AI 辅助编写 pytest 单元测试：覆盖率提升实战

基于对项目结构的深入分析，我们设计了一套 AI 协作的测试开发流程。\n

图 2：AI 协作测试开发流程图

针对每个模块，我与 AI 协作设计了全面的测试场景矩阵，确保覆盖正常、边界、异常及性能场景：

核心模块测试用例生成实战

用户服务测试用例生成

首先，我向 AI 提供了用户服务的核心代码，让它理解业务逻辑和依赖关系。

# app/services/user_service.py
class UserService:
    def __init__(self, db_session):
        self.db = db_session

    def create_user(self, user_data):
        """创建新用户"""
        # 验证用户数据
        if not self._validate_user_data(user_data):
            raise ValueError("Invalid user data")

        # 检查用户是否已存在
        existing_user = self.db.query(User).filter_by(
            email=user_data['email']
        ).first()
        if existing_user:
            raise UserAlreadyExistsError("User already exists")

        # 密码加密
        hashed_password = self._hash_password(user_data['password'])

        # 创建用户对象
        user = User(
            email=user_data['email'],
            username=user_data['username'],
            password_hash=hashed_password,
            created_at=datetime.utcnow()
        )
        try:
            self.db.add(user)
            self.db.commit()
            return user
        except Exception as e:
            self.db.rollback()
            raise DatabaseError(f"Failed to create user: {str(e)}")

    def authenticate_user(self, email, password):
        """用户认证"""
        user = self.db.query(User).filter_by(email=email).first()
        if not user:
            raise UserNotFoundError("User not found")
        if not self._verify_password(password, user.password_hash):
            raise InvalidCredentialsError("Invalid credentials")

        # 更新最后登录时间
        user.last_login = datetime.utcnow()
        self.db.commit()
        return user

AI 生成的测试用例覆盖了多个维度，这里展示用户服务测试的核心部分。注意我们在 Fixture 中模拟了数据库会话，这样测试就不依赖真实数据库环境。

# tests/unit/test_user_service.py
import pytest
from unittest.mock import Mock, patch
from datetime import datetime
from app.services.user_service import UserService
from app.models.user import User
from app.exceptions import (
    UserAlreadyExistsError,
    UserNotFoundError,
    InvalidCredentialsError,
    DatabaseError
)

class TestUserService:
    @pytest.fixture
    def mock_db_session(self):
        """模拟数据库会话"""
        return Mock()

    @pytest.fixture
    def user_service(self, mock_db_session):
        """用户服务实例"""
        return UserService(mock_db_session)

    @pytest.fixture
    def valid_user_data(self):
        """有效用户数据"""
        return {
            'email': '[email protected]',
            'username': 'testuser',
            'password': 'SecurePass123!'
        }

    # 正常场景测试
    def test_create_user_success(self, user_service, valid_user_data, mock_db_session):
        """测试成功创建用户"""
        mock_db_session.query.return_value.filter_by.return_value.first.return_value = None
        with patch.object(user_service, '_hash_password', return_value='hashed_pw'):
            result = user_service.create_user(valid_user_data)
            assert result is not None
            assert result.email == valid_user_data['email']

    # 异常场景测试
    def test_create_user_duplicate_email(self, user_service, valid_user_data, mock_db_session):
        """测试重复邮箱抛出异常"""
        mock_existing_user = Mock()
        mock_db_session.query.return_value.filter_by.return_value.first.return_value = mock_existing_user
        
        with pytest.raises(UserAlreadyExistsError):
            user_service.create_user(valid_user_data)

    def test_authenticate_user_invalid_credentials(self, user_service, mock_db_session):
        """测试无效凭证抛出异常"""
        mock_user = Mock()
        mock_user.password_hash = 'wrong_hash'
        mock_db_session.query.return_value.filter_by.return_value.first.return_value = mock_user
        
        with patch.object(user_service, '_verify_password', return_value=False):
            with pytest.raises(InvalidCredentialsError):
                user_service.authenticate_user('[email protected]', 'wrong_pass')

这段代码展示了如何利用 unittest.mock 配合 pytest 的 fixture 机制。在实际运行中，我们会遇到数据库连接超时或事务回滚的情况，所以记得在测试中加入相应的异常捕获逻辑。

测试结果分析与优化

经过几轮迭代，测试覆盖率显著提升。以下是最终成果的关键指标：

• 覆盖率提升：从 41% 提升至 85%
• 新增用例：312 个
• Bug 修复：23 个潜在问题被提前发现
• 效率提升：整体测试编写效率提升约 3 倍

除了覆盖率数字，我们还发现了一些之前忽略的逻辑漏洞，比如某些边界条件下的数据类型转换问题。这些都是在 AI 辅助下快速定位并修复的。

经验总结与最佳实践

在这次实践中，有几个关键点值得分享：

1. Prompt 工程很重要：给 AI 的代码上下文越完整，生成的测试质量越高。不要只丢片段，最好提供类定义和依赖说明。
2. 人工审查不可少：AI 生成的代码虽然快，但必须经过人工 Review，特别是涉及安全敏感操作（如密码校验）的部分。
3. 持续集成：将生成的测试纳入 CI 流水线，确保每次提交都有自动化验证。

未来，随着大模型能力的增强，我们可以进一步探索自动生成性能测试脚本和端到端测试流程，让 AI 成为测试团队的得力助手。