微信扫码
添加专属顾问
我要投稿
借助AI自动生成单元测试,代码采纳率提升至50%,揭秘高效测试实践的核心方法。 核心内容: 1. AI Prompt规则设计:标准化配置与场景全覆盖原则 2. 测试架构配置模板详解:Spring Boot环境与事务管理 3. 持续优化策略:如何通过prompt质量提升AI生成效果
零、一句话概括
借助 Aone Copilot Agent,通过精心设计的 prompt 指导 AI 进行测试用例的自动化生成和代码修改。从实践来看,AI 代码采纳率约 50%,要获得更好效果需要持续优化 prompt 质量。
一、项目背景与需求
1.1 业务背景
在服务包模型升级项目中,我们需要为新的 GoodsDomainRepository 编写完整的单元测试。该 Repository 负责商品领域对象的数据访问,包含复杂的业务逻辑和数据转换,传统手工编写测试用例效率低下且容易遗漏场景。
1.2 核心需求
建立一套基于AI辅助的测试用例自动生成机制,通过提供标准化的测试用例模板和规范,利用AI能力自动生成完整、规范的测试用例代码,提高开发效率和测试质量。
1.3 被测试接口示例
/*** 商品仓储接口** @author AI* @date 2025-01-12*/public interface GoodsDomainRepository {/*** 根据商品ID查询商品信息** @param goodsId 商品ID* @return 商品信息*/GoodsDomain findById(ServiceGoodsIdDomain goodsId);/*** 批量查询商品信息** @param goodsIds 商品ID列表* @return 商品信息列表*/List<GoodsDomain> findByIds(List<ServiceGoodsIdDomain> goodsIds);/*** 查询所有商品** @return 所有可用商品列表*/List<GoodsDomain> findAll();}
二、实践方案设计
2.1 AI Prompt 规则设计
标准化配置:统一的Spring Boot测试环境配置;
数据驱动验证:优先使用数据库比对而非硬编码验证;
场景全覆盖:正常、异常、边界、业务场景的完整覆盖;
规范化命名:标准化的测试方法命名规范;
可维护性:清晰的代码结构和充分的注释;
@SpringBootTest(classes = {TestApplicationConfig.class, TestMybatisConfig.class})@Import({GoodsDomainRepositoryImpl.class})@Transactional // 确保测试数据自动回滚@Sql(scripts = "classpath:sql/dml/repo/GoodsDomainRepositoryImplTest.sql")@RunWith(SpringRunner.class)publicclassGoodsDomainRepositoryImplTest { // 测试代码}数据库比对验证(核心策略):
// 使用参数查询方式获取期望数据ServiceGoodsInfoParam param = new ServiceGoodsInfoParam();param.createCriteria().andGoodsIdEqualTo(goodsId);List<ServiceGoodsInfoDO> dos = serviceGoodsInfoMapper.selectByParam(param);ServiceGoodsInfoDO expectedData = dos.get(0);// 与返回结果比对assertEquals("商品名称应该与数据库一致", expectedData.getGoodsName(), result.getGoodsName());
条件验证逻辑:
// 根据数据库配置进行动态验证ServiceGoodsSaleConfigDO config = serviceGoodsSaleConfigMapper.getByGoodsId(goodsId, "prod");if (config != null) {assertNotNull("当数据库中存在售卖配置时,售卖范围不应为空", result.getSaleScope());System.out.println("数据库中的售卖配置: " + config.getSaleChannelConfig());} else {System.out.println("数据库中没有找到goodsId=" + goodsId + "的售卖配置");}
2.2 测试用例设计规范
格式: test{方法名}_{测试场景}_{期望结果}
实际应用示例:
testFindById_WhenIdNotExists_ShouldReturnNull
testFindById_WhenGoodsIdExists83_ShouldReturnCorrectGoodsDomain
testFindByIds_WhenOneNotExistsOneExists83_ShouldReturnListWithOne
我们建立了详细的测试场景设计表格来指导AI生成:
针对不同商品ID的特定业务规则验证:
// 根据商品ID验证不同的业务规则if (goodsId.equals(83L)) {assertEquals("服务类型应该为自配送", ServiceType.SELF, result.getServiceType());assertTrue("应该支持品类抽佣", result.getIsSupportCategory());assertFalse("不应该强制手机注册", result.getIsForcePhone());assertFalse("不需要运力检查", result.getDeliveryOverCheck());} elseif (goodsId.equals(1300L)) {assertEquals("服务类型应该为超客", ServiceType.SUPER_CLIENT, result.getServiceType());assertFalse("不应该支持品类抽佣", result.getIsSupportCategory());assertTrue("应该强制手机注册", result.getIsForcePhone());assertTrue("需要运力检查", result.getDeliveryOverCheck());}
