每天写业务代码、修线上问题、参加评审的后端或全栈开发，日常工作里真正写代码的时间常被排查问题、写文档和同步进度挤占，很多重复性的文字和样板代码其实可以交给 AI 起草。单元测试大家都知道重要，但写起来枯燥，边界条件也容易想不全。本文给出程序员用 AI 生成单元测试的一套可直接照抄的做法：把函数代码和业务规则交给 AI，先让它列出测试场景清单，确认后再生成测试代码并运行。

典型场景

程序员写了一个处理“接口调用记录”数据的函数，比如按服务名汇总耗时毫秒。上线前需要补测试，但时间紧，而且担心漏掉空数据、异常值这类边界情况。现实中，程序员还得兼顾“补齐用户模块的单元测试”等日常事务，所以更需要一套拿来就能用的方法。

推荐工具

编辑器内的编程助手（GitHub Copilot、Cursor、通义灵码、CodeGeeX 等）可以直接根据函数生成测试；也可以把代码贴给对话助手。

举个例子

下面这个例子是虚构的：陈姐遇到的难题是“依赖的第三方支付 SDK 下周升级，可能需要适配”。为了不让它拖慢“完成订单服务接口重构，接口平均响应从约 300ms 降到 120ms 左右（以压测为准）”的进度，陈姐决定借助 AI 生成单元测试。第一次只写了一句简单的要求，结果很空泛；第二次把对象（技术负责人）、目的和限制条件都写清楚，输出就可用多了。这也是本文提示词模板要把背景写全的原因。

分步操作

  1. 提供被测函数代码和业务规则说明
  2. 让 AI 先列出测试场景：正常、边界、异常
  3. 确认场景清单，补充业务特有的情况
  4. 生成测试代码并在本地运行
  5. 检查失败的用例是代码问题还是测试问题

提示词模板（可直接复制）

下面的提示词可以直接复制，按程序员的实际情况替换细节：

【背景】最近在处理“完成订单服务接口重构，接口平均响应从约 300ms 降到 120ms 左右（以压测为准）”，同时要准备“整理缓存方案技术文档”。
请为下面的 Python 函数编写 pytest 单元测试。

业务规则：按 category 汇总 amount；amount 为空的记录跳过；amount 为负数时抛出 ValueError。

```python
def summarize(records):
    result = {}
    for r in records:
        if r.get("amount") is None:
            continue
        if r["amount"] < 0:
            raise ValueError("amount must be non-negative")
        result[r["category"]] = result.get(r["category"], 0) + r["amount"]
    return result

要求：

  1. 先列出测试场景清单（正常、边界、异常）
  2. 再写测试代码，使用 parametrize 减少重复
  3. 每个测试函数名能看出测试意图

## 示例输出（仅供示意）

以下是一段示意性的输出，内容基于虚构的工作记录，仅用于展示格式和思路，实际结果会因工具和输入不同而变化：

> **测试场景**
> 1. 正常：多条记录、多个分组
> 2. 边界：空列表；amount 为 0；amount 为 None
> 3. 异常：amount 为负数
>
> ```python
> import pytest
> from summary import summarize
>
> def test_groups_and_sums_amount():
>     data = [{"category": "order-api", "amount": 10}, {"category": "order-api", "amount": 5},
>             {"category": "user-api", "amount": 3}]
>     assert summarize(data) == {"order-api": 15, "user-api": 3}
>
> @pytest.mark.parametrize("data,expected", [
>     ([], {}),
>     ([{"category": "order-api", "amount": 0}], {"order-api": 0}),
>     ([{"category": "order-api", "amount": None}], {}),
> ])
> def test_boundary_cases(data, expected):
>     assert summarize(data) == expected
>
> def test_negative_amount_raises():
>     with pytest.raises(ValueError):
>         summarize([{"category": "order-api", "amount": -1}])
> ```

如果结果不理想，不要急着换工具，先在提示词里补充技术负责人的具体要求或给出一个参考样例，再生成一次。

## 避坑指南

- 先确认场景清单再生成代码，比直接要测试代码更可靠。
- 缺少某个 key 的情况（比如没有 category）要和业务方确认预期。

### 给程序员的特别提醒

把报错堆栈、相关代码片段和运行环境版本一起贴给 AI，比只描述现象有效得多。同时要记住：AI 生成的代码必须经过本地运行、测试和代码评审，不要直接合入主干。

再补充一条经验：让 AI 先解释思路再给代码，便于你判断方向对不对。

## 还可以这样用

- 补全覆盖率：把覆盖率报告中未覆盖的代码交给 AI，补充测试。
- 接口测试：根据接口文档生成请求用例和断言。

## 相关阅读

- [程序员用 AI 写技术文档：提示词与文档示例](/posts/2026-10-16-programmer-tech-doc/)
- [程序员用 AI 做风险检查清单：提示词与清单示例](/posts/2026-10-16-programmer-risk-checklist/)
- [测试工程师用 AI 生成单元测试：覆盖边界条件的测试用例](/posts/2026-10-16-qa-engineer-unit-test/)
- 延伸：[编码 Agent 工作流：从需求拆解到合并请求的人机协作模式](/posts/2026-07-18-coding-agent-workflow/)
- 更多场景：[AI 使用示例合集](/categories/ai-examples/)，或按标签浏览[#程序员](/tags/程序员/)、[#单元测试](/tags/单元测试/)