Générer des suites de tests complètes depuis une description de fonction

Why this prompt matters
Skipping edge cases is where most production bugs live. A function that works for normal inputs but silently returns wrong results for empty strings, zero values, or concurrent writes will pass a cursory manual test and still break in production. Developers without a structured checklist miss 30-50% of edge cases on average — this prompt enforces completeness every time.
What we use it for
You've just written a pricing function, an authentication handler, or a data-processing pipeline — and you need to ship it tomorrow. You paste the function into this prompt and get back a full test suite with happy paths, boundary values, and error scenarios already written, so you can move to code review instead of spending 90 minutes hand-crafting tests.
Prompt
Act as a senior QA engineer and software testing expert with 10+ years of experience writing test suites for production-grade code. I have a function or feature that needs comprehensive test coverage. Here is the description: [PASTE YOUR FUNCTION/FEATURE DESCRIPTION, CODE SNIPPET, OR SPECIFICATION HERE] Technology stack: [YOUR LANGUAGE AND FRAMEWORK — e.g., Python/pytest, JavaScript/Jest, TypeScript/Vitest, Java/JUnit, Go/testing] Testing framework: [YOUR TESTING FRAMEWORK] Code maturity: [NEW CODE / EXISTING CODE WITH KNOWN BUGS / REFACTORING IN PROGRESS] Your task: 1. Generate a complete set of unit tests covering: - Happy path (standard inputs with expected outputs) - Edge cases (boundary values, empty inputs, maximum inputs, special characters) - Error scenarios (invalid inputs, type mismatches, null/undefined, out-of-range values) - State mutations (if the function has side effects, test them explicitly) 2. List integration test outlines (what you'd test at the integration layer, without writing full code) 3. Identify any untestable scenarios and explain why (dependency on external systems, timing issues, etc.) 4. Add a one-line comment above each test explaining what it's asserting and why it matters Constraints: - Tests must be independent — no test should rely on another's side effects - Use descriptive test names in the format: [method]_[scenario]_[expected outcome] - Do NOT mock anything unless you explain exactly why the mock is necessary - Prioritize tests by impact: mark each as HIGH / MEDIUM / LOW risk Output format: ## Unit Tests (with priority labels) [Full test code in [YOUR TESTING FRAMEWORK]] ## Integration Test Outlines [Bullet list of integration scenarios to cover] ## Untestable Scenarios [List with explanations] ## Coverage Summary [Estimated line/branch coverage and what's missing]
Result
Here is the full test suite for calculate_discount(price, coupon_code, user_tier) using Python/pytest:
import pytest
from pricing import calculate_discount
# [HIGH] Standard discount applied correctly for a valid coupon and premium user
def test_calculate_discount_valid_coupon_premium_user_applies_discount():
assert calculate_discount(100.0, "SAVE20", "premium") == 80.0
# [HIGH] Free users receive no additional tier discount beyond coupon
def test_calculate_discount_valid_coupon_free_user_no_tier_bonus():
assert calculate_discount(100.0, "SAVE20", "free") == 80.0
# [HIGH] Invalid coupon code returns full price without discount
def test_calculate_discount_invalid_coupon_returns_full_price():
assert calculate_discount(100.0, "FAKECODE", "premium") == 100.0
# [HIGH] Price of zero returns zero regardless of coupon or tier
def test_calculate_discount_zero_price_returns_zero():
assert calculate_discount(0.0, "SAVE20", "premium") == 0.0
# [MEDIUM] Negative price raises ValueError — cannot discount negative amounts
def test_calculate_discount_negative_price_raises_value_error():
with pytest.raises(ValueError, match="Price must be non-negative"):
calculate_discount(-50.0, "SAVE20", "premium")
# [MEDIUM] Empty coupon string treated as no coupon — full price returned
def test_calculate_discount_empty_coupon_no_discount():
assert calculate_discount(100.0, "", "premium") == 100.0
# [MEDIUM] None coupon treated as no coupon — does not raise, returns full price
def test_calculate_discount_none_coupon_no_discount():
assert calculate_discount(100.0, None, "premium") == 100.0
# [MEDIUM] Unknown user_tier defaults to free-tier behavior, no tier bonus
def test_calculate_discount_unknown_tier_defaults_to_free():
