test-generator 快速入门

让 AI 帮你写完”主逻辑”后,顺手把测试用例也补齐,告别覆盖率焦虑。

这是什么?解决什么问题?

写完业务代码后,最容易被推迟的就是单元测试。常见借口包括:“时间紧”、“这个函数太简单不用测”、“等我写完别的再说”……结果就是项目里的测试覆盖率长期在 20% 上下,改一行代码就提心吊胆。

test-generator 是 Anthropic 官方 skills 仓库里的测试生成 Skill,核心能力是:给定一段源码文件,自动分析其中的函数/类/分支,生成对应的单元测试用例。Skill 内部封装了对覆盖率工具(如 coverage.py、jest --coverage、go test -cover)的解析,能够主动识别”未覆盖的分支”并补全对应测试。

支持的场景包括:Python + pytest、JavaScript/TypeScript + Jest/Vitest、Go + testing、Java + JUnit 等主流栈。Skill 内置了”圈复杂度阈值”,对过于复杂的函数会主动建议先重构再写测试,这是它比普通代码生成工具更专业的地方。

它适合:代码评审前需要补测试的紧急需求、老项目改造需要建立测试基线、新人入职需要快速理解函数行为并验证假设。

准备工作

1. 已安装 Claude Code 或 Cursor:本 Skill 通过 Anthropic 官方 npx skills 命令加载
2. 项目已有测试框架:pytest、jest、vitest、go test、junit5 均可
3. 覆盖率工具可用:coverage.py / nyc / go test -cover 至少配好一种
4. 可选:Git,让 Skill 在生成测试时感知 diff

3 步快速上手

第 1 步:安装 Skill

npx skills add anthropics/skills --skill test-generator

仓库:https://github.com/anthropics/skills

第 2 步:验证 Skill 是否生效

新建一个 verify.md 文件,粘贴任意一段 Python 函数,询问:

用 test-generator Skill,告诉我这个函数的圈复杂度,并列出需要测试的分支

如果 AI 在回答中提到了”圈复杂度 N”、“分支覆盖率”、“边界条件”等关键词,说明 Skill 加载成功。

第 3 步:为真实文件生成测试

请用 test-generator Skill 为 src/utils/parser.py 里所有 public 函数生成 pytest 测试,
要求覆盖率 ≥80%,输出到 tests/test_parser.py

AI 会读取源码,分析每个函数,生成包含正常路径、异常路径、边界条件(空值/极大值/类型错误)的测试,并最终帮你运行 pytest --cov=src/utils 验证覆盖率。

常见踩坑

1. 生成的测试全是 assert x == x:Skill 加载失败或项目没有测试框架。务必先确认 pytest/jest 命令可以直接运行,再让 AI 生成测试。
2. 覆盖率统计不到生成的测试:有些项目用 if __name__ == '__main__' 写示例代码,这些行不会在 import 时执行,需要在 conftest.py 或 package.json 配 collect 路径。
3. 依赖外部资源的函数:数据库查询、HTTP 请求、随机数等,Skill 第一次生成可能没 mock,需要补充”使用 pytest-mock 或 unittest.mock”指令。
4. 测试互相污染:AI 生成的测试有时会共享一个全局变量,导致顺序执行时一个 case 污染另一个。建议追加”每个测试必须独立,使用 fixture 而非全局变量”。
5. 循环/异步代码覆盖不全:async 函数、生成器、回调函数在覆盖率工具里有时被算作”部分覆盖”,需要在 pytest-asyncio 配置里加 --cov-branch 开启分支覆盖。
6. 过度生成测试:对私有函数或实现细节的测试会拖慢 CI,Skill 默认会写 public API,但可以加约束”只测 export 的函数”。

初级用法

1. 单文件批量测试:对 AI 说”为 src/api/orders.py 生成测试”,它会一次性把整个文件的测试都铺好,适合补覆盖率。
2. 增量补测:对 Git diff 里的变更说”只针对这次修改的函数生成测试,不要改其他文件”,适合 PR 流程。
3. 解释老代码的测试意图:对着一段没注释的代码说”给这段代码生成测试,并在每个 test 函数上方写一句中文说明它在测什么”,适合新人理解项目。

高级玩法

1. 基于属性的测试(property-based testing):让 Skill 引入 hypothesis 或 fast-check,自动生成大量随机输入,找出”边界 bug”。
2. 变异测试(mutation testing):用 mutmut / Stryker 检测测试强度,Skill 可以指导你跑变异测试,找出”虽然通过但其实没断言”的僵尸测试。
3. CI 集成:在 GitHub Actions 里加一步”如果覆盖率下降超过 5%,Job 失败”,Skill 提供完整的 workflow 模板。

小技巧

• 给 Skill 喂代码前,先在文件头加一句 # 主要逻辑:解析用户上传的 CSV,返回字典列表 这种注释,生成的测试会更聚焦。
• 函数如果圈复杂度 > 10,Skill 会主动拒绝生成测试,提示先重构——这其实是好信号,说明它在保护你不写出”测了也白测”的代码。
• 用 --cov-branch 比 --cov 严格很多,前者会算 if/else 两个分支,后者只算行覆盖,推荐前者。
• 生成测试后,跑一次 pytest -x 让第一个失败立即停下,避免被一长串报错淹没。
• 在 tests/ 目录加一个 conftest.py 写好 fixture 复用,能显著降低 AI 重复生成 setup 代码的体积。

常见问题 FAQ

Q1: 这个 Skill 跟 test-generator 有什么关系?必须装吗?

A: Skill 是给 AI Agent 用的”技能包”,能告诉 Agent 怎么按特定规范工作。不是必须装——如果你的项目规模小、要求不高,不装也能用。但装上能让 Agent 输出的质量更高、更符合最佳实践,推荐装。

Q2: 这个 Skill 适合哪些 AI Agent?Cursor?Claude Code?其他?

A: test-generator 来自 Anthropic,主要面向支持 Skill 机制的 Agent。常见兼容 Agent 包括 Claude Code、Cursor、OpenCode、Windsurf 等。具体兼容性请查 Skill 官方文档。

Q3: 装了这个 Skill 后,会拖慢 Agent 响应吗?

A: 会的——Skill 通常会增加 prompt 长度,导致响应变慢、token 消耗增加。但质量提升明显。建议:1) 只装项目必需的 Skill;2) 用 Skill 启动/加载/卸载机制按需加载;3) 定期清理不用的 Skill。

Q4: 怎么验证 Skill 装对了?

A: 在 Agent 中输入”列出已加载的 Skill”或类似命令。如果 Skill 出现在列表里,说明装对了。然后用 Skill 跑一个相关任务,看输出是否符合 Skill 规范。

Q5: 这个 Skill 有许可证吗?能商用吗?

A: 取决于 test-generator 的许可证。常见许可证包括 MIT(完全自由)、Apache-2.0(自由但有专利条款)、源可用(可看不能用)、GPL(强开源)。商用前请查仓库 LICENSE 文件。

参考链接

• Skill 仓库:https://github.com/anthropics/skills
• 原始作者仓库:https://github.com/Jeffallan/Claude-Skills
• pytest 覆盖率文档:https://pytest-cov.readthedocs.io/
• Jest 覆盖率:https://jestjs.io/docs/cli#—coverage
• Go 测试覆盖:https://go.dev/blog/cover

本文基于官方文档和公开资料整理，AI辅助生成，MagicNetWorld 尚未完成独立实测。如有错误或过时信息，请通过 contact@magicnetworld.com 反馈。