Self-evolving Context Database for AI Agents. Unify Agent Memory, Knowledge RAG and Skills.
Python agent-contextagent-memoryagent-pluginsagentic-ragcontext-databasedsh-pluginknowledge-basememorymemory-managementself-evolvingvector-database
断言使用指南
本项目提供了多种断言方式来验证 OpenClaw 的响应。
断言方法
1. 关键词断言
assertKeywordsInResponse()
断言响应中包含指定的所有关键词。
参数:
response: 响应内容(字典或字符串)keywords: 关键词列表require_all: 是否要求所有关键词都必须出现,默认Truecase_sensitive: 是否区分大小写,默认Falsemsg: 自定义错误信息
示例:
# 验证响应中包含所有关键词
self.assertKeywordsInResponse(
response,
["小明", "30岁", "测试开发"],
require_all=True,
case_sensitive=False
)
# 验证响应中包含任意一个关键词
self.assertKeywordsInResponse(
response,
["30", "三十"],
require_all=False
)
2. 任意关键词组断言
assertAnyKeywordInResponse()
断言响应中包含任意一组关键词中的任意一个。
参数:
response: 响应内容keyword_groups: 关键词组列表(二维数组)case_sensitive: 是否区分大小写,默认Falsemsg: 自定义错误信息
示例:
# 验证响应中包含姓名、年龄或职业中的任意一个
self.assertAnyKeywordInResponse(
response,
[
["小明", "小红"], # 第一组:姓名
["30", "25", "28"], # 第二组:年龄
["测试开发", "产品经理"] # 第三组:职业
],
case_sensitive=False
)
3. 文本相似度断言
assertSimilarity()
断言响应文本与期望文本的相似度达到指定阈值。
参数:
response: 响应内容expected_text: 期望的文本min_similarity: 最小相似度阈值,范围 0.0-1.0,默认 0.6msg: 自定义错误信息
示例:
# 验证响应文本与期望文本相似度 >= 70%
self.assertSimilarity(
response,
"你叫小明,今年30岁,住在华东区,职业是测试开发",
min_similarity=0.7
)
实用技巧
组合使用断言
def test_some_scenario(self):
# 发送消息
response = self.send_and_log("我叫张三")
self.wait_for_sync()
# 验证响应
verify_resp = self.send_and_log("我是谁")
# 方式1:关键词断言
self.assertKeywordsInResponse(verify_resp, ["张三"])
# 方式2:任意关键词组断言(更灵活)
self.assertAnyKeywordInResponse(
verify_resp,
[["张三", "小张"]]
)
容错性设计
# 提供多种可能的表述方式
self.assertAnyKeywordInResponse(
response,
[
["30岁", "30", "三十岁", "三十"], # 年龄的多种表述
["测试开发", "测试工程师", "QA"] # 职业的多种表述
]
)
渐进式验证
# 先写入信息
self.send_and_log("我叫李四,今年35岁")
self.wait_for_sync()
# 逐项验证
name_resp = self.send_and_log("我叫什么?")
self.assertKeywordsInResponse(name_resp, ["李四"])
age_resp = self.send_and_log("我几岁?")
self.assertKeywordsInResponse(age_resp, ["35", "三十五"])
直接使用 AssertionHelper
也可以直接使用 AssertionHelper 类进行断言:
from utils.assertions import AssertionHelper
helper = AssertionHelper()
# 提取响应文本
text = helper.extract_response_text(response)
# 计算相似度
similarity = helper.calculate_similarity(text1, text2)
# 关键词检查(返回布尔值,不抛异常)
success = helper.assert_keywords_in_response(response, ["关键词"])
响应格式支持
extract_response_text() 方法支持多种响应格式:
- 纯字符串
{"output": "..."}{"message": "..."}{"content": "..."}{"text": "..."}- OpenAI 格式:
{"choices": [{"message": {"content": "..."}}]} - 其他格式会自动转为字符串
如果你的响应格式不被支持,可以扩展 extract_response_text() 方法。