接口测试--apipost变量使用(一)

IDEA的APIPost接口测试插件详解 通过上述详细步骤,您可以在IntelliJ IDEA中使用APIPost插件进行高效的API接口测试。APIPost提供了丰富的功能,包括接口管理、环境配置、脚本支持、历史记录、导入导出、团队协作、Mock服务、自动化测试和数据驱动测试,帮助开发者和测试人员提升API测试的效率和质量。如果还有其他问题或需要进一步的帮助,请随时告诉我。 阅读详情

apipost如何设置mock变量,多个接口同时调用这个变量,如何保证调用的变量值是相同的?

这里我们使用的mock变量不能是apipost内置的mock字段,可以在登录接口的预执行脚本自己编写一个mock变量,apipost的脚本编写支持js语法。
在登录的与执行脚本中编写一个自定义mock变量,在使用环境变量获取自定义mock变量,

const phonePrefix = [‘132’, ‘135’, ‘189’]
const index = Math.floor(Math.random() * phonePrefix.length)
var phone = phonePrefix[index] + Mock.mock(/\d{8}/)
apt.variables.set(“phone”, phone);

在这里插入图片描述

调用mock变量phone

在这里插入图片描述

发送请求,查看发送的参数和参数值

在这里插入图片描述
在到查询接口调用phone这个mock变量,发送请求查看响应

在这里插入图片描述
查询响应的值和登录的响应值一致。

基于APIPOST的WebSocket接口测试环境搭建与实战指南 WebSocket作为一种在单个TCP连接上进行全双工通信的网络协议,其核心原理在于通过一次HTTP握手升级,建立起持久化的双向通信通道,突破了传统HTTP请求-响应模式的限制。这项技术的核心价值在于实现了服务器向客户端的主动数据推送,极大地提升了实时交互应用的性能和用户体验。在在线聊天、实时数据监控、协同编辑、股票行情推送等对实时性要求极高的应用场景中,WebSocket已成为不可或缺的技术选型。然而,其长连接和双向通信的特性也给接口测试带来了新的挑战,传统的HTTP测试工具往往难以胜任。本文聚焦于【接口 阅读详情

相关推荐

在线HTTP接口测试工具ApiPost实战:从核心功能到高频错误排查

HTTP接口测试是前后端开发、API对接与调试中的基础环节,其核心在于模拟客户端请求并验证服务器响应。理解HTTP协议、请求方法、状态码、请求头与请求体等基本概念,是进行有效测试的前提。通过工具化的手段,开发者可以直观构建请求、清晰解读响应,从而快速定位问题,提升联调与自测效率。这一过程对于保障接口契约的正确性、排查如‘422 Unprocessable Entity’参数错误或‘502 Bad Gateway’网关异常等高发问题具有重要技术价值。ApiPost作为一款在线HTTP测试工具,正是服务于这一场

weixin_33981932的博客 2302

接口管理工具APIPOST的预/后执行脚本里,常见的响应参数变量和常用方法集合——apipost

本文主要讲解接口管理工具APIPOST的预执行脚本和后执行脚本里,常见的响应参数变量和常用方法集合。 request:请求参数对象 含义:当前请求的请求参数 适用范围:预执行脚本、后执行脚本 我们可以在预执行脚本或后执行脚本里,通过 request 对象来获得请求的参数数据。该对象结构如下: { "url": "https://console.apipost.cn/need_token.php", // 字符串,请求URL "method": "POST", // 字符串,请求方式

Proud lion 2548

接口测试:使用 APIPost 进行自定义变量(软件测试)

APIPost 是一个功能强大的接口测试工具,它提供了自定义变量的功能,使得测试人员可以轻松地创建和管理自定义变量,从而更好地进行接口测试。例如,如果您的请求参数中有一个字段名为"username”,您可以将其值设置为"{{username}}",APIPost 会自动替换为实际的变量值。接口测试在软件测试中起着重要的作用,APIPost 是一个功能强大的接口测试工具,提供了自定义变量的功能。点击"运行"按钮,选择要执行的测试用例并点击"确定",APIPost 会依次执行这些测试用例,并输出执行结果。

EiLisp的博客 1594

怎样在使用apipost做接口测试时使用mock变量?

