TRAE-AI编程
用 AI 生成测试用例时，最容易出的问题是它把 happy path 写得满满当当，却漏掉边界、异常和等价类。避免漏测边界的核心做法是：先给它明确的覆盖清单，再让它按边界值、异常输入、等价划分三类补齐，最后人工复核关键路径。本文基于 DeepSeek 与 OpenClaw 的实际用法，讲清怎么让 AI 出的用例真正覆盖该覆盖的地方。你会看到三类典型漏测长什么样、对应的 Prompt 怎么写、以及一张可复用的人工复核清单。看完你既能用 AI 把用例量提上去，也知道哪里必须自己把关，而不是盲目信任生成结果。今天这篇文章，编程狮就把这块讲透。
一、为什么 AI 生成的用例爱漏边界
AI 生成测试用例这件事，难点不在"写得快"，而在"写得全"。模型天然倾向于生成最顺手的常规输入样例，因为训练数据里正常用法远多于异常用法。理解了这点，才明白为什么要给覆盖清单、要按方法学补齐。先过一遍 软件测试教程 的用例设计章节，能更好理解下面的边界值法。
1.1 触发条件
只要你是让 AI 一次性产出一批测试用例，而不是针对单个函数逐步追问，就存在漏测边界的风险。尤其当被测逻辑里有数值范围、字符串长度、空值、并发这些分支时，AI 常常只覆盖中间值。
⚠️ 注意：不要让 AI 同时充当"出题人"和"判卷人"。它生成的用例如果自己再校验一遍，很容易互相迁就，漏掉的边界永远不会被发现。
1.2 常见误解
很多人以为"让 AI 生成测试用例就能提高覆盖率"。但覆盖率工具只统计被执行到的代码行，AI 写的用例若全是同类输入，分支覆盖依然很低。真正稳妥的做法是用方法学约束输出，而不是指望模型自觉。
二、方案一：用边界值清单约束输出（最推荐）
这是避免漏测边界的第一道做法，适合所有场景，代价只是多写一段 Prompt，并在测试配置里固定这三类约束。这是 Prompt 工程里最基础也最有效的一段约束。
- 先把被测函数的输入维度列出来，例如数值区间、字符串长度、是否可为空；
- 要求 AI 严格按"边界值、异常值、等价类"三类分别产出，每类至少三条；3. 让它标注每条用例覆盖的是哪一类，便于你核对有没有缺类。
请为下面的函数生成测试用例，必须包含三类：
1) 边界值：最小值、最小值-1、最大值、最大值+1；
2) 异常值：空、超长、类型错误；
3) 等价类：典型有效值、无效值代表。
每条标注所属类别。上面这段 Prompt 做的是把"写全"这件事变成显式约束。执行后你应该拿到一份按类分好的用例表，并运行这些用例检查是否真能跑通，而不是一大堆看起来很像的正常输入。预期每条用例都标明了覆盖类别，再用覆盖率工具验证三类是否齐全。边界值测试是最容易被 AI 跳过的部分，必须单独点名。
如果 AI 仍然只给正常用例，回到 Prompt 里补一句"先只输出异常类和边界类，不要输出正常类"，逼它换思路。
三、方案二：用等价划分加异常注入
光有边界还不够，你还得证明覆盖是系统的。这一道做法的关键是：先按等价类把输入空间切成几块，再对每块注入一个异常，让测试覆盖率在统计上更稳。相关能力可以参考 DeepSeek 中文教程 的提示词写法。
# 等价类示例：年龄输入，合理区间 0-120
cases = [
("边界", 0), ("边界", 120), ("异常", -1),
("异常", 121), ("等价有效", 30), ("异常", None),
]上面这段把输入空间显式分块，AI 生成测试用例时按块补齐，就不会只盯着中间值。如果某块没有对应用例，测试覆盖率立刻能看出来缺了哪类。
💡 小提示：要求 AI 在产出末尾给出"未覆盖的输入维度"列表。肯承认没覆盖哪里的模型，反而更可信。
四、方案三与横向对比
把三类补齐做法摆在一起看，选择很清楚：
| 做法 | 适用场景 | 优点 | 代价 |
|---|---|---|---|
| 边界值清单 | 数值/长度类输入 | 直接命中易漏点 | 要手动列维度 |
| 等价划分 | 复杂输入空间 | 覆盖系统 | 前期建模慢 |
| 人工复核 | 关键路径 | 兜底保质量 | 费人力 |
五、踩坑清单
把读者最容易卡住的三个点列出来：
- AI 只给正常用例：现象是覆盖率虚高但分支没覆盖。原因是 Prompt 没约束类别。解决办法是强制三类分别产出。
- 用例互相迁就：现象是 AI 自己生成的断言永远通过。解决办法是分开出题与执行，或人工写断言。
- 忽略并发与边界组合：现象是单测过了集成出错。解决办法是把"边界组合"单独列一类，参考 OpenClaw 中文教程 的上下文管理写法，避免上下文被截断导致漏测。
总结
AI 生成测试用例不可怕，可怕的是只信不核。给覆盖清单、按边界值异常等价类补齐、再人工复核关键路径，三件事叠起来，你就能把用例量提上去又不漏关键分支。要点带走：边界值清单是第一道墙；等价划分是第二道墙；人工复核是最后的兜底。让 AI 出的用例真正服务于回归测试，而不是只让覆盖率数字好看。下一步，去把你项目里覆盖率最低的那个模块，按今天的三类法让 AI 补一轮。
延伸学习
想把测试这块系统补齐，可以按这个顺序来：
- 先过一遍 TRAE AI 开发 Django 课程，把 AI 开发流程练熟；
- 用 Pytest 落地用例，参考 Pytest 测试用例执行 的实操；
- 画测试关系图时，Mermaid 流程图 能直接帮你出图。
常见问题
Q：AI 生成的用例能直接进 CI 吗？
A：可以，但断言最好由人写或由另一轮单独生成。让同一个 AI 既出题又写断言，容易出现互相迁就导致漏测。分开之后，CI 跑的是你认可的预期，才真正起到回归保护作用。
Q：小项目没人手做人工复核怎么办？
A：至少对核心函数和对外接口做人工复核。AI 生成测试用例的价值在量，而量里最容易丢的正是边界，这部分恰恰是线上事故的高发区，值得花十分钟自己看一眼。
Q：覆盖率上去了为什么还出 bug？
A：覆盖率只统计执行到的代码，不代表分支都被正确断言。如果 AI 写的用例都是同类输入，分支虽被执行却没有被校验，漏测依旧存在。按今天的三类法补齐，比单纯追覆盖率数字更有用。
