单元测试生成器：随机测试要和题目约束绑在一起

单元测试生成器：随机测试要和题目约束绑在一起

一、随机不是乱造

AI 可以帮算法题生成单元测试，但随机测试如果不理解题目约束，很容易造出非法用例，或者永远测不到关键边界。比如数组长度、元素范围、是否有重复、图是否连通、字符串字符集，这些都是测试生成的前提。

随机测试要和题目约束绑定，不是随便 random()。

二、先抽取约束

flowchart TD
  A[题目描述] --> B[输入范围]
  B --> C[结构约束]
  C --> D[边界用例]
  D --> E[随机生成器]
  E --> F[暴力解对拍]

生成器需要知道合法输入是什么。图题要知道是不是无向图，树题要保证无环连通，区间题要保证 left <= right。

test_constraints:
  n:
    min: 1
    max: 100000
  values:
    min: -1000
    max: 1000
  allow_duplicate: true

这些约束最好结构化保存。

三、小规模用暴力解对拍

def generate_case(n=8):
    import random
    return [random.randint(-10, 10) for _ in range(n)]

def check(solution, brute, rounds=1000):
    for _ in range(rounds):
        case = generate_case()
        assert solution(case) == brute(case)

大规模测试看性能，小规模随机对拍看正确性。暴力解慢一点没关系，因为 n 可以很小。

AI 生成测试时，最好同时生成“为什么这个用例重要”。比如全负数、重复元素、空窗口、最大边界、不可达节点。这样测试集更容易被人审查。

四、边界用例要固定保存

随机测试每次不一样，发现问题后要把失败用例固定下来，加入回归集。否则今天发现的 bug，明天可能因为随机种子变化就测不到了。

regression_case:
  source: random_fuzz
  seed: 20260705
  reason: duplicate_boundary_failed

保存 seed 也很重要。复杂生成器里，只有输入还不够，seed 能帮助复现整个生成过程。

还要区分非法输入测试。刷题平台通常只给合法输入，但工程系统里的函数可能要处理非法参数。题解测试和工程测试的目标不同，不要混在一起。

最后，测试生成器本身也要评测。它是否覆盖边界，是否生成非法用例，是否能稳定复现失败，这些都应该有指标。

生成器还要区分均匀随机和定向随机。均匀随机很容易测不到稀有边界，比如全相等、严格递增、只有一个负数、图中存在孤立点。定向随机可以专门提高这些模式出现概率。

random_case_strategy:
  uniform_random: 50
  boundary_pattern: 30
  adversarial_pattern: 20

对抗用例尤其适合暴露错误复杂度。比如单调栈题给严格递增或递减数组，哈希题给大量重复元素，图题给稠密边。测试不是为了温柔，而是为了尽早把错误逼出来。

最后，AI 生成测试时要避免只生成“看起来复杂”的用例。复杂不等于有效，能击中错误假设的用例才有价值。

五、总结

单元测试生成器要先结构化题目约束，再结合边界用例、随机对拍、暴力解和回归保存。

随机测试不是乱造。和题目约束绑在一起，随机才会变成真正的质量工具。