三、实践执行过程
3.1 AI协作流程
1.需求分析:明确测试目标和场景覆盖要求;
2.Prompt输入:提供标准化的测试规则和具体需求;
3.代码生成:AI根据规则自动生成测试代码;
4.结果验证:运行测试用例验证生成质量;
5.迭代优化:根据结果反馈优化Prompt规则;
3.2 实际生成效果
AI成功生成了完整的测试方法,包括:
完整的Given-When-Then结构;
数据库比对验证逻辑;
详细的业务规则断言;
清晰的错误消息和调试日志;
生成代码示例(部分):
publicvoidtestFindByIds_WhenOneNotExistsOneExists83_ShouldReturnListWithOne(){// GivenList<ServiceGoodsIdDomain> goodsIds = Arrays.asList(ServiceGoodsIdDomain.ofGoods("99999"), // 不存在的IDServiceGoodsIdDomain.ofGoods("83") // 存在的ID);Long existingGoodsId = 83L;// WhenList<GoodsDomain> result = goodsDomainRepository.findByIds(goodsIds);// ThenassertNotNull("查找结果不应为空", result);assertEquals("应该只返回一个商品", 1, result.size());// 验证返回的商品是goodsId=83的商品GoodsDomain goodsDomain = result.get(0);assertEquals("商品ID应该为83", existingGoodsId.toString(), goodsDomain.getGoodsId().getId());// 从数据库查询期望的数据进行比对ServiceGoodsInfoParam serviceGoodsInfoParam = new ServiceGoodsInfoParam();serviceGoodsInfoParam.createCriteria().andGoodsIdEqualTo(existingGoodsId);List<ServiceGoodsInfoDO> goodsInfoDOs = serviceGoodsInfoMapper.selectByParam(serviceGoodsInfoParam);ServiceGoodsInfoDO expectedGoodsInfo = goodsInfoDOs.get(0);assertNotNull("数据库中应该存在goodsId为83的商品信息", expectedGoodsInfo);// 验证基础信息与数据库一致assertEquals("商品名称应该与数据库一致", expectedGoodsInfo.getGoodsName(), goodsDomain.getGoodsName());assertEquals("服务类型应该为自配送", ServiceType.SELF, goodsDomain.getServiceType());// 验证业务规则assertFalse("应该为非增值商品", goodsDomain.getIsAddition());assertTrue("应该在饿百展示", goodsDomain.getIsShowEBai());// ... 更多业务规则验证}
3.3 测试执行结果
测试用例成功执行,所有断言通过,验证了AI生成代码的正确性和完整性。
四、Prompt规则生成方法
4.1 规则提取策略
每个项目的测试框架可能不同,我们采用"示例驱动"的方式生成Prompt规则:
1.手工编写标准示例:先手工编写一个高质量的测试类作为标准;
2.AI分析提取:让AI分析示例代码,提取通用规则和模式;
3.规则标准化:将提取的规则标准化为可复用的Prompt模板;
4.验证优化:通过实际应用验证规则效果,持续优化;
4.2 规则生成实践
通过向AI提供完整的测试类示例,AI能够自动提取出:
测试架构配置模式
命名规范
验证策略
断言模式
代码质量要求
生成prompt文件
你是一名专业的Java测试工程师,专精于Spring Boot项目的单元测试编写,特别擅长Repository层的测试用例设计和实现。根据用户提供的Repository接口或实现类,生成完整、规范的单元测试代码,确保测试覆盖率和代码质量。测试类需要包含以下注解配置:- @SpringBootTest(classes = {TestApplicationConfig.class, TestMybatisConfig.class})- @Import({被测试的实现类}.class) // 导入被测试的实现类- @Transactional // 确保测试数据回滚- @Sql(scripts = "classpath:sql/dml/repo/{测试类名}.sql") // 加载测试数据- @RunWith(SpringRunner.class)```java// 测试相关import org.junit.Test;import org.junit.runner.RunWith;import org.springframework.boot.test.context.SpringBootTest;import org.springframework.context.annotation.Import;import org.springframework.test.context.jdbc.Sql;import org.springframework.test.context.junit4.SpringRunner;import org.springframework.transaction.annotation.Transactional;// 断言相关importstatic org.junit.Assert.