ടെസ്റ്റ് ഓട്ടോമേഷൻ ആൻഡ് ക്വാളിറ്റി അഷ്വറൻസ്

നേട്ടങ്ങൾ:

• AI-യുമായുള്ള അർത്ഥവത്തായ ഉറപ്പോടെ യൂണിറ്റ്, ഇൻ്റഗ്രേഷൻ, എഡ്ജ് കേസ് ടെസ്റ്റുകൾ എന്നിവ നിർമ്മിക്കാനുള്ള കഴിവ്
• AI പിന്തുണയോടെ ടെസ്റ്റ് കവറേജ്, പരിമിത മൂല്യങ്ങൾ, നെഗറ്റീവ് സാഹചര്യങ്ങൾ എന്നിവ വ്യവസ്ഥാപിതമായി എക്‌സ്‌ട്രാക്റ്റുചെയ്യാനുള്ള കഴിവ്
• AI നിർമ്മിക്കുന്ന ടെസ്റ്റുകൾ യഥാർത്ഥത്തിൽ പെരുമാറ്റം പരിശോധിച്ചുറപ്പിക്കുന്നതാണെന്നും നിലവിലുള്ള കോഡ് ആവർത്തിക്കരുതെന്നും സ്ഥിരീകരിക്കാനുള്ള കഴിവ്

സോഫ്‌റ്റ്‌വെയർ യഥാർത്ഥത്തിൽ വാഗ്ദാനം ചെയ്തതുപോലെ പ്രവർത്തിക്കുന്നുവെന്ന് തെളിയിക്കുന്ന സംവിധാനമാണ് ടെസ്റ്റിംഗ്. ഒരു നല്ല ടെസ്റ്റ് സ്യൂട്ട് നിമിഷങ്ങൾക്കുള്ളിൽ നിങ്ങളോട് ഒരു മാറ്റം എന്തെങ്കിലും തകർക്കുകയും എഞ്ചിനീയർക്ക് ആത്മവിശ്വാസത്തോടെ പ്രവർത്തിക്കാനുള്ള സ്വാതന്ത്ര്യം നൽകുകയും ചെയ്യുന്നു. ടെസ്റ്റ് എഴുത്തിൻ്റെ ഏറ്റവും മടുപ്പിക്കുന്നതും ഒഴിവാക്കപ്പെട്ടതുമായ ഭാഗം AI വേഗത്തിലാക്കുന്നു: നിരവധി സാഹചര്യങ്ങൾ, ബ്രേക്ക്‌പോയിൻ്റുകൾ, നെഗറ്റീവ് കേസുകൾ എന്നിവ സൃഷ്ടിക്കുന്നു. എന്നാൽ ഇവിടെ ഒരു ഒളിഞ്ഞിരിക്കുന്ന കെണിയുണ്ട്: കോഡിൻ്റെ നിലവിലെ (ഒരുപക്ഷേ തെറ്റായ) സ്വഭാവം പരിശോധിക്കുന്ന ടെസ്റ്റുകൾ AI എഴുതിയേക്കാം, അതിൻ്റെ പെരുമാറ്റമല്ല; അല്ലെങ്കിൽ അത് യഥാർത്ഥത്തിൽ ഒന്നും പരിശോധിക്കാതെ, എപ്പോഴും വിജയിക്കുന്ന ശൂന്യമായ പരിശോധനകൾ ഉണ്ടാക്കാം. ഒരു ടെസ്റ്റിൻ്റെ മൂല്യം അത് വിജയിക്കുമോ എന്നതല്ല, മറിച്ച് അത് ശരിയായ കാര്യം പരിശോധിക്കുകയും തെറ്റാകുമ്പോൾ ചുവപ്പായി മാറുകയും ചെയ്യുന്നു എന്നതിലാണ്.

