Auditor de Cobertura de Pruebas: Convierte Cualquier Función en una Suite pytest Completa Antes del Code Review
Por qué importa este prompt
Untested edge cases in payment-adjacent code — negative discounts, null inputs, rounding at boundary values — are a recurring source of production billing incidents precisely because they're the paths manual testing skips under deadline pressure. A discount function that silently allows a 150% discount, or rounds $19.995 down instead of up, doesn't fail loudly in a code review; it fails quietly in a refund queue three weeks later. Teams that ship this kind of function without edge-case tests routinely discover the bug only after a customer notices they were overcharged or undercharged, at which point it's a support ticket and a manual reconciliation instead of a five-minute fix caught in CI.
Para qué lo usamos
You're a backend developer at a mid-size e-commerce company. You just finished writing a discount-calculation function for the checkout flow, code review is in 20 minutes, and you haven't written a single test yet.
Prompt
Role: You are a senior QA engineer and test architect with expertise in [PROGRAMMING LANGUAGE] and [TESTING FRAMEWORK]. Context: I'm about to ship the following function/feature to production. Here is the code and its intended behavior: [PASTE CODE OR FUNCTION DESCRIPTION HERE]. This function will be called by [DESCRIBE CALLING CONTEXT, e.g., "a public API endpoint that receives untrusted user input" or "an internal batch job processing financial records"]. Task: Generate a comprehensive test suite for this function. Include: (1) happy-path unit tests covering the documented behavior, (2) edge cases (boundary values, empty/null inputs, extremely large inputs), (3) error scenarios and how the function should fail, (4) at least [NUMBER] integration test outlines describing how this function interacts with [DEPENDENT SYSTEM OR MODULE]. Constraints: Do not test implementation details that would break on refactor — test behavior, not internals. Flag any inputs where the expected behavior is ambiguous rather than guessing. Use [TESTING FRAMEWORK] syntax and conventions. Keep each test focused on one assertion or one logical scenario. Output Format: Organize as four sections with headers (Happy Path, Edge Cases, Error Scenarios, Integration Tests). For each test, give: a one-line description, the test code block, and a one-sentence note on what would break if this test failed. End with a short list of any ambiguous behaviors you flagged.
Resultado
Happy Path
Test: standard 20% discount applies correctly.def test_standard_discount():
assert apply_discount(100.0, 20.0) == 80.0
Breaks if: basic discount math regresses — the most visible failure a customer would notice immediately.
Edge Cases
Test: zero discount returns original price.def test_zero_discount():
assert apply_discount(50.0, 0.0) == 50.0
Breaks if: a no-op discount accidentally changes price via floating-point drift.
Test: 100% discount returns exactly zero.def test_full_discount():
assert apply_discount(75.0, 100.0) == 0.0
Breaks if: rounding leaves a residual charge like $0.01 on a 'free' item.
Test: price with sub-cent rounding boundary.def test_rounding_boundary():
assert apply_discount(19.99, 33.33) == 13.33
Breaks if: rounding mode rounds against the customer instead of to standard cents.
Error Scenarios
Test: negative discount percentage raises ValueError.def test_negative_discount_raises():
with pytest.raises(ValueError):
apply_discount(100.0, -10.0)
Breaks if: a negative discount silently increases the price instead of being rejected.
Test: discount over 100% raises ValueError.def test_over_100_percent_raises():
with pytest.raises(ValueError):
apply_discount(100.0, 150.0)
Breaks if: a checkout coupon bug applies a 150% discount and pays the customer to buy the item.
Integration Tests
1. Checkout API: verify the applied discount is persisted to the order record with the same rounding as the response body, so invoice totals match what the customer saw at checkout.
2. Coupon service: verify a discount capped by business rules (e.g. max $50 off) is enforced even when a stacked promo code would mathematically exceed it.
Ambiguous behaviors flagged: Should exactly 100.0% be allowed, or only up to 99.99%? Should the function round half-up or round-to-even (banker's rounding) at the cent boundary? Both need a product decision before the tests can be finalized.
Escribir pruebas bajo presión de plazos casi siempre significa escribir las pruebas más fáciles de imaginar, no las que realmente detectarían un error en producción. Una función recibe una prueba de camino feliz porque es el caso que el desarrollador acaba de codificar — los casos límite que detectarían un descuento negativo, una entrada nula o un error de redondeo en el límite de un centavo se omiten.
Por qué el prompt exige cuatro categorías, no solo "escribe pruebas"
Pedirle a una IA que "escriba pruebas para esta función" produce exactamente el mismo punto ciego que tiene un desarrollador apurado: cobertura mayormente de camino feliz con uno o dos casos límite simbólicos. Forzar la salida en cuatro categorías nombradas — camino feliz, casos límite, escenarios de error e integración — convierte cada categoría en un ítem de checklist.
Por qué cada prueba necesita una nota de "qué se rompe si falla"
Una lista de nombres de pruebas no ayuda a un revisor a decidir si la suite es realmente suficiente — solo prueba que existen pruebas. Exigir una nota de una frase sobre qué fallo real detectaría cada prueba convierte la salida en algo que un revisor puede evaluar para detectar brechas de cobertura.
Por qué se niega a adivinar comportamiento ambiguo
Los prompts de generación de pruebas que siempre producen una suite confiada y de aspecto completo son peligrosos precisamente porque parecen confiables. Forzar al modelo a señalar la ambigüedad en lugar de resolverla protege contra pruebas que silenciosamente fosilizan una suposición no revisada como la fuente de verdad del código.
Por qué pide esquemas de integración, no solo más pruebas unitarias
Las pruebas unitarias validan una función de forma aislada, pero la mayoría de los incidentes de producción ocurren en el punto de unión entre dos unidades que funcionan correctamente por separado. Pedir esquemas de pruebas de integración contra el contexto de llamada es lo que detecta la clase de error que pasa todas las pruebas unitarias y aun así corrompe un total visible para el cliente.