Όταν χρησιμοποιείται σωστά, ένας AI είναι εξαιρετικός στο μέρος της απαρίθμησης των δοκιμών — σκέφτεται περιπτώσεις ακμής και γράφει το boilerplate γρήγορα. Αλλά πρέπει να επαληθεύσεις ότι οι assertions είναι ουσιαστικές, γιατί ένας AI θα χαρά να γράψει δοκιμές που περνούν χωρίς να αποδεικνύουν τίποτα.
// Function under test, with its contract:
// applyDiscount(price, percent) -> price reduced by percent.
// Contract: percent must be 0..100; throws RangeError otherwise. price >= 0.
function applyDiscount(price, percent) {
if (percent < 0 || percent > 100) throw new RangeError('percent out of range');
return price - (price * percent) / 100;
}
// AI-suggested test cases (Jest) — note the edge and error paths, not just happy path:
test('applies a normal discount', () => {
expect(applyDiscount(100, 20)).toBe(80); // happy path
});
test('0% leaves price unchanged', () => {
expect(applyDiscount(100, 0)).toBe(100); // boundary: lower edge
});
test('100% makes it free', () => {
expect(applyDiscount(100, 100)).toBe(0); // boundary: upper edge
});
test('rejects percent above 100', () => {
expect(() => applyDiscount(100, 150)).toThrow(RangeError); // error path
});
Ο AI πρότεινε τις περιπτώσεις ορίων (0 και 100) και τη διαδρομή σφάλματος που ίσως ξεχάσεις. Το έργο σου είναι να επιβεβαιώσεις ότι toBe(80) είναι η σωστή αναμενόμενη τιμή, όχι απλά ό,τι τυχαίνει να επιστρέφει η συνάρτηση.
Το δύσκολο μέρος της δοκιμής δεν είναι το πληκτρολόγημα των test(...) blocks — είναι σκέψη των περιπτώσεων που θα χανες αλλιώς, και ένας AI είναι πραγματικά καλός σε αυτό το εύρος. Αλλά δεν έχει ιδέα τι πρέπει να κάνει ο κώδικας σου εκτός αν του το πεις, γι' αυτό αν του το αφήσεις ασύγχεχει τείνει να γράφει δοκιμές που αντικατοπτρίζουν την υλοποίηση (περνούν, αλλά θα έπερναν ακόμα κι αν η συνάρτηση ήταν λανθασμένη). Η αντιμετώπιση του AI ως γεννήτριας περιπτώσεων ακμής ενώ εσύ διαθέτεις τις assertions σου δίνει ευρεία κάλυψη και πραγματική ορθότητα — ταχύτητα από τον AI, κρίση από σένα.