Umfassende Testfälle für jede Funktion generieren – mit diesem KI-Prompt
Why this prompt matters
Functions that handle money, authentication, or user permissions fail in production in exactly the ways a rushed happy-path test misses: a null price, an unknown user tier, a floating-point rounding edge case on a $0.01 item. A typical code review surfaces 3-5 test cases; this prompt generates 15-25 in 30 seconds, including the boundary conditions responsible for most 2am incidents.
What we use it for
You are reviewing a pull request that modifies billing calculation logic 20 minutes before standup. You need to confirm the tests cover all the critical cases — null inputs, boundary values, invalid user tiers — but writing them from scratch would take 45 minutes you do not have.
Prompt
Act as a senior QA engineer and software testing expert with 10+ years of experience in unit testing, integration testing, and test-driven development across multiple programming languages. I need comprehensive test coverage for the following function or feature: [PASTE YOUR FUNCTION DESCRIPTION OR CODE HERE] Language and framework: [e.g., Python with pytest, JavaScript with Jest, Java with JUnit 5, Go with the testing package, TypeScript with Vitest] Additional context (optional): - External dependencies: [e.g., PostgreSQL database, Stripe API, Redis cache] - Related functions: [describe any functions this calls or that call it] - Business rules: [any domain-specific constraints, e.g., "price can never be negative", "user tier must be one of: free, pro, enterprise"] Generate a complete test suite covering: 1. Happy path — all expected inputs producing correct outputs, including the most common real-world inputs 2. Edge cases — boundary values, empty strings, zero, negative numbers, null/undefined/None, maximum/minimum values, single-element lists, very long strings 3. Error scenarios — invalid types, out-of-range values, missing required parameters, exception-triggering inputs 4. Integration considerations — how this function interacts with any listed external dependencies; flag what would need mocking Constraints: - Use descriptive test names following this pattern: test_[scenario]_[expected_result] (or the equivalent convention for [LANGUAGE]) - Keep each test focused on ONE behavior — no multi-assertion mega-tests - Flag any test that requires mocking or a test fixture with a [REQUIRES MOCK] tag - Do not generate tests for implementation details — test behavior, not internals Output Format: Organize the output into four sections: ### Happy Path Tests ### Edge Case Tests ### Error Scenario Tests ### Integration Tests For each test, provide: - Test name - Input values - Expected output or behavior - One-sentence rationale (why this case matters) End with a Coverage Summary listing: total test count, which scenarios are covered, and any gaps that require additional context or manual testing.
Result
Happy Path Tests
test_calculate_discount_pro_user_returns_20_percent
Input: price=100.00, user_tier="pro", coupon_code=None
Expected: 80.00
Why: Validates the standard pro-tier discount (20%) on a round number.
test_calculate_discount_enterprise_user_with_coupon_stacks_discounts
Input: price=200.00, user_tier="enterprise", coupon_code="SAVE10"
Expected: 144.00 (40% enterprise + 10% coupon applied sequentially)
Why: Confirms discount stacking for enterprise users with valid coupons.
test_calculate_discount_free_user_no_discount
Input: price=49.99, user_tier="free", coupon_code=None
Expected: 49.99
Why: Free-tier users receive no discount; price must pass through unchanged.
Edge Case Tests
test_calculate_discount_zero_price_returns_zero
Input: price=0.00, user_tier="pro", coupon_code=None
Expected: 0.00
Why: Discounting a free item must never produce a negative price.
test_calculate_discount_very_small_price_rounds_correctly
Input: price=0.01, user_tier="enterprise", coupon_code=None
Expected: 0.01 (rounds up, never $0.00)
Why: Floating-point math on tiny prices often produces $0.006.
test_calculate_discount_price_at_max_float_boundary
Input: price=999999.99, user_tier="enterprise", coupon_code="SAVE10"
Expected: 539999.99 (within float tolerance plus or minus 0.01)
Why: Large prices expose floating-point precision errors at billing scale.
test_calculate_discount_expired_coupon_silently_ignored
Input: price=100.00, user_tier="pro", coupon_code="EXPIRED2023"
Expected: 80.00 (only tier discount; expired coupon ignored gracefully)
Why: Expired coupons must fail gracefully without surfacing exceptions to users.
Error Scenario Tests
test_calculate_discount_negative_price_raises_value_error
Input: price=-50.00, user_tier="pro", coupon_code=None
Expected: raises ValueError("Price cannot be negative")
Why: Negative prices signal upstream data corruption and must be caught at the boundary.
test_calculate_discount_unknown_tier_raises_value_error
Input: price=100.00, user_tier="vip", coupon_code=None
Expected: raises ValueError("Unknown user tier: vip")
Why: Unknown tiers should fail loudly, not silently default to free and deny earned discounts.
test_calculate_discount_none_price_raises_type_error
Input: price=None, user_tier="pro", coupon_code=None
Expected: raises TypeError
Why: None prices originate from missing database fields and cause arithmetic errors downstream.