使用apipost进行接口测试的时候,post接口一json格式传递参数的时候,有的参数需要生成随机不重复的参数值。 apipost内置mock字段变量 我们只需要在json中直接复制自己需要的变量就可以使用了 我们也可以自定义mock变量,我们在接口的预执行脚本编写自定义的mock变量,我们自定义一个手机号,然后设置为环境变量或者全局变量 const phonePrefix = ['132', '135', '189'] const index = Math.floor(Math.ran

QingQingKK的博客 742

疾病负担研究(GBD)——如何使用joinpoint软件计算AAPC

疾病负担研究(GBD)——如何使用joinpoint软件计算AAPC

weixin_44240228的博客 1万+

从配置文件加载顺序揭秘:为什么你的logback.xml读不到application.yml?

本文深入解析了Spring Boot中logback.xml无法读取application.yml配置的原因,揭示了Spring Boot配置加载机制与日志系统初始化的时序问题。通过对比logback.xml与logback-spring.xml的差异,提供了使用springProperty标签和系统属性传递等解决方案,帮助开发者有效解决日志配置问题。

weixin_29214335的博客 364

支持可视化提取变量,Apipost配置变量不要太简单

在调试接口时我们需要将响应结果中的某个字段配置为环境变量在其他接口中引用,之前在Apipost中需要配置脚本而在最近Apipost后执行操作中可以进行可视化的断言和变量提取,无需配置繁琐脚本。如下图:我们变量名为:Token,变量类型选择环境变量,根据响应结果填写JSONPath表达式:$.data.token。这里我们在登录接口下配置一条Token环境变量,在后执行脚本-添加操作项-选择提取变量。输入变量名、选择变量类型、根据对应的字段填写JSONPath表达式。点击发送可以看到在环境中查看配置结果。

Xayh55的博客 1237

第18届全国大学生智能汽车竞赛四轮车控制策略深度解析:从舵机PID到速度闭环

本文深度解析了第18届全国大学生智能汽车竞赛中四轮车的核心控制策略。从舵机PID方向控制的基础原理与机械校准入手,详细阐述了误差计算、PD控制等关键环节;进而深入探讨了基于编码器的速度闭环控制,包括增量式PI算法与速度决策逻辑。文章结合实战经验,提供了方向环与速度环的协同调参思路与避坑指南,旨在帮助参赛者构建稳定、高效的智能车控制系统。

potato的博客 463

ApiPost的断言功能

ApiPost的断言功能

qq_37515374的博客 2308

Ansys Zemax实战:5步搞定衍射光学元件(DOE)设计,附赠超透镜(metalens)避坑指南

本文详细介绍了使用Ansys Zemax进行衍射光学元件(DOE)和超透镜(metalens)设计的5步实战流程。从基础光学系统搭建到相位面设计验证,再到制造准备与实测对比,全面解析了OpticStudio中的关键技巧和常见避坑指南,帮助工程师高效完成复杂光学元件设计。

orange的博客 622

告别繁琐!VS Code 下OpenClaw零配置上手秘籍

本文介绍了在VSCode环境下零配置上手OpenClaw开发工具的最佳实践。首先详细说明了VSCode和OpenClaw插件的安装步骤,包括获取安装包、配置环境变量等准备工作。然后重点讲解了核心配置流程:设置OpenClaw路径、调整工作区参数、添加自定义代码片段等优化开发体验的方法。通过创建测试项目验证配置有效性,并针对常见的路径错误、运行报错等问题提供了排查方案。本文旨在帮助开发者快速搭建高效的OpenClaw开发环境,充分发挥VSCode与OpenClaw的组合优势,提升开发效率。无论是新手还是资深开

远程部署调试 运行安装 项目调试 二次开发 项目技术新 持续迭代 部分源码免费分享 528

【分享】接口测试--apipost变量使用(一)

apipost如何设置mock变量,多个接口同时调用这个变量,如何保证调用的变量值是相同的? 这里我们使用的mock变量不能是apipost内置的mock字段,可以在登录接口的预执行脚本自己编写一个mock变量,apipost的脚本编写支持js语法。 在登录的与执行脚本中编写一个自定义mock变量,在使用环境变量获取自定义mock变量, const phonePrefix = [‘132’, ‘135’, ‘189’] const index = Math.floor(Math.random() * pho

weixin_47719617的博客 230

3、Tone Mapping色调映射(Advanced High Dynamic Range Imaging )

3、Tone Mapping色调映射(Advanced High Dynamic Range Imaging) 如今,大多数可用的显示设备无法本地显示HDR内容。 入门级显示器的对比度仅为200:1。 尽管高端液晶电视具有更高的对比度,但平均对比度约为10,000:1,但通常每个色彩通道的离散度为8位,很少为10位。 这意味着色调限制为255。在过去的二十年中,研究人员花费了大量时间和精力来压缩HDR图像和视频的范围,以便可以在LDR显示器上更“自然”地看到数据。 图3.1 色调映射和真实场景之间.

