Geração de Testes Unitários com IA
Ir para notas que citam estaGeração de testes unitários com IA é o uso de ferramentas generativas para criar e explicar testes automatizados de um código existente, a partir de um prompt com a necessidade e o framework.
A técnica atende dois perfis: quem nunca testou no framework usa a ferramenta como tutora, para entender por que e como testar; quem já domina o básico a usa para acelerar a escrita de casos, em especial os caminhos que faltam cobrir. Nos dois casos o resultado é ponto de partida: raramente um prompt resolve tudo, e o código gerado precisa ser lido, executado e corrigido antes de entrar na suíte, como prevê a Revisão Humana de Saídas de IA.
O resultado se avalia por duas réguas: quanto a cobertura sobe e se a regra de negócio passou de fato a ser verificada. A qualidade estrutural dos testes gerados, medida por catálogos de más práticas, é o objeto da Avaliação de Testes Gerados por LLMs.
Dois pedidos diferentes: aprender o framework e testar uma função
O primeiro pedido é aberto e declara o nível de quem pergunta: implementar testes unitários com Jasmine num projeto Angular, sem saber nada de testes, e perguntar por onde começar. Perguntar por onde começar, em vez de mandar gerar testes, puxa respostas mais explicativas.
O segundo pedido é de geração, com persona e contexto: atuar como programador front-end e gerar o teste unitário da função colada no prompt, uma técnica de prompt de persona. Com a função à vista (por exemplo, adicionar um ingrediente a uma receita), a ferramenta monta a estrutura inteira do teste.
O ganho de tempo aparece depois do estudo. Entender o framework levou entre meia hora e uma hora; em seguida, gerar testes para uma função nova e comparar três ferramentas levou cerca de cinco minutos.
Como ferramentas diferentes responderam ao mesmo pedido
O mesmo prompt foi enviado ao Bing, ao ChatGPT gratuito (3.5) e ao Gemini:
- Bing: passos em tópicos (instalar o Jasmine, configurar o Karma para executar e visualizar os testes, estrutura de um teste, um primeiro teste que só verifica se o componente é criado, o comando de execução). Gerou código funcional mais rápido.
- ChatGPT gratuito: direto: configurar o ambiente, criar um teste parecido e rodar, sem explicar cada comando e com poucos comentários.
- Gemini: o mais didático, com uma parte sobre por que, quando e como testar, código amplamente comentado e referências para aprofundar, das quais duas de quatro estavam quebradas.
Erros típicos no código de teste gerado
- Um teste do Bing não executava; a correção manual só foi possível porque o framework já tinha sido estudado.
- Um teste do ChatGPT falhava por causa de um enum, e a ferramenta não resolveu o problema.
- O Gemini traduziu para o português nomes de propriedades e comentários de um código em inglês, e o nome usado no teste deixou de coincidir com a propriedade real. Perguntar em português sobre código em inglês induz essa troca, observada também em assistentes de código. A saída é corrigir à mão ou pedir nova geração, sem se prender à primeira resposta.
- Questionada sobre um trecho não coberto, a ferramenta pode repetir a mesma resposta já testada, um caso de Alucinação.
Cobertura de testes e o risco de otimizar só o percentual
Cobertura mede quanto do código os testes executam, em linhas, statements, branches e funções. No projeto de exemplo, o ponto de partida era de cerca de 42% de statements, 33% de linhas, nenhuma branch e uma de quatro funções; com os testes gerados, linhas, funções e statements subiram de forma expressiva.
Branches são os caminhos alternativos de uma decisão, como o if e o else. Basta descrever o caminho já testado e pedir o complementar para a ferramenta gerar o teste do else sem reimplementar a lógica.
Perseguir o número de cobertura pode deixar a regra de negócio sem verificação. Cada teste sugerido precisa ser conferido no que realmente afirma.
Com a suíte no lugar, qualquer alteração que quebre um comportamento coberto faz um teste falhar, e é aí que a aplicação ganha qualidade.