测试

背景与问题界定 在一次涉及财务计算的版本发布中，测试覆盖率达到85%，但上线后仍然出现了严重的计算偏差——某个临界条件在单元测试中没有被覆盖，而集成测试由于依赖的第三方支付Mock环境与生产行为不一致，也无法暴露这个问题。最终花了两个通宵才定位到是费率计算中的四舍五入方向搞反了。 这个事故反映出测试体系中的典型问题：单元测试覆盖"量"足够但"质"不足，表驱动测试的表数据设计不全面，Mock对象的行为过于理想化，集成测试的覆盖面有限。更本质的问题是，团队没有一个系统化的测试策略——不知道什么该用单元测试覆盖、什么该用集成测试覆盖、什么该用端到端测试覆盖。Go标准库内置了testing包，但在工程化层面，如何设计可维护的测试金字塔，如何管理Mock对象，如何确保表驱动测试的case全面性，这些都是需要体系化解决的问题。 目标拆解与工程约束 表驱动测试必须覆盖等价类和边界值：测试case表不能只是"快乐路径"的罗列。需要有系统化的边界分析方法：正常值、边界值、异常值、空值、超大值、并发冲突值。case数据需要能够从外部的yaml/json文件加载，方便非开发人员参与评审。 Mock接口必须遵循"最小模拟"原则：Mock对象只模拟真正依赖的外部行为，不模拟内部实现细节。Mock的返回值应该是从真实测试数据中提取的，而非凭空想象的。过度Mock会导致测试通过而上线失败。 测试层次必须清晰分离：Unit Test（毫秒级，不依赖外部）> Integration Test（秒级，依赖真实DB/缓存）> E2E Test（分钟级，全链路）。CI流水线需按层级分阶段执行：Unit Test全量必过，Integration Test按变更范围触发，E2E Test定时执行。 测试数据管理必须在版本控制中：测试数据（mock响应、DB fixture、配置文件）不能分散在代码中。需要有统一的testdata目录结构，支持不同测试层级的独立数据，且数据变更通过代码审查。 方案设计 表驱动测试的进阶模式。我们扩展了经典的表驱动模式，引入"子测试命名"和"结构化的case定义"： func TestCalculateFee(t *testing.T) { type args struct { amount float64 rate float64 direction RoundDirection } tests := []struct { name string args args want float64 assert func(t *testing.T, got, want float64) }{ { name: "normal_amount_100_rate_0.01", args: args{100.00, 0.01, RoundHalfUp}, want: 1.00, }, { name: "boundary_zero_amount", args: args{0, 0.01, RoundHalfUp}, want: 0, }, { name: "overflow_large_amount", args: args{1e15, 0.01, RoundHalfUp}, want: 1e13, }, { name: "rounding_third_decimal_0.005", args: args{0.50, 0.01, RoundHalfUp}, want: 0.01, assert: func(t *testing.T, got, want float64) { if math.Abs(got-want) > 0.0001 { t.Errorf("rounding precision: got %f, want %f", got, want) } }, }, } for _, tt := range tests { t.Run(tt.name, func(t *testing.T) { got := CalculateFee(tt.args.amount, tt.args.rate, tt.args.direction) if tt.assert != nil { tt.assert(t, got, tt.want) } else if got != tt.want { t.Errorf("got %v, want %v", got, tt.want) } }) } } Mock接口管理。我们不使用gomock或mockery等自动生成框架，而是手写最小的Mock实现。这听起来反直觉，但手写Mock可以精确控制Mock的行为： ...

背景 这类问题在真实项目里很常见：高并发、复杂依赖、发布频繁、团队协作面广。只有把边界条件提前定义清楚，系统才会在压力下保持稳定。 实践要点 先定义目标：可用性、延迟、成本哪个优先。 把关键路径显式化：超时、重试、降级、回滚。 把策略写进代码和流程，而不是只停留在文档。 代码片段 ctx, cancel := context.WithTimeout(ctx, 200*time.Millisecond) defer cancel() err := client.Call(ctx) if err != nil { return err } 总结 工程实践最怕“看起来正确”。把策略做成可观测、可验证、可回滚的闭环，才能在生产环境里真正稳定运行。 稳定性不是某个技巧，而是持续的系统化约束。

背景 这类问题在真实项目里很常见：高并发、复杂依赖、发布频繁、团队协作面广。只有把边界条件提前定义清楚，系统才会在压力下保持稳定。 实践要点 先定义目标：可用性、延迟、成本哪个优先。 把关键路径显式化：超时、重试、降级、回滚。 把策略写进代码和流程，而不是只停留在文档。 代码片段 let result = tokio::time::timeout( std::time::Duration::from_millis(200), do_work(), ).await; 总结 工程实践最怕“看起来正确”。把策略做成可观测、可验证、可回滚的闭环，才能在生产环境里真正稳定运行。 稳定性不是某个技巧，而是持续的系统化约束。