ممیز پوشش تست: هر تابعی را به یک مجموعه کامل pytest پیش از بازبینی کد تبدیل کنید
چرا این پرامپت اهمیت دارد
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.
ما از آن برای چه استفاده میکنیم
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.
پرامپت
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.
نتیجه
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.
نوشتن تست تحت فشار زمانی تقریباً همیشه بهمعنای نوشتن سادهترین تستهایی است که به ذهن میرسد، نه تستهایی که واقعاً یک باگ تولیدی را شناسایی میکنند. یک تابع تست مسیر اصلی میگیرد چون آن همان حالتی است که توسعهدهنده تازه برایش کد نوشته — حالتهای مرزی که میتوانند یک تخفیف منفی، ورودی خالی، یا خطای گرد کردن در مرز سنت را شناسایی کنند، نادیده گرفته میشوند.
چرا پرامپت چهار دسته میخواهد، نه فقط «تست بنویس»
درخواست از هوش مصنوعی برای «نوشتن تست برای این تابع» دقیقاً همان نقطه کور یک توسعهدهنده شتابزده را تولید میکند: عمدتاً پوشش مسیر اصلی با یکی دو حالت مرزی نمادین. اجبار خروجی به چهار دسته نامگذاریشده — مسیر اصلی، حالتهای مرزی، سناریوهای خطا و تستهای یکپارچگی — هر دسته را به یک آیتم چکلیست تبدیل میکند.
چرا هر تست به یادداشت «چه چیزی خراب میشود» نیاز دارد
فهرستی از نامهای تست به بازبین کمک نمیکند تصمیم بگیرد آیا مجموعه واقعاً کافی است — فقط ثابت میکند تستها وجود دارند. الزام یک جمله درباره اینکه هر تست کدام شکست واقعی را شناسایی میکند، خروجی را به چیزی تبدیل میکند که بازبین واقعاً میتواند برای شکافهای پوشش ارزیابی کند.
چرا از حدس زدن رفتار مبهم خودداری میکند
پرامپتهای تولید تست که همیشه مجموعهای مطمئن و کاملبهنظر تولید میکنند، خطرناک هستند دقیقاً به این دلیل که قابلاعتماد بهنظر میرسند. اجبار مدل به علامتگذاری ابهام بهجای حل آن، در برابر تستهایی محافظت میکند که بهآرامی یک حدس بازبینینشده را به منبع حقیقت پایگاه کد تبدیل میکنند.
چرا خلاصههای تست یکپارچگی میخواهد، نه فقط تستهای واحد بیشتر
تستهای واحد یک تابع را بهطور مجزا اعتبارسنجی میکنند، اما بیشتر حوادث تولیدی در محل اتصال دو واحد که هر دو بهدرستی کار میکنند رخ میدهند. درخواست خلاصههای تست یکپارچگی در برابر زمینه فراخوانی، دستهای از باگ را شناسایی میکند که از تمام تستهای واحد عبور میکند اما همچنان یک مجموع مشتریمحور را خراب میکند.