版本说明：本文基于 Claude Code（1.0.x）与 OpenCode 的测试生成实践撰写，适用于企业级开发团队。

技术栈版本：Java 17+、Spring Boot 3.x、JUnit 5（Jupiter）、Maven/Gradle、JaCoCo 覆盖率工具。

适用对象：中高级开发者、测试工程师、技术负责人。

前置知识：第18篇单服务编码。

一、AI辅助测试的完整流程

测试是 AI 编码工具投入产出比最高的环节之一。MorphLLM 的 2026 年分析指出，单元测试遵循高度结构化的模式——给定函数签名、实现和项目测试约定，测试结构基本可预测，这使得测试生成成为 AI 工具回报率最高的应用场景之一 。arXiv 2026 年的一项案例研究也表明，AI 辅助迭代生成测试能显著提升代码行为捕获能力，某商业 Web 应用通过 AI 工作流生成了约 16,000 行单元测试，使生产代码的依赖密度降低了 57.5% 。

但 AI 生成测试不是"给一段代码，拿一堆测试"。和编码一样，需要结构化的流程。

本文将 AI 辅助测试拆分为五个步骤：

分析测试场景 → 生成单元测试 → 生成集成测试 → 边界条件测试 → 运行并分析结果

用一个满减券的测试案例贯穿全文。

二、第一步：分析测试场景

不要直接让 AI 生成测试

很多人拿到一段代码就直接让 AI "帮我写测试"。这样做的问题是：AI 会生成一堆看似合理但缺乏针对性的测试用例，覆盖了显而易见的场景，遗漏了真正容易出 Bug 的地方。

正确的做法是先分析需要测试的场景，再让 AI 逐个生成。

场景分析的三个层次

让 AI 分析测试场景，它会输出类似这样的结果：

FullReduction.calculate() 测试场景分析：

正常流程：
1. 订单金额 >= 阈值，返回正确的减免金额
2. 订单金额满足多次满减（如满100减10，订单300元）
3. 订单金额恰好等于阈值

异常分支：
4. 订单金额为 null → 预期抛出 NullPointerException
5. 阈值为 null → 预期在构造时校验失败
6. 阈值为 0 或负数 → 预期在构造时校验失败

边界条件：
7. 订单金额 < 阈值（差 0.01）→ 返回 0
8. 订单金额 = 阈值 → 返回 discount
9. 订单金额极大值 → 验证精度不丢失
10. discount 为 0 → 返回 0

关键技巧： 把场景分析结果保存下来，作为后续生成测试用例的依据。这样可以确保每个场景都有对应的测试，不会遗漏。

三、第二步：生成单元测试

基于场景逐个生成

有了场景分析结果，让 AI 逐个生成测试用例。不要一次生成所有测试——逐个生成的好处是每个用例都有明确的意图，AI 不会"凑数"。

以满减券的正常流程测试为例：