Integration Tests
test_calculate_discount_coupon_lookup_calls_db_once [REQUIRES MOCK: CouponRepository]
Input: price=100.00, user_tier="pro", coupon_code="SAVE10"
Expected: CouponRepository.find called exactly once with "SAVE10"; result=81.00
Why: Ensures no redundant database calls when validating a single coupon.
test_calculate_discount_audit_log_created_on_success [REQUIRES MOCK: AuditLogger]
Input: price=100.00, user_tier="enterprise", coupon_code=None
Expected: AuditLogger.log called once with {original: 100.00, final: 60.00, tier: "enterprise"}
Why: Discount events must be auditable for finance reconciliation.
Coverage Summary
Total tests: 12 | Happy path: 3 | Edge cases: 4 | Error scenarios: 3 | Integration: 2
Gaps requiring additional context: concurrent coupon redemption (race condition, needs load-test harness); locale-specific rounding (JPY has no cents); single-use coupon redemption limits (needs business rule clarification).
Das Schreiben umfassender Testfälle gehört zu den zeitaufwändigsten Aufgaben in der Softwareentwicklung – und zu den ersten, die unter Zeitdruck gekürzt werden. Die meisten Entwickler decken nur den Happy Path und ein paar Edge Cases ab, während eine lange Liste von Fehlerzuständen und Grenzwerten ungetestet bleibt. Dieser Prompt löst das Problem, indem er aus einer bloßen Funktionsbeschreibung eine vollständige, strukturierte Testsammlung generiert.
Was dieser Prompt generiert
Übergeben Sie ihm eine Funktionsbeschreibung, Ihre Sprache und Ihr Framework sowie relevante Kontextinformationen zu Abhängigkeiten oder Geschäftsregeln. Er liefert vier organisierte Testkategorien: Happy-Path-Tests mit den häufigsten realen Eingaben, Edge-Case-Tests für Grenzwerte und Null-/Leereingaben, Fehlerszenarien-Tests für ungültige Typen und auslösende Eingaben sowie Integrationstests, die genau kennzeichnen, was gemockt werden müsste.
Jeder Test enthält einen beschreibenden Namen gemäß den Konventionen Ihrer Sprache, Eingabewerte, erwartetes Verhalten und eine einzeilige Begründung. Eine Coverage Summary am Ende listet Lücken auf, die zusätzlichen Kontext erfordern – das ist der schwierigste Teil der Qualitätssicherung, den man richtig hinbekommen muss.
Warum der Prompt so strukturiert ist
Der Role-Abschnitt definiert die KI als QA-Experten und nicht als generischen Assistenten. Dadurch verschiebt sich der Output hin zu professionellen Testkonventionen – Single-Responsibility-Tests, verhaltensorientierte Assertions und beschreibende Benennung – statt zu Spielzeugbeispielen.
Die [bracketed]-Kontextfelder sind der wichtigste Teil. Sprache und Framework bestimmen Namenskonventionen und Assertion-Syntax. Externe Abhängigkeiten legen fest, was gemockt werden muss. Geschäftsregeln entscheiden, welche Fehlerfälle kritisch und welche kosmetisch sind. Wenn diese Felder ausgelassen werden, entstehen generische Tests, die nicht zu Ihrer tatsächlichen Codebasis passen.
Das [REQUIRES MOCK]-Tag verhindert den häufigsten Fehlermodus bei KI-generierten Tests: das stille Auslassen von Integrationstests, weil sie schwieriger zu schreiben sind. Das Tag macht sie explizit sichtbar, sodass Sie genau wissen, was in der Testausführung fehlt.
Die Coverage Summary ist das, was diesen Prompt von einer einfachen Anfrage unterscheidet. Sie listet Lücken auf – gleichzeitigen Zugriff, lokalspezifisches Runden, Einmal-Coupon-Prüfung – genau die Fälle, die Entwickler vergessen zu fragen, bis sie in der Produktion scheitern.
Kompatible Modelle
Dieser Prompt funktioniert am besten mit Claude Sonnet 4.6, der das strukturierte Ausgabeformat zuverlässig verarbeitet und präzise Coverage Summaries generiert. GPT-4o und Gemini 1.5 Pro liefern ebenfalls hochwertige Ergebnisse. Gemini 2.5 Flash reicht für einfache, einzelne Funktionstests aus. Vermeiden Sie kleinere oder distillierte Modelle bei Funktionen mit mehreren externen Abhängigkeiten – sie neigen dazu, Integrations-Edge-Cases zu übersehen.
Wann Sie diesen Prompt verwenden sollten
Greifen Sie darauf zurück, wenn Sie einen Pull Request reviewen und eine schnelle, aber gründliche Testlückenanalyse benötigen, wenn Sie TDD für eine neue Funktion starten und ein vollständiges Grundgerüst vor der Implementierung wünschen, oder wenn Sie Legacy-Code mit minimaler Testabdeckung auditieren. Der Prompt fängt 80 % der Fälle ein, die ein gehetzter Entwickler übersehen würde – in einem Bruchteil der Zeit.