Pular para o conteúdo
LabS Atlas
AI For Devs
Entrar

Test Smells

Ir para notas que citam esta
atualizado há 25 diasEntre para perguntar ao Labinho sobre esta notaO Labinho é o assistente que responde com as notas e as sessões do LabS e mostra de onde tirou cada resposta.

Test smells são padrões de má prática no código de teste, análogos aos code smells do código de produção, que indicam problemas estruturais e tornam a suíte difícil de manter.

O conceito nasce de uma analogia direta com o design arquitetural: se o código de produção pode ter cheiros de mau design, o código de teste, que também é código, pode ter os seus. A pergunta por trás da linha de pesquisa é quem testa os testes — como garantir que uma suíte implementada alcança de fato o objetivo para o qual foi escrita. A discussão remonta ao relatório técnico da OTAN de 1968 que fundou a engenharia de software e cunhou a expressão crise do software: sistemas são caros, atrasam e chegam abaixo da qualidade esperada, e o teste é uma das técnicas centrais para conter isso.

Na prática, o código de teste recebe menos atenção do que o de produção. A aplicação evolui, a suíte fica para trás, acumula trechos que não servem mais à regressão e passa a ser mantida por inércia. Um test smell não quebra a entrega, mas torna o código de teste indesejável de manter, e a suíte abandonada acaba afetando a qualidade do código de produção que deveria proteger.

Padrões recorrentes identificados em projetos reais

A catalogação foi feita analisando projetos de código aberto e de código fechado, e os mesmos padrões reaparecem em contextos muito diferentes. Dois exemplos nomeados dão a ideia do tipo de problema:

  • Teste faminto: um único caso de teste tenta verificar tudo de uma vez, acumulando responsabilidades que deveriam estar separadas, o que torna o diagnóstico de uma falha caro.
  • Asserções inalcançáveis: trechos de asserção que nunca são executados porque dependem de uma condição que não se satisfaz, ou seja, código morto dentro da suíte.

A esses se soma o problema do não determinismo, o teste que passa numa execução e falha na seguinte sem que nada tenha mudado, que corrói a confiança na suíte inteira.

Prevenção, detecção e correção como três frentes distintas

O ciclo de vida do problema se organiza em três ações complementares. A prevenção reúne princípios de construção que evitam a inserção do problema desde o início. A detecção parte do código já pronto e identifica onde o padrão está presente. A correção, automatizada ou semi-automatizada, refatora o teste mantendo o que ele verifica, para que o problema não se propague por várias versões do código.

Detecção automatizada e a hipótese da árvore sintática abstrata

A detecção é viável porque os padrões podem ser expressos como regras: conhecida a sintaxe da linguagem, é possível varrer o código e sinalizar as ocorrências. Existe ferramenta aberta, publicada no GitHub, que faz isso para Java; o catálogo também está robusto para Python e JavaScript e em estágio inicial para Go.

A limitação é que cada linguagem exige um porte. A hipótese que orienta a construção de uma plataforma agnóstica de detecção é transformar o código em árvore sintática abstrata: como a estrutura resultante é muito parecida entre linguagens, grande parte dos problemas poderia ser identificada de forma independente, tratando à parte apenas as diferenças sintáticas específicas.

Por que gerar muitos testes não resolve

Um levantamento com mais de 360 profissionais em mais de 15 países mostrou um descompasso revelador: poucos conheciam o conceito formalmente, mas praticamente todos já haviam se deparado com esses problemas no dia a dia, sem um nome para dar a eles.

Volume de testes não equivale a proteção

Geradores de teste randômicos produzem massas de casos triviais que inflam o tempo de execução da integração contínua sem aumentar a chance real de encontrar defeitos. Vale mais um conjunto menor focado nos 20% de código mais problemático.

Essa mesma advertência se estende à Avaliação de Testes Gerados por LLMs e à Geração de Testes Unitários com IA: o catálogo de test smells é justamente a régua usada para medir se o que um modelo produz é aproveitável. O raciocínio também foi transposto para outro artefato, dando origem à investigação sobre Prompt Smells.