Der Testfallgenerator, der die Bugs findet, die deine Happy-Path-Tests übersehen.
Why this prompt matters
Untested edge cases in pricing logic are exactly the kind of bug that reaches production silently and gets discovered when a customer gets charged $0 or a discount stacks incorrectly. A 2024 industry survey found that logic errors in boundary conditions account for a disproportionate share of production incidents precisely because they pass casual manual testing but fail on the exact inputs automated tests are designed to catch.
What we use it for
You just wrote a pricing function for checkout and need a real test suite before it ships, but you have 15 minutes before a deploy window and writing every edge case by hand from scratch would take an hour.
Prompt
Act as a senior QA engineer and test architect with deep experience in [LANGUAGE/FRAMEWORK, e.g. "Python with pytest" or "TypeScript with Jest"]. CONTEXT: Function or feature to test: [PASTE YOUR FUNCTION, CLASS, OR FEATURE DESCRIPTION HERE] What it's supposed to do: [ONE-SENTENCE DESCRIPTION OF THE INTENDED BEHAVIOR] Inputs it receives: [LIST THE PARAMETERS/INPUTS AND THEIR EXPECTED TYPES OR RANGES] Known constraints or business rules: [ANY VALIDATION RULES, RATE LIMITS, OR EDGE CONDITIONS YOU ALREADY KNOW ABOUT] TASK: Generate a comprehensive test suite for this function/feature. Cover four distinct categories of tests: 1. Happy path — normal, expected inputs that should succeed 2. Edge cases — boundary values, empty inputs, maximum/minimum values, unusual-but-valid inputs 3. Error scenarios — invalid inputs, malformed data, and how the function should fail (specific exception types, error codes, or return values) 4. Integration considerations — if this function interacts with external systems (database, API, file system), list what should be mocked and why CONSTRAINTS: - Use the testing framework and idioms specified in the context — do not default to a generic framework - Every test must have a descriptive name that states what it verifies, not just "test1", "test2" - For each test, include a one-line comment explaining WHY that case matters, not just what it checks - Do not generate redundant tests that check the same logical branch twice under different names - Flag any case where you're uncertain about the correct expected behavior rather than guessing silently — mark it with a `# VERIFY:` comment OUTPUT FORMAT: 1. **Test Suite** — complete, runnable test code in the specified framework 2. **Coverage Summary** — a short table listing each test, its category (happy path/edge/error/integration), and what specific risk it catches 3. **Gaps I Couldn't Cover** — a list of scenarios that need clarification from the developer before a test can be written (ambiguous requirements, undocumented behavior, etc.)
Result
Input context: Python function `apply_discount(price: float, discount_pct: float, min_price: float = 0.01) -> float` that applies a percentage discount to a price, but never lets the result drop below `min_price`. Framework: pytest.
1. Test Suite (excerpt):
def test_applies_standard_discount_correctly():
# Verifies the core discount math works for a typical case
assert apply_discount(100.0, 20.0) == 80.0
def test_zero_discount_returns_original_price():
# Edge case: 0% discount should be a no-op, not an error
assert apply_discount(50.0, 0.0) == 50.0
def test_full_discount_respects_minimum_price_floor():
# Edge case: 100% discount would give $0, but min_price floor must apply
assert apply_discount(50.0, 100.0, min_price=1.0) == 1.0
def test_negative_discount_raises_value_error():
# Error case: a negative discount is a business-logic violation, not a valid input
with pytest.raises(ValueError):
apply_discount(50.0, -10.0)
def test_discount_over_100_percent_raises_value_error():
# Error case: discounts above 100% are nonsensical and should be rejected explicitly
with pytest.raises(ValueError):
apply_discount(50.0, 150.0)
def test_negative_price_raises_value_error():
# Error case: negative prices should never reach this function, but defend anyway
with pytest.raises(ValueError):
apply_discount(-10.0, 20.0)
def test_very_small_price_with_discount_stays_above_minimum():
# Edge case: floating point rounding near the min_price boundary
result = apply_discount(0.02, 50.0, min_price=0.01)
assert result >= 0.01
2. Coverage Summary:
| Test | Category | Risk It Catches |
|---|---|---|
| test_applies_standard_discount_correctly | Happy path | Core math is wrong |
| test_zero_discount_returns_original_price | Edge case | Off-by-one logic breaks the no-discount case |
| test_full_discount_respects_minimum_price_floor | Edge case | Price floor silently ignored, allowing $0 sales |
| test_negative_discount_raises_value_error | Error | Invalid input silently accepted, inflating price instead of erroring |
| test_discount_over_100_percent_raises_value_error | Error | Negative resulting price before floor is applied |
| test_negative_price_raises_value_error | Error | Garbage input from an upstream bug propagates silently |
| test_very_small_price_with_discount_stays_above_minimum | Edge case | Floating point rounding pushes result just under the floor |
3. Gaps I Couldn't Cover:
- # VERIFY: Should `discount_pct=100` exactly (not over) be allowed, or does it also need special handling? The spec doesn't say if 100% is a valid edge or an error.