assert calculate_discount(100.0, "SAVE20", "vip") == 80.0
# [LOW] Very large price value does not cause overflow or floating-point error
def test_calculate_discount_very_large_price_precision():
result = calculate_discount(1_000_000.0, "SAVE20", "premium")
assert abs(result - 800_000.0) < 0.01
# [LOW] Coupon code is case-insensitive — "save20" works like "SAVE20"
def test_calculate_discount_coupon_case_insensitive():
assert calculate_discount(100.0, "save20", "premium") == 80.0
Integration Test Outlines
- Apply coupon from the database — verify the discount matches the stored percentage for that coupon record
- Apply discount to a cart with multiple line items — verify totals are recalculated correctly
- Expired coupon in the database — verify
calculate_discountreturns full price and logs the expiry event - Concurrent requests with the same coupon (single-use coupon) — verify only one request succeeds
Untestable Scenarios
- Real-time coupon expiry race condition — coupon expires between the validity check and the discount application; requires a database transaction test outside unit scope
- External pricing API availability — if
calculate_discountcalls a third-party pricing service, that call cannot be reliably tested without a staging environment
Coverage Summary
Estimated line coverage: 94%. Estimated branch coverage: 87%. Missing: the internal retry logic on database timeout (lines 47-52) — requires a mock of the DB connection pool, which should be covered in an integration test.
Écrire des tests fait partie de ces tâches que les développeurs savent qu'ils devraient faire correctement, mais qu'ils font rarement. Pas par paresse — par manque de temps et par la charge cognitive que représente l'énumération de tous les cas limites à partir de zéro. Ce prompt délègue cette énumération à l'IA pour que vous puissiez vous concentrer sur la révision du résultat plutôt que sur sa génération.
Ce qui rend ce prompt différent
La plupart des prompts « écris des tests pour ce code » renvoient une poignée d'assertions sur le chemin nominal et s'arrêtent là. Ce prompt impose un contrat différent : l'IA doit parcourir quatre catégories distinctes avant de terminer — chemin nominal, cas limites, scénarios d'erreur et mutations d'état. Cette structure permet de rattraper les 30 à 50 % de cas limites que les développeurs oublient régulièrement lorsqu'ils écrivent des tests sous pression temporelle.
Le format de sortie compte aussi. Exiger des noms de tests descriptifs suivant le motif [méthode]_[scénario]_[résultat attendu] garantit que la suite de tests reste lisible des mois plus tard, lorsque l'auteur original est parti. Exiger un commentaire explicatif sur chaque test permet à un nouveau développeur de comprendre ce que chaque assertion protège — pas seulement ce qu'elle fait.
Comment l'utiliser
Collez votre fonction, une description en anglais simple, ou même un document de spécification dans le champ entre crochets. Précisez votre langage et votre framework — l'IA produira du code exécutable, pas du pseudo-code. Réglez l'indicateur de maturité du code sur EXISTING CODE WITH KNOWN BUGS et l'IA identifiera également les chemins susceptibles de contenir des bugs en fonction de la structure du code.
La contrainte sur les mocks est délibérée. Mock tout est le moyen le plus simple de construire une suite de tests qui passe mais n'apporte aucune confiance. En exigeant que l'IA justifie tout mock qu'elle introduit, vous maintenez la suite de tests ancrée dans le comportement réel.
Étiquettes de priorité
Chaque test reçoit une étiquette de risque HIGH / MEDIUM / LOW. Cela vous permet de sauter les tests LOW lors d'une sortie sous contrainte de temps et d'y revenir lors du sprint suivant — sans perdre la trace de ce qui a été sauté. Cela rend également la revue de code plus rapide : les relecteurs peuvent voir d'un coup d'œil si les chemins à risque HIGH sont couverts.
Meilleur avec
Claude Sonnet 4.6 ou GPT-4o. Pour les fonctions complexes avec des conditionnelles profondément imbriquées, Claude a tendance à produire une couverture de branches plus complète. Pour du code nouveau dans des frameworks plus récents, GPT-4o est tout aussi performant. Les deux modèles gèrent ce prompt de manière fiable — n'utilisez pas un modèle plus petit pour cette tâche, car ils oublient fréquemment les scénarios d'erreur.