claude 负责需求理解与代码生成等语义层工作;hooks 负责规范检查等确定性执行;Subagents 隔离血缘查询、自测等高 token 操作;Memory 承载跨会话状态持久化。四层协同使数仓 AI 开发从"对话式辅助"转变为"规则驱动的自动化流程"。

SmartCodeTech的博客 1093

BP Claw 破解 AI 编码输入难题 ——FlinkSpec 需求智能化实践|得物技术

本文为 FlinkSpec 系列之开篇,亦是这场工程化变革的序章。BP Claw 所立之处,不过链路之源。FlinkSpec 所图,乃以 AI 之力,将实时数仓从需求落地至验收上线的全程工序,熔铸为一套精密自洽、生生不息的智能工程体系。宏图未竟,后续系列将逐章揭幕,敬请期待!

SmartCodeTech的博客 1035

基于 Harness + SDD + 多仓管理模式的 AI 全栈开发实践|得物技术

Harness(约束)思维的本质是:给 AI 一个已有的实现作为参照,让它照着复刻一份,而不是凭空创造。就像给一个新入职的工程师说 "你照着这个模块的风格,写一个类似的",而不是 "你自由发挥"------ 前者往往能更快产出符合团队规范的代码。

SmartCodeTech的博客 1185
上一篇: 【得物技术】JS 资源分包
下一篇: 【得物技术】得物WMS如何助力仓库拣货
得物技术
得物技术 得物技术官方账号 得物技术官方账号
博客等级 码龄6年 2492粉丝 407原创
评论 6
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值