如何利用 AI 自动编写单元测试（Unit Test）来捕捉隐藏的边缘情况 Bug？

利用 AI 自动编写单元测试（Unit Test）不仅是为了提升代码覆盖率，更重要的是借助 AI 强大的边界推演能力，替人类补齐逻辑盲区。

要让 AI 真正写出能捕捉隐藏 Bug 的"高含金量"测试，关键在于从"简单生成"转向"约束与对抗性引导"。以下是具体的落地策略和一套可直接复用的提示词工作流：

一、核心策略：如何引导 AI 挖出边缘 Bug

1. 采用"对抗性思维"（Red Teaming）

不要问 AI "帮我为这个函数写单元测试"，因为这样它只会生成 2-3 个顺畅的主流程用例（Happy Path）。你应当给它设定"破局者"角色：

"假设你是一个极其挑剔的 QA 工程师，你的唯一目标就是找茬，用各种离奇的输入把这个函数搞崩溃。请列出所有可能让它报错或逻辑失效的边缘情况。"

2. 显式约束常见的"隐形杀手"

AI 在没有提示的情况下容易忽略特定领域的边界条件。在 Prompt 中列出必查清单，强制 AI 针对性设计用例：

数值与边界 ：0、负数、极大值（MAX_INT）、浮点数精度损失（0.1 + 0.2）、空集合。
空值与类型 ：null、undefined、空字符串 ""、全空格字符串 " "、畸形输入。
并发与时序：异步超时、竞争条件（Race Condition）、重复调用（幂等性检查）。
资源与状态：网络中断、句柄泄漏、状态机非法转移。

3. 给 AI 提供"不变式约束"（Property-Based Testing）

对于复杂的业务算法，告诉 AI 代码的底层物理法则（Invariants），让它基于性质生成随机与极限用例：

示例："无论怎么折腾，数组排序后的长度必须和原数组一致"、"转账后 A+B 的总金额必须保持不变"。

二、实战工作流（Prompt 模板）

你可以使用以下两步发问法，这是目前捕捉隐藏 Bug 效果最好的方式：

第一步：让 AI 进行"边缘分析"与用例设计（不急着写代码）

Markdown

复制代码

【角色设定】你是一位资深 QA 专家和软件安全审计员。
【任务目标】分析以下代码，推演所有可能导致非预期行为、崩溃、数据损坏或性能骤降的边缘情况（Edge Cases）。

【待测试代码】
```[语言]
[粘贴你的函数/类]

【请输出】

代码中的隐式假设（例如：假设输入数组绝不为空）。

按危险程度（高/中/低）列出至少 8 个边界测试场景（包含正常用例、极端输入、异常处理）。

第二步：根据分析结果生成高质量测试代码

在 AI 输出场景清单后，进行二次引导：

markdown 复制代码

请基于上述分析的场景，使用 [测试框架，如 xUnit / Jest / pytest / Catch2] 为其编写完整的单元测试。

【要求】
1. 每个测试方法名必须清晰表达测试意图与预期（例如：`Test_CalculateDiscount_WhenAmountIsNegative_ShouldThrowException`）。
2. 使用 AAA 模式（Arrange, Act, Assert）。
3. 必须包含对异常/错误的显式断言（Assert），而不仅仅是检查成功路径。
4. 包含 Mock 必要的外部依赖。

三、结合现代 IDE/工具的高效技巧

如果你使用的是支持 Agent 或 AI 扩展的 IDE（如 Cursor、GitHub Copilot、VS Code）：

使用测试覆盖率驱动 ：先让 AI 生成基础测试，运行覆盖率工具（如 Cobertura、JaCoCo）。把未覆盖的行（Uncovered Lines）直接扔给 AI："这几行代码目前没有被覆盖，请专门针对这些分支编写测试用例。"
结合突变测试（Mutation Testing） ：如果想验证 AI 写的测试质量好不好，可以利用突变测试工具（如 Stryker、Pytest-mutagen）。它会自动修改你的源代码逻辑（比如把 > 改成 >=），如果 AI 写的测试依然能通过，说明测试用例太弱，需要让 AI 继续补强断言。