ഈ യൂണിറ്റിൽ, അർത്ഥവത്തായ അവകാശവാദങ്ങളോടെ യൂണിറ്റ്, ഇൻ്റഗ്രേഷൻ, എഡ്ജ് കേസ് ടെസ്റ്റുകൾ എന്നിവ എങ്ങനെ നിർമ്മിക്കാമെന്ന് നിങ്ങൾ പഠിക്കും; ടെസ്റ്റ് കവറേജ്, ബ്രേക്ക്‌പോയിൻ്റുകൾ, ദോഷകരമായ സാഹചര്യങ്ങൾ എന്നിവ എങ്ങനെയാണ് വ്യവസ്ഥാപിതമായി എക്‌സ്‌ട്രാക്റ്റുചെയ്യുന്നത്; AI നിർമ്മിക്കുന്ന പരിശോധനകൾ യഥാർത്ഥത്തിൽ പെരുമാറ്റത്തെ സാധൂകരിക്കുന്നുണ്ടോയെന്ന് നിങ്ങൾക്ക് എങ്ങനെ പരിശോധിക്കാമെന്ന് ഞങ്ങൾ കാണും.

ആശയങ്ങൾ: യൂണിറ്റ് പരിശോധന: ഒറ്റ ഫംഗ്‌ഷൻ/ക്ലാസ് ഐസൊലേഷനിൽ പരിശോധിക്കുന്നു. ഇൻ്റഗ്രേഷൻ ടെസ്റ്റിംഗ്: ഒന്നിലധികം ഭാഗങ്ങൾ ശരിയായി പ്രവർത്തിക്കുന്ന ടെസ്റ്റുകൾ. ഉറപ്പ്: ഒരു ഫലം പ്രതീക്ഷിച്ചതിന് തുല്യമാണെന്ന് പരിശോധിക്കുന്ന ഒരു പ്രസ്താവന; ഇതാണ് പരീക്ഷണത്തിൻ്റെ കാതൽ. കവറേജ്: ടെസ്റ്റുകൾ വഴി എത്ര കോഡ് പ്രവർത്തിക്കുന്നു; ഉയർന്ന കവറേജ് ഗുണനിലവാരം ഉറപ്പുനൽകുന്നില്ല.

അർത്ഥവത്തായ ടെസ്റ്റുകൾ നിർമ്മിക്കുന്നു

ഒരു നല്ല പരിശോധന മൂന്ന് കാര്യങ്ങൾ വ്യക്തമായി ചെയ്യുന്നു: അത് ഒരു അവസ്ഥ സ്ഥാപിക്കുന്നു, അത് ഒരു പ്രവൃത്തി ചെയ്യുന്നു, ഫലം ഉറപ്പിക്കുന്നു. AI-യിലേക്ക് പരിശോധനകൾ അച്ചടിക്കുമ്പോൾ, ഏത് സ്വഭാവമാണ് നിങ്ങൾ പരിശോധിക്കേണ്ടതെന്നും അത് ഏത് സാഹചര്യങ്ങളാണ് ഉൾക്കൊള്ളേണ്ടതെന്നും വ്യക്തമാക്കുക; അല്ലെങ്കിൽ, അത് എല്ലായ്പ്പോഴും കടന്നുപോകുന്ന ഉപരിപ്ലവമായ പരിശോധനകൾ ഉണ്ടാക്കുന്നു.

1. പരിശോധിക്കേണ്ട സ്വഭാവം നിർവചിക്കുക. “എന്താണ് ശരിയെന്ന് കണക്കാക്കുന്നത്?” ചോദ്യത്തിന് വ്യക്തമായി ഉത്തരം നൽകുക.
2. സാഹചര്യ തരങ്ങൾ ചോദിക്കുക. സാധാരണ, പരിധി, നെഗറ്റീവ്, പിശക് അവസ്ഥ.
3. അർത്ഥവത്തായ ഉറപ്പ് ഇറക്കുമതി ചെയ്യുക. ഇത് "ഒരു പിശക് എറിയുക" മാത്രമല്ല, അത് "ശരിയായ മൂല്യം തിരികെ നൽകി".
4. പരിശോധനയുടെ കൃത്യത പരിശോധിക്കുക. നിങ്ങൾ ബോധപൂർവ്വം കോഡ് തകർക്കുമ്പോൾ പരിശോധന ചുവപ്പായി മാറുമോ?

