Selaa lähdekoodia

docs: add end-to-end testing guide for RPM and benchmarks

main
orangels 1 viikko sitten
vanhempi
commit
e269f8f99d
1 muutettua tiedostoa jossa 208 lisäystä ja 0 poistoa
  1. +208
    -0
      docs/testing-guide.md

+ 208
- 0
docs/testing-guide.md Näytä tiedosto

@@ -0,0 +1,208 @@
# 端到端测试指南

## 前置条件

```bash
# 设置环境变量
export ANTHROPIC_RELAY_TOKEN="your-token-here"
export OPENAI_RELAY_TOKEN="your-token-here"

# 构建
cargo build --release
```

确认 `config.yaml` 中 provider 配置正确(base_url、protocol、default_model)。

---

## 阶段 1:RPM 限流测试(Anthropic 协议)

目标:验证中转站实际 RPM 限制,推断限流器类型。

### 1.1 连通性验证

```bash
cargo run -- check --provider anthropic --prompt "Reply with pong."

# 流式模式(应输出 first_token_ms)
cargo run -- check --provider anthropic --stream --prompt "Reply with pong."
```

验证要点:
- 非流式:返回文本 + elapsed_ms
- 流式:额外输出 first_token_ms,且 first_token_ms < elapsed_ms

### 1.2 Sustained 模式 — 持续发送

以目标 RPM 匀速发送,观察成功率。

```bash
# 基线:100 RPM,预期全部成功
cargo run -- rpm --provider anthropic --mode sustained --rpm 100 --duration 60s --prompt "Hi"

# 目标:200 RPM,观察是否有 429
cargo run -- rpm --provider anthropic --mode sustained --rpm 200 --duration 60s --prompt "Hi"

# 超限:250 RPM,预期出现限流
cargo run -- rpm --provider anthropic --mode sustained --rpm 250 --duration 30s --prompt "Hi"
```

### 1.3 Burst 模式 — 瞬时并发

一次性发出所有请求,测试瞬时容量。

```bash
# 测试 burst 容量
cargo run -- rpm --provider anthropic --mode burst --burst 50 --prompt "Hi"
cargo run -- rpm --provider anthropic --mode burst --burst 100 --prompt "Hi"
cargo run -- rpm --provider anthropic --mode burst --burst 200 --prompt "Hi"
```

### 1.4 Token Bucket 模式 — 令牌桶

先 burst 耗尽桶容量,再观察补充速率。

```bash
cargo run -- rpm --provider anthropic --mode token-bucket --rpm 200 --burst 50 --prompt "Hi"
```

关注:burst 阶段成功数 ≈ burst 值,refill 阶段恢复速率 ≈ rpm/60 req/s。

### 1.5 Sliding Window 模式 — 滑动窗口

测试请求在滑动时间窗口内的恢复行为。

```bash
cargo run -- rpm --provider anthropic --mode sliding-window --burst 200 --prompt "Hi"
cargo run -- rpm --provider anthropic --mode sliding-window --burst 200 --probe-seconds 120 --prompt "Hi"
```

关注:60s 后成功率是否明显回升(滑动窗口特征)。

### 1.6 Window Boundary 模式 — 固定窗口边界

在分钟边界前后发送请求,测试窗口重置行为。

```bash
cargo run -- rpm --provider anthropic --mode window-boundary --burst 100 --prompt "Hi"
```

关注:边界后成功率是否突然恢复(固定窗口特征)。

### 1.7 Diagnose 模式 — 综合诊断

组合多种探针,自动推断限流器类型。

```bash
cargo run -- rpm --provider anthropic --mode diagnose --rpm 200 --burst 50 --prompt "Hi"
```

输出中 `likely_limiter` 字段为推断结果:
- `TokenBucket` — 令牌桶(refill 探针稳定恢复)
- `FixedWindow` — 固定窗口(边界后突然恢复)
- `SlidingWindow` — 滑动窗口(60s 后逐步恢复)
- `Unknown` — 信号不足,无法判断

### 1.8 关注指标

| 指标 | 含义 |
|------|------|
| success / failure | 成功/失败请求数 |
| 429 错误计数 | 被限流的请求数 |
| latency_ms p50/p95/p99 | 请求总延迟百分位 |
| ttft_ms p50/p95/p99 | 首 token 延迟百分位(仅流式) |
| likely_limiter | 推断的限流器类型(仅 diagnose) |

### 1.9 建议测试策略

1. 先用低 RPM(100)确认全部成功,建立基线
2. 逐步提高 RPM(150 → 200 → 250),找到限流阈值
3. 用 diagnose 模式推断限流器类型
4. 根据推断结果,用对应的专项模式深入验证

---

## 阶段 2:数据集精度验证

目标:验证各模型在标准数据集上的准确率。

### 2.1 拉取数据集

```bash
cargo run -- dataset fetch
```

数据存储在 `data/benchmarks/` 目录。

### 2.2 AIME 2026(数学竞赛题)

```bash
# 快速验证(10 题)
cargo run -- bench aime2026 --provider anthropic --limit 10

# 完整测试
cargo run -- bench aime2026 --provider anthropic

# 指定更强模型
cargo run -- bench aime2026 --provider anthropic --model anthropic/claude-sonnet-4-20250514
```

### 2.3 GPQA Diamond(研究生级别多选题)

```bash
# 快速验证(10 题)
cargo run -- bench gpqa-diamond --provider anthropic --limit 10

# 完整测试
cargo run -- bench gpqa-diamond --provider anthropic

# 指定模型
cargo run -- bench gpqa-diamond --provider anthropic --model anthropic/claude-sonnet-4-20250514
```

### 2.4 精度参考基线

| 数据集 | claude-haiku-4.5 | claude-sonnet-4 | gpt-4o-mini |
|--------|-----------------|-----------------|-------------|
| AIME 2026 | ~15-25% | ~40-60% | ~20-30% |
| GPQA Diamond | ~30-40% | ~50-65% | ~35-45% |

注:实际精度受 prompt 模板、temperature 等因素影响,以上为近似参考值。

### 2.5 报告输出

报告自动写入 `reports/` 目录,JSON 格式,包含:
- 总体准确率(accuracy)
- 每道题的对错明细(wrong_cases)
- 延迟百分位(latency_ms、ttft_ms)
- 错误统计(errors)

---

## 流式模式补充说明

所有命令均支持 `--stream` 参数:

```bash
# RPM 测试 + 流式
cargo run -- rpm --provider anthropic --mode sustained --rpm 200 --duration 60s --stream --prompt "Hi"

# Benchmark + 流式
cargo run -- bench aime2026 --provider anthropic --stream
```

流式模式下报告额外包含 TTFT(Time To First Token)百分位数据。

如果 provider config 中已设置 `stream: true`,则默认使用流式,无需额外传参。CLI `--stream` 参数优先级高于 config。

---

## 故障排查

| 现象 | 可能原因 |
|------|----------|
| 连接超时 | base_url 不可达,检查网络/DNS |
| 401 Unauthorized | api_token 环境变量未设置或已过期 |
| 全部 429 | RPM 设置过高,降低后重试 |
| accuracy 为 0 | 模型输出格式不匹配 judge 规则,检查 wrong_cases |
| ttft_ms 全部 None | 未启用流式模式 |

Ladataan…
Peruuta
Tallenna