最近推进一个云端视频项目，遇到一件特别能说明 AI Coding 问题的事。 自动化测试报告非常漂亮，上百项甚至两百多项检查通过，接口、数据结构和各种模拟场… · @UPing123zzz · TwKit

@UPing123zzz

最近推进一个云端视频项目，遇到一件特别能说明 AI Coding 问题的事。 自动化测试报告非常漂亮，上百项甚至两百多项检查通过，接口、数据结构和各种模拟场景看起来都没有问题。 但继续往下核对，就会发现，真正需要交付的云端成片流程还没有全部走通。 因为那些测试验证的，是代码在规定的测试环境和模拟条件下怎样表现。 它们不一定真的调用过云端视频服务，不一定实际生成了最终文件，也不一定测试过客户登录以后从提交任务到查看成片的完整过程。 这个区别我觉得很多刚开始用 AI Coding 的人都容易忽略。尤其现在 Codex 可以自己生成测试、运行测试，再根据错误修改代码。整个过程非常流畅，最后还能输出一份特别完整的验收报告。 但如果测试里大量使用 Mock，外部 API 被替换成了模拟响应，那么通过这些测试，只能说明程序在这些模拟条件下满足了预期。 它不能自动证明真实 API 的权限配置、异步执行、文件上传和视频渲染都已经成功。 更麻烦的是，AI 还可能把它写得非常像一个完成的项目。 测试通过、模块已实现、功能已集成、系统已就绪，这几个表达放在一起，阅读的人很容易理解成项目已经可以交付了。 所以我现在更希望工程报告把验证分层写清楚。 单元测试验证具体逻辑，集成测试验证组件配合，真实环境测试验证外部服务，端到端验收则检查用户究竟能不能得到完整结果。 尤其是云端 AI 项目，不能拿一个离线模拟成功的结果，替代实际生成成片。 我不反对 Mock，也不反对大量自动化测试。恰恰相反，它们能帮开发者更快发现错误，降低每次修改的风险。 但测试结果必须和它真正验证过的范围对应。 AI Coding 越来越强之后，我觉得程序员要特别警惕这种情况：代码是 Agent 写的，测试是 Agent 生成的，最后验收总结还是 Agent 自己写的。 整套流程看起来非常完整，但可能始终没有人去执行那个真实用户最关心的操作。

曝光 237 · 评论 1 · 点赞 1 · 书签 0