ISP行业的忠实粉丝 1866

php post接口测试,【分享】接口测试--apipost变量使用(一)

apipost如何设置mock变量,多个接口同时调用这个变量,如何保证调用的变量值是相同的?这里我们使用的mock变量不能是apipost内置的mock字段,可以在登录接口的预执行脚本自己编写一个mock变量,apipost的脚本编写支持js语法。在登录的与执行脚本中编写一个自定义mock变量,在使用环境变量获取自定义mock变量,const phonePrefix = [‘132’, ‘135’...

weixin_35805055的博客 352

ios开发拒绝“玄学”Crash:从循环引用到脏内存,构建你的系统性排查思维模型

你申请了内存,写了数据,这块内存就是脏的。系统无法直接回收它,除非你显式释放,或者系统把它 swap 出去(但在 iOS 上,Compressed Memory 机制虽然能压缩,但不会像桌面系统那样频繁 swap 到磁盘,一旦压缩内存也撑不住,你也得挂)。所以,排查 OOM 的核心心法只有一条:不要问“哪里漏了”,要问“每一刻,留在这个页面上的内存,凭什么必须在这里?一旦内存水位线逼近阈值(不同机型不同,老机器可能 600MB 就危,新机器能抗 1.5GB),系统发个警告。

大模型大数据攻城狮的专栏 724

基于simulink的自动紧急制动系统(AEB)的功能验证

本文手把手指导使用Simulink构建自动紧急制动系统(AEB)模型,通过五个关键步骤完成功能验证:1)搭建车辆动力学模型;2)设计雷达传感器模型;3)开发基于碰撞时间(TTC)的决策逻辑;4)设计标准化测试场景;5)进行仿真分析。重点讲解了AEB的多级触发机制(预警、辅助制动、自动制动)和核心指标验证方法,包括制动时机判断、减速度性能等。通过典型场景仿真,展示了AEB如何在2.5秒TTC触发预警,1.2秒TTC启动自动制动,有效避免碰撞。文章还展望了行人AEB、传感器融合等进阶研究方向,为自动驾驶安全系统

amy_mhd的博客 267

grafana如何变量引用_【分享】如何把接口测试引用变量参数变成 “小事儿”

今天看了一篇文章,觉得蛮有意思,做接口测试常常会用到变量参数化。但是对于新手好像没有那么简单,但是读完这篇文章觉得,其实有些工具可以把复杂的事情变得简单。 下面是文章的具体内容:【正文】朋友们好啊!我是骑着白马的少年!!!今天有个同学问我,马哥,马哥在吗?我说什么事儿。啪啪给我打了一堆字,附加给我一张截图。我一看!噢,原来是接口测试,还要引用变量参数。他说两种方法,一种是叫开发把变量,弄成不变的,...

weixin_42317482的博客 1110

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

在接口测试的时候如何获取变量的值

在进行接口测试的时候,有一些参数的值是一个变量值,会根据每一次登录请求之后会改变。这个变量一般命名为token也有其他的命名,这个变量主要对应的是登录状态,和登录信息。token过期或者更新,就需要重新获取token,不然无法进行登录之后的操作。 这个就是登录之后,返回的token值。 然后我们在看看我没有传递token这个参数进行查询操作会怎么样。 请求发送之后,返回给我们的是code=403,缺少token值。所以我们需要传递token这个值才能实现查询操作。 token这个参数传递过去之后,就实