- No information given on whether `price` and `discount_pct` should accept `None` — worth clarifying if this function is called from user input directly.
- Currency rounding behavior (2 decimal places vs raw float) isn't specified — this affects several boundary test assertions and should be confirmed before merging.
Die meisten Entwickler schreiben Tests für die Fälle, die sie bereits bedacht haben – das bedeutet, die Tests bestätigen meist nur das, was der Entwickler ohnehin glaubte, anstatt aufzudecken, was ihm entgangen ist. Die Kluft zwischen „mein Code besteht meine Tests“ und „mein Code ist tatsächlich korrekt“ liegt fast ausschließlich in den Fällen, an die niemand dachte, sie aufzuschreiben. Dieser Prompt wurde speziell entwickelt, um genau in dieser Kluft zu jagen.
Warum vier Kategorien statt nur „schreib Tests“
Ein bloßer „schreib Unit-Tests für diese Funktion“-Prompt liefert zuverlässig Happy-Path-Tests und vielleicht einen offensichtlichen Fehlerfall – weil das der Weg des geringsten Widerstands für jeden Autor ist, Mensch oder Modell. Das Erzwingen von vier expliziten Kategorien – Happy Path, Edge Cases, Fehlerszenarien, Integrationsaspekte – verändert das Suchmuster. Edge Cases zwingen das Modell, über Grenzen nachzudenken: Null, Negativ, Maximum, Leer, Null. Fehlerszenarien zwingen es, darüber nachzudenken, was laut scheitern sollte, anstatt still zu scheitern – und genau dort verstecken sich die kostspieligsten Bugs. Integrationsaspekte fangen jene Klasse von Bugs ein, die nur auftauchen, wenn sich das gemockte Dependency einer Funktion anders verhält als in der Produktion.
Warum der Prompt auf jedem Test einen „Warum“-Kommentar verlangt
Eine Test-Suite mit fünfzig Tests und keiner Erklärung, gegen was jeder einzelne schützt, ist fast so schwer zu warten wie gar keine Tests – sechs Monate später weiß niemand, ob ein Test kritisch ist oder bloß ein Relikt. Die Anforderung einer einzeiligen Begründung für jeden Test verwandelt die Suite in eine Dokumentation der tatsächlichen Fehlermodi der Funktion – das zahlt sich jedes Mal aus, wenn später jemand diesen Code anfasst und wissen muss, was er kaputt machen könnte.
Warum „Gaps I Couldn’t Cover“ der wertvollste Abschnitt ist
Die meisten Test-Generierungs-Prompts hören beim Testcode auf. Dieser hier tut es bewusst nicht – denn ein KI-Modell, das Tests für eine Funktion generiert, die es nicht vollständig versteht, errät manchmal das beabsichtigte Verhalten, anstatt die Mehrdeutigkeit zu markieren. Und eine falsche Annahme, die in einem bestehenden Test steckt, ist schlimmer als gar kein Test – weil sie falsches Vertrauen erzeugt. Die explizite Anweisung, Unsicherheit mit einem `# VERIFY:`-Kommentar zu kennzeichnen, plus ein eigener Ausgabeabschnitt mit ungelösten Fragen, verwandelt stilles Raten in eine explizite Liste, die ein Entwickler in zwei Minuten vor dem Merge klären kann.
Wie man es anpasst
Der Prompt ist von Haus aus Framework-agnostisch – tausche das Sprach/Framework-Feld aus, und das Modell verwendet pytest, Jest, JUnit, RSpec oder was auch immer du angibst – vorausgesetzt, du nennst es explizit und lässt es nicht implizit. Für Legacy-Code ohne bestehende Tests füge die Funktion zusammen mit allen Aufrufstellen ein, die du finden kannst – denn diese offenbaren oft Einschränkungen, die die Funktionssignatur allein nicht zeigt.