*;// 依赖注入import javax.annotation.Resource;// 集合工具类import org.apache.commons.collections4.CollectionUtils;// 业务相关类(根据实际项目调整包路径)import me.ele.newretail.contract.v6.repository.mapper.base.ServiceGoodsInfoMapper;import me.ele.newretail.contract.v6.repository.mapper.scope.ServiceGoodsSaleConfigMapper;import me.ele.newretail.contract.v6.repository.pojo.ServiceGoodsInfoDO;import me.ele.newretail.contract.v6.repository.pojo.ServiceGoodsInfoParam;import me.ele.newretail.contract.v6.repository.pojo.ServiceGoodsSaleConfigDO;import me.ele.newretail.contract.v61.config.TestApplicationConfig;import me.ele.newretail.contract.v61.config.TestMybatisConfig;import me.ele.newretail.contract.v61.domain.goods.entity.GoodsDomain;import me.ele.newretail.contract.v61.domain.goods.enums.ServiceType;import me.ele.newretail.contract.v61.domain.goods.repository.GoodsDomainRepository;import me.ele.newretail.contract.v61.domain.goods.valueobject.ServiceGoodsIdDomain;// Java基础类import java.util.List;``````java@Resourceprivate {被测试的Repository接口} {repository变量名}; // 被测试的Repository@Resourceprivate {相关Mapper}Mapper {mapper变量名}; // 用于数据验证的Mapper```**格式**: `test{方法名}_{测试场景}_{期望结果}`**示例**:- `testFindById_WhenIdNotExists_ShouldReturnNull`- `testFindById_WhenGoodsIdExists83_ShouldReturnCorrectGoodsDomain`- `testFindAll_ShouldReturnAllGoods````java// 使用参数查询方式{Entity}Param param = new {Entity}Param();param.createCriteria().and{字段名}EqualTo(value);List<{Entity}DO> dos = {mapper}.selectByParam(param);{Entity}DO expectedData = dos.get(0);// 与返回结果比对assertEquals("字段描述应该与数据库一致", expectedData.get{字段名}(), result.get{字段名}());``````java// 根据数据库配置进行条件验证{Config}DO config = {configMapper}.getBy{Key}(key, env);if (config != null) {assertNotNull("当数据库中存在配置时,相关字段不应为空", result.get{字段名}());// 进一步验证配置内容} else {System.out.println("数据库中没有找到{key}=" + key + "的配置");// 根据业务逻辑进行相应断言}``````java// 非空断言assertNotNull("当{条件}时,返回的{对象}不应为空", result);// 空值断言assertNull("当{条件}时,应该返回null", result);// 相等断言assertEquals("字段描述", expected, actual);``````java// 布尔值断言assertTrue("业务规则描述", result.getIs{字段名}());assertFalse("业务规则描述", result.getIs{字段名}());// 枚举断言assertEquals("枚举字段描述", ExpectedEnum.VALUE, result.getEnumField());``````javaassertNotNull("集合不应为空", result);assertFalse("应该返回数据列表", result.isEmpty());assertTrue("返回的数据数量应该符合预期", result.size() >= expectedCount);```- 存在数据的标准查询- 有效参数的CRUD操作- 正常业务流程验证- 不存在数据的查询- 无效参数处理- 边界值测试- 不同业务状态的验证- 复杂业务规则的测试- 多条件组合查询```java// 使用System.out.println输出调试信息System.out.println("数据库中的配置: " + config);System.out.println("解析后的结果: " + result);System.out.println("未找到{key}=" + key + "的配置");```- 脚本路径: `classpath:sql/dml/repo/{测试类名}.sql`- 数据覆盖: 各种业务场景和边界情况- 数据独立: 每个测试用例的数据相互独立- 使用H2内存数据库- 确保DDL脚本兼容性- 配置正确的数据库连接- 使用有意义的变量名- 添加必要的注释说明测试意图- 保持测试方法简洁,一个方法测试一个场景- 避免硬编码期望值,优先使用数据库比对- 使用`@Transactional`确保测试数据回滚- 所有断言都包含清晰的错误消息- 确保所有公共方法都有对应测试- 覆盖所有分支逻辑- 验证关键业务字段和业务规则1. **完整的测试类**: 包含所有必要的注解、导入和配置2. **全面的测试方法**: 覆盖所有场景的测试用例3. **规范的断言**: 使用数据库比对验证,包含清晰的错误消息4. **调试信息**: 必要的日志输出用于问题定位5. **测试数据脚本**: 提供对应的SQL测试数据脚本建议1. 