സമഗ്രമായ ടെസ്റ്റ് ജനറേഷൻ പ്രോംപ്റ്റ്: "ഇനിപ്പറയുന്ന 'അപ്ലൈഡിസ്‌കൗണ്ട്(തുക, കൂപ്പൺ)' ഫംഗ്‌ഷനായി യൂണിറ്റ് ടെസ്റ്റുകൾ എഴുതുക. ഇനിപ്പറയുന്ന വിഭാഗങ്ങളിൽ കുറഞ്ഞത് ഒരു സാഹചര്യമെങ്കിലും ഉണ്ടായിരിക്കണം: (1) സാധാരണ സാധുതയുള്ള കൂപ്പൺ, (2) ബ്രേക്ക്‌പോയിൻ്റുകൾ (0 തുക, 100% കിഴിവ്), (3) നെഗറ്റീവ് (കൂപ്പൺ, പിഴവ് പോലെ), (അസാധുവായ തുക), ഓരോ ടെസ്റ്റിലും കോൺക്രീറ്റ് പ്രതീക്ഷിക്കുന്ന മൂല്യം ('പ്രവർത്തിച്ചത്' എന്നല്ല).

ബൗണ്ടറി മൂല്യം എക്‌സ്‌ട്രാക്ഷൻ പ്രോംപ്റ്റ്: "ഈ ഫംഗ്‌ഷൻ്റെ ഇൻപുട്ടുകൾക്കായി ഒരു ബൗണ്ടറി മൂല്യ വിശകലനം നടത്തുക. ഓരോ പരാമീറ്ററിനും, 'അതിർത്തിയിൽ മാത്രം', 'അതിർത്തിയ്ക്ക് തൊട്ടുതാഴെ', 'അതിർത്തിക്ക് തൊട്ടുമുകളിൽ' എന്നീ മൂല്യങ്ങൾ ഒരു പട്ടികയായി എക്‌സ്‌ട്രാക്റ്റുചെയ്യുക. തുടർന്ന് ഈ അതിരുകൾ ഉൾക്കൊള്ളുന്ന ടെസ്റ്റ് സാഹചര്യങ്ങൾ ലിസ്റ്റ് ചെയ്യുക. തുടർന്ന് ഈ ബൗണ്ടറികൾ ഉൾക്കൊള്ളുന്ന ടെസ്റ്റ് സാഹചര്യങ്ങൾ ലിസ്റ്റ് ചെയ്യുക.

മുന്നറിയിപ്പ്: ഉയർന്ന ടെസ്റ്റ് കവറേജ് (ഉദാ. 90%) കോഡ് ശരിയാണെന്ന് തെളിയിക്കുന്നില്ല. എത്ര വരികൾ എക്സിക്യൂട്ട് ചെയ്തുവെന്ന് കവറേജ് അളക്കുന്നു; ആ വരികൾ ശരിയായ ഫലം നൽകുന്നു എന്നല്ല. അർത്ഥവത്തായ ഉറപ്പില്ലാത്ത ഒരു പരിശോധന കവറേജ് വർദ്ധിപ്പിക്കും, പക്ഷേ ഒന്നും ഉറപ്പുനൽകുന്നില്ല. അവകാശവാദത്തിൻ്റെ ഉള്ളടക്കം ഗുണനിലവാരത്തെ നിർണ്ണയിക്കുന്നു, അവകാശവാദങ്ങളുടെ എണ്ണമല്ല.

