想要 AI 帮你写出靠谱的测试代码？本文作者分享了在 Python 项目中利用现有测试套件、特定指令和参考项目来引导 AI 生成高质量测试的实战经验。

有人在 Hacker News 上问我，有没有什么技巧能让编程智能体（Coding Agents）编写出高质量的测试代码。以下是我的回答：

1. 善用 Python 生态优势

我主要使用 Python，这本身就有很大的帮助。因为在训练数据中，有大量优秀的 pytest 测试用例，包括使用 fixture 库模拟外部 HTTP API、快照测试以及其他优雅的模式。

或者我可以简单地说“使用 pytest-httpx 来模拟端点”，Claude 就能明白我的意思。

2. 警惕代码重复

时刻关注测试代码的质量很重要。我看到最常见的反模式（Anti-pattern）是大量的重复测试设置代码。虽然这不是什么大问题——相比于实现代码，我对测试代码中的重复逻辑容忍度更高——但这仍然值得改进。

使用以下指令通常很有效：

• “重构这些测试，使用 pytest.mark.parametrize”
• “将通用的设置代码提取到 pytest fixture 中”

3. 最好的技巧：以身作则

归根结底，让编程智能体写出好测试的最佳方法是：确保它在一个已经拥有良好测试模式的项目中工作。

编程智能体能够非常敏锐地捕捉现有的模式，完全不需要额外的提示。我发现，一旦项目有了整洁的基础测试，智能体新添加的测试往往能在质量上与之匹配。

这就像在大型项目中与团队合作一样——保持代码整洁意味着当其他人寻找如何编写测试的示例时，他们会被指引到正确的方向。

4. 终极绝招：克隆并模仿

我还有一个经常使用的技巧：

Clone datasette/datasette-enrichments from GitHub to /tmp and imitate the testing patterns it uses. （从 GitHub 克隆 datasette/datasette-enrichments 到 /tmp，并模仿它使用的测试模式。）

我在处理自己编写的不同现有项目时经常这样做——向智能体展示你喜欢的做法，是教它做事的捷径。

笔者锐评 💡

AI 编程智能体（如 Claude, Cursor 等）本质上是一个超级模仿者。它写出的代码质量，往往取决于它“看到”的上下文。

如果你把 AI 扔进一个没有任何测试、代码风格混乱的“屎山”项目里，它生成的代码很可能也是“屎山”的一部分。反之，如果你给它提供了一个结构清晰、测试覆盖率高、遵循最佳实践的项目环境，它就会自动向好学生看齐。

所以，与其费尽心思设计复杂的 Prompt，不如先把自己项目的“基础设施”搭建好，或者直接给它一个优秀的开源项目作为范本。这不仅是 Prompt Engineering，更是 Context Engineering（上下文工程）。

求点赞 👍 求关注 ❤️ 求收藏 ⭐️你的支持是我更新的最大动力！