Gina61的博客 377

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

【学习笔记】利用ApiPost进行接口测试并发送带cookie请求的方法

要使用postman测试开发的接口时,遇到了登陆权限的问题,本项目的权限是根据cookie中的某个值来做的判断,那么就需要在发送post请求的时候附带cookie内容, 那么对于ApiPost 怎么实现这个功能呢?基本操作相同。 而且ApiPost提供了两种解决方案,针对各种情况。 具体内容可以参考链接: https://doc.apipost.cn/a1e0b0249ba90f55 简单的来说, 方案I、开启全局cookie,这样后续接口都会共享登陆接口返回的cookie。 设置如图所示: 方案II、当

Gina61的博客 8118

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

接口测试 --apipost 如何自定义变量

如何在接口测试工具apipost自定义变量? 这个就需要使用apipost自带的脚本功能,有预执行脚本和后执行脚本 什么是APIPOST脚本 APIPOST脚本是基于JavaScript语言的代码片段,可实现在接口请求或集合测试时添加动态行为。 脚本可实现的功能 测试(断言)请求返回结果的正确性(后置脚本)。 动态修改接口请求参数,如增加接口签名参数等(前置脚本)。 接口请求之间传递数据(使用脚本操作变量)。 脚本中可以直接请求一个接口地址。 APIPOST的脚本分为预执行脚本和后执行脚本。 预执行脚本

weixin_44159454的博客 1714

全网详细接口测试ApiPost详细教程(实战),吐血整理

一、前言 二、API 请求响应 三、返回Headers 四、响应结果分屏展示 五、使用断言 ApiPost不仅仅是一个调试工具,更是一个接口文档快速生成工具 针对测试人员 接口调试 利用ApiPost进行常规的接口调试功能 接口自动化测试 利用ApiPost提供的断言和流程测试功能,进行接口的流程化测试 后端人员可以通过ApiPost在编写、测试接口的同时快速的、自动生成漂亮、规范的接口文档。相同的时间完成2件事情,大大提升后端开发效率

大佬云集技术答疑交流群:743262921(进群暗号:222) 3万+

使用 Apipost 获取 Token 并设置全局变量

在 Apipost 中获取 Token 并设置为全局变量,然后在需要的接口中通过预执行操作将全局变量设置为请求头或查询参数。需要注意的是,不同设置方式的优先级不同,具体优先级为:预执行操作 > 局部参数 > 全局参数。

qinhan5667的博客 4860

接口测试--apipost在json中如何使用mock变量

使用apipost进行接口测试的时候,post接口一json格式传递参数的时候,有的参数需要生成随机不重复的参数值。 apipost内置mock字段变量 我们只需要在json中直接复制自己需要的变量就可以使用了 我们也可以自定义mock变量,我们在接口的预执行脚本编写自定义的mock变量,我们自定义一个手机号,然后设置为环境变量或者全局变量 const phonePrefix = [‘132’, ‘135’, ‘189’] const index = Math.floor(Math.random() *

海淀码农 1497

APIPOST实战指南:从零搭建WebSocket接口测试环境

基于火山引擎豆包大模型,从零搭建一个实时语音通话应用。它不是简单的问答,而是需要你亲手打通 ASR(语音识别)→ LLM(大脑思考)→ TTS(语音合成)的完整 WebSocket 链路。对于想要掌握 AI 原生应用架构的同学来说,这是个绝佳的练手项目。架构理解:掌握实时语音应用的完整技术链路(ASR→LLM→TTS)技能提升:学会申请、配置与调用火山引擎AI服务定制能力:通过代码修改自定义角色性格与音色,实现“从使用到创造”从0到1构建生产级别应用,脱离Demo,点击打开。

2600_94960077的博客 500

【APIPost】学习与实践,如何使用 APIPost 测试 Java 后端项目

APIPost是一款专为开发者和测试人员设计的API测试工具,类似于Postman,但提供了更多的团队协作和文档管理功能。它可以帮助你设计、测试、分享和管理API,更好地进行接口调试和集成测试。项目栏:管理你的项目和接口文档。请求构建器:用于创建和发送API请求。响应窗口:显示API的响应内容。环境变量配置:用于管理请求中使用的变量(比如API地址、Token等)。团队协作功能:允许你和团队成员共享接口、文档和测试数据。点击左侧的“新建请求”

weixin_44329069的博客 4085
上一篇: 接口测试--apipost中cookie管理器的使用
下一篇: 接口测试工具--apipost如何取消json参数中转义字符
博客园干货精选
博客等级 码龄10年 162粉丝 133原创
评论
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