ടെസ്റ്റിംഗ് തന്നെ ടെസ്റ്റിംഗ്: ദി ലോജിക് ഓഫ് മ്യൂട്ടേഷൻ

AI- ജനറേറ്റഡ് ടെസ്റ്റ് യഥാർത്ഥത്തിൽ പ്രവർത്തിക്കുന്നുണ്ടോ എന്ന് മനസിലാക്കാനുള്ള ഏറ്റവും പ്രായോഗിക മാർഗം മനഃപൂർവ്വം കോഡ് തകർക്കുക എന്നതാണ് (മ്യൂട്ടേഷൻ ടെസ്റ്റിംഗ് ലോജിക്). ഒരു വ്യവസ്ഥയെ വിപരീതമാക്കുക, ഒരു + അടയാളം ഉണ്ടാക്കുക -; പരിശോധനകളൊന്നും ചുവപ്പായി മാറുന്നില്ലെങ്കിൽ, നിങ്ങളുടെ പരിശോധനകൾ യഥാർത്ഥത്തിൽ ആ സ്വഭാവം നിലനിർത്തുന്നില്ല.

ടെസ്‌റ്റ് വൾനറബിലിറ്റി ഹണ്ടിംഗ് പ്രോംപ്റ്റ്: "ഈ കോഡിലെ ബഗുകൾ ഏതൊക്കെയാണെന്ന് പറയൂ

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ദുർബലമായത്: "ഈ പ്രവർത്തനത്തിന് ഒരു ടെസ്റ്റ് എഴുതുക." (ഫലം: സാധാരണയായി ഒരു സന്തോഷകരമായ സാഹചര്യം, ദുർബലമായ അവകാശവാദം; തെറ്റുകൾ ഒഴിവാക്കുന്നു.) STRONG: "ഈ 'പാസ്‌വേഡ് സ്ട്രോങ്ങ്' ഫംഗ്‌ഷനിലേക്ക് ഒരു ടെസ്റ്റ് എഴുതുക. നിയമം: കുറഞ്ഞത് 8 പ്രതീകങ്ങൾ, 1 വലിയക്ഷരം, 1 അക്കം ആവശ്യമാണ്. ഇനിപ്പറയുന്ന സാഹചര്യങ്ങൾ പ്രത്യേക പരിശോധനകളായി കവർ ചെയ്യുക: കൃത്യം 8 പ്രതീകങ്ങൾ (പരിധി, ശൂന്യമായ അക്ഷരങ്ങൾ, 7 അക്ഷരങ്ങൾ ഇല്ല), സ്‌ട്രിംഗ്, സ്‌പെയ്‌സുകൾ മാത്രം, വളരെ ദൈർഘ്യമേറിയ (1000 പ്രതീകങ്ങൾ) ഓരോ ടെസ്റ്റിലും പ്രതീക്ഷിക്കുന്ന ശരി/തെറ്റായ മൂല്യം വ്യക്തമായി ഉറപ്പിക്കുകയും അത് പരിശോധിക്കുന്നതിനനുസരിച്ച് ടെസ്റ്റിന് പേര് നൽകുകയും ചെയ്യുക."

ശക്തമായ പ്രോംപ്റ്റ് നിയമങ്ങളും പൂർണ്ണമായ അതിർത്തി സാഹചര്യങ്ങളും നൽകുന്നു. "കൃത്യമായി 8 / 7 പ്രതീകങ്ങൾ" പോലെയുള്ള അതിർത്തി ജോഡികളാണ് തെറ്റുകൾ വരുത്താനുള്ള ഏറ്റവും സാധാരണമായ ഇടങ്ങൾ (ആശയക്കുഴപ്പത്തിലാക്കുന്നത് > = എന്നതുമായി). ദുർബലമായ പ്രോംപ്റ്റ് ഈ അതിരുകളെ മറികടക്കുകയും പിശക് ഉൽപാദനത്തിലേക്ക് കൊണ്ടുപോകുകയും ചെയ്യുന്നു.