严格遵循命名规范和代码格式2. 优先使用数据库比对而非硬编码验证3. 确保测试独立性,避免测试间相互依赖4. 添加充分的注释说明测试意图和业务逻辑5. 保持代码简洁,避免过度复杂的测试逻辑```java@Testpublicvoid test{方法名}_{测试场景}_{期望结果}() {// Given - 准备测试数据{参数类型} param = new {参数类型}({参数值});// When - 执行被测试方法{返回类型} result = {repository}.{方法名}(param);// Then - 验证结果assertNotNull("当{条件}时,返回结果不应为空", result);// 数据库比对验证{Entity}DO expectedData = {mapper}.getBy{Key}({key});assertEquals("字段描述", expectedData.get{字段名}(), result.get{字段名}());// 业务规则验证assertTrue("业务规则描述", result.getIs{字段名}());}```
五、核心价值与效果
5.1 效率提升
编写速度:从手工编写1个测试方法需要30分钟,缩短到AI生成5分钟;
场景覆盖:AI能够系统性地生成多种测试场景,避免人工遗漏;
代码质量:标准化的代码结构和规范,提升整体测试代码质量;
5.2 质量保证
数据驱动验证:避免硬编码期望值,提高测试的可靠性;
业务规则覆盖:全面验证复杂的业务逻辑和规则;
维护性提升:清晰的代码结构和充分的注释,便于后续维护;
5.3 团队赋能
知识沉淀:将测试编写经验固化为可复用的Prompt规则;
标准统一:确保团队测试代码的一致性和规范性;
技能传承:新团队成员可以快速掌握测试编写规范;
六、最佳实践总结
6.1 成功经验
1.数据驱动测试:优先使用数据库比对验证,避免硬编码;
2.分层验证策略:从数据库层到业务层的多层次验证;
3.全面场景覆盖:正常、异常、边界、业务场景的系统性覆盖;
4.自动化事务回滚:确保测试数据的独立性和一致性;
5.标准化命名规范:提升代码可读性和维护性;
6.2 踩过的坑
1.硬编码期望值:导致测试脆弱,数据变化时测试失败;
2.测试数据依赖:测试用例间相互依赖,造成不稳定;
3.忽视性能考虑:大量数据库查询导致CI执行时间过长;
4.断言信息不清晰:测试失败时难以快速定位问题;
5.业务规则遗漏:复杂业务逻辑验证不充分;
6.3 优化建议
1.持续优化Prompt:根据实际使用效果不断完善规则;
2.建立反馈机制:收集团队使用反馈,持续改进;
3.扩展应用场景:从Repository层扩展到Service层、Gateway层;
4.工具化支持:考虑开发专门的测试生成工具;
5.培训推广:在团队内推广AI辅助测试编写的最佳实践;
七、未来展望
7.1 技术演进方向
智能化程度提升:AI能够自动识别业务规则,生成更精准的测试用例;
多层次测试支持:从单元测试扩展到集成测试、端到端测试;
自动化测试数据生成:AI自动生成符合业务场景的测试数据;
测试用例维护:AI辅助测试用例的重构和维护;
7.2 团队能力建设
AI协作技能:培养团队成员与AI协作的能力;
Prompt工程:建立专业的Prompt设计和优化能力;
质量标准:建立AI生成代码的质量评估标准;
知识管理:建立测试知识库和最佳实践库;
八、结论
通过AI辅助的单元测试自动生成实践,我们成功实现了:
50%的代码采纳率:AI生成的测试代码质量达到生产标准;
显著的效率提升:测试编写效率提升5-6倍;
质量保证:标准化的测试结构和全面的场景覆盖;
团队赋能:可复用的方法论和工具;
这套实践不仅是质量保证手段,更是设计思维的体现。好的测试用例能驱动更优的代码设计,形成良性循环。通过AI的加持,我们能够更高效地构建高质量的测试体系,为软件质量提供坚实保障。
核心启示:AI不是替代人工,而是增强人的能力。通过精心设计的Prompt和持续的优化迭代,AI可以成为开发团队的得力助手,显著提升开发效率和代码质量。
53AI,企业落地大模型首选服务商
产品:场景落地咨询+大模型应用平台+行业解决方案
承诺:免费POC验证,效果达标后再合作。零风险落地应用大模型,已交付160+中大型企业
2025-11-10
开源安全审核模型终极PK:Qwen3Guard、OpenAI-SafeGuard、Llama4-Guard谁才是王者?
2025-11-10
成本降到 2% 的 Agent 方案:把工具调用搬进执行环境
2025-11-08
GitHub 53k Stars!百度开源的OCR神器,支持80+语言,准确率碾压商业方案!
2025-11-08
别只盯着 DeepSeek,重复输入提示词啦!Kimi 王炸发布 K2 推理模型,能力强大,还支持常用语
2025-11-07
短短几天斩获 17k Star,这个基于 AI 的舆情分析开源项目火了!
2025-11-07
Dify你不知道的秘密:解锁AI应用开发的四大核心技术
2025-11-07
最强开源0.9B级OCR模型!PaddleOCR-VL本地一键部署,私密性拉满【喂饭级教程】
2025-11-07
阿里开源SmartResume,简历解析无需手工
2025-08-20
2025-09-07
2025-08-20
2025-08-26
2025-08-22
2025-09-06
2025-10-20
2025-08-22
2025-09-08
2025-10-27
2025-11-10
2025-11-03
2025-10-29
2025-10-28
2025-10-13
2025-09-29
2025-09-17
2025-09-09