با این پرامپت هوش مصنوعی، تستهای جامع برای هر تابع تولید کنید
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).
نوشتن تستهای جامع یکی از وقتگیرترین بخشهای توسعه نرمافزار است — و معمولاً اولین چیزی که زیر فشار ددلاین قربانی میشود. بیشتر برنامهنویسان فقط happy path و چند edge case را پوشش میدهند و بقیه خطاها و مقادیر مرزی را بیتست رها میکنند. این پرامپت با گرفتن تنها یک توضیح ساده از تابع، یک سوییت تست کامل و سازمانیافته تولید میکند.
این پرامپت چه چیزی تولید میکند
کافی است توضیحات تابع، زبان و فریمورک و هر زمینه مرتبط با وابستگیها یا قوانین کسبوکار را بدهید. خروجی شامل چهار دسته تست سازمانیافته است: happy path tests با ورودیهای رایج دنیای واقعی، edge case tests برای مقادیر مرزی و ورودیهای null/خالی، error scenario tests برای نوعهای نامعتبر و ورودیهای خطازا، و integration tests که دقیقاً مشخص میکنند چه چیزی نیاز به mocking دارد.
هر تست شامل یک نام توصیفی مطابق با قراردادهای زبان شما، مقادیر ورودی، رفتار مورد انتظار و یک جمله دلیل است. یک coverage summary در انتها شکافهایی را لیست میکند که نیاز به اطلاعات بیشتر دارند — همان بخشی که در QA گرفتن درست آن سختترین است.
چرا پرامپت اینطور ساختاربندی شده
بخش Role باعث میشود هوش مصنوعی به جای یک دستیار عمومی، به عنوان یک متخصص QA عمل کند. این کار خروجی را به سمت استانداردهای حرفهای تستنویسی سوق میدهد — تستهای تکمسئولیتی، assertions رفتاری و نامگذاری توصیفی — نه مثالهای اسباببازی.
فیلدهای زمینهای [bracketed] مهمترین بخش هستند. زبان و فریمورک نامگذاری و syntax assertion را تعیین میکنند. وابستگیهای خارجی مشخص میکنند چه چیزی نیاز به mocking دارد. قوانین کسبوکار تعیین میکنند کدام موارد خطا حیاتی هستند و کدام ظاهری. حذف این فیلدها باعث تولید تستهای عمومی میشود که با کدبیس واقعی شما همخوانی ندارند.
تگ [REQUIRES MOCK] رایجترین حالت شکست تستهای تولیدشده توسط هوش مصنوعی را جلوگیری میکند: حذف بیصدای تستهای integration چون نوشتنشان سختتر است. این تگ آنها را بهصراحت نشان میدهد تا دقیقاً بدانید چه چیزی از اجرای تست جا مانده است.
Coverage Summary چیزی است که این پرامپت را از یک درخواست ساده جدا میکند. شکافهایی مثل دسترسی همزمان، گرد کردن مخصوص locale، اعمال محدودیت یکبار مصرف کوپن را لیست میکند — دقیقاً همان مواردی که مهندسان فراموش میکنند تا وقتی در production خراب نشوند.
مدلهای سازگار
این پرامپت با Claude Sonnet 4.6 بهترین عملکرد را دارد که فرمت خروجی ساختاریافته را بهطور قابل اعتماد پردازش میکند و coverage summary دقیق تولید میکند. GPT-4o و Gemini 1.5 Pro هم نتایج باکیفیتی میدهند. Gemini 2.5 Flash برای تستهای ساده تکتابعی کافی است. از مدلهای کوچکتر یا distilled برای توابع با چند وابستگی خارجی خودداری کنید — معمولاً edge cases integration را از قلم میاندازند.
کی از این پرامپت استفاده کنیم
وقتی در حال بررسی یک pull request هستید و نیاز به تحلیل سریع اما کامل شکافهای تست دارید، وقتی TDD روی یک تابع جدید شروع میکنید و میخواهید قبل از نوشتن پیادهسازی یک scaffold کامل داشته باشید، یا وقتی کد legacy با پوشش تست حداقلی را ممیزی میکنید. این پرامپت ۸۰٪ مواردی را که یک مهندس عجول از قلم میاندازد در کسری از زمان میگیرد.