ടെസ്റ്റ് തരങ്ങളും എവിടെ ഉപയോഗിക്കണം

ടെസ്റ്റ് തരം

അത് എന്താണ് സ്ഥിരീകരിക്കുന്നത്?

AI സംഭാവന

ശ്രദ്ധ

യൂണിറ്റ്

സിംഗിൾ ഫംഗ്‌ഷൻ/ക്ലാസ്

ഒന്നിലധികം രംഗങ്ങൾ വേഗത്തിൽ സൃഷ്ടിക്കുന്നു

അർത്ഥവത്തായ ഉറപ്പ് ആവശ്യമാണ്

സംയോജനം

ഒരുമിച്ച് പ്രവർത്തിക്കുന്ന ഭാഗങ്ങൾ

സാഹചര്യവും മോക്ക് ഡാറ്റ ഡ്രാഫ്റ്റും

യഥാർത്ഥ ആസക്തി നിറഞ്ഞ പെരുമാറ്റം

അവസാനിപ്പിക്കുക/അംഗീകരിക്കുക

മുഴുവൻ ഉപയോക്തൃ ഫ്ലോ

സ്റ്റെപ്പ് ലിസ്റ്റും പ്രതീക്ഷയും

പൊട്ടുന്ന സ്വഭാവം

റിഗ്രഷൻ

പഴയ പിശക് തിരികെ വരുന്നില്ല

തെറ്റായ നിർദ്ദിഷ്ട പരിശോധന

എല്ലാ പരിഹാരങ്ങളിലും ചേർക്കണം

മിനി കേസുകൾ

കേസ് 1 - എല്ലായ്പ്പോഴും കടന്നുപോകുന്ന പരീക്ഷ. AI ഒരു ഫംഗ്‌ഷനിലേക്ക് 12 ടെസ്റ്റുകൾ എഴുതുകയും അവയെല്ലാം വിജയിക്കുകയും ചെയ്യുന്നു. എഞ്ചിനീയർ സംശയാസ്പദമായി മാറുകയും ഫംഗ്ഷൻ്റെ റിട്ടേൺ മൂല്യത്തെ മനഃപൂർവ്വം വളച്ചൊടിക്കുകയും ചെയ്യുന്നു; 3 ടെസ്റ്റുകൾ മാത്രമാണ് ചുവപ്പായി മാറുന്നത്. മറ്റ് 9 ടെസ്റ്റുകളിൽ അർത്ഥവത്തായ ഉറപ്പുകൾ അടങ്ങിയിട്ടില്ല. മ്യൂട്ടേഷൻ വേട്ടയിലൂടെ പരിശോധന ശക്തിപ്പെടുത്തുന്നു; യഥാർത്ഥ സംരക്ഷണം 9 സാഹചര്യങ്ങളിലാണ് ലഭിക്കുന്നത്.

കേസ് 2 - അതിർത്തി പിശക്. ഒരു വയസ്സ് സ്ഥിരീകരണ ഫംഗ്‌ഷൻ "18-ഉം അതിനുമുകളിലും സാധുതയുള്ളതാണ്" എന്ന് പറയണം, എന്നാൽ >18 എന്ന് എഴുതിയിരിക്കുന്നു, അതായത് 18 വയസ്സ് നിരസിക്കപ്പെട്ടിരിക്കുന്നു. ബ്രേക്ക്‌പോയിൻ്റ് വിശകലനത്തിലൂടെ AI "കൃത്യമായി 18" സാഹചര്യം സൃഷ്ടിക്കുന്നതിനാൽ പരിശോധനയിൽ പിശക് ഉടനടി ദൃശ്യമാകുന്നു. ഒരൊറ്റ പരിധി പരിശോധന യഥാർത്ഥ ഉപയോക്തൃ പരാതികളെ തടയുന്നു.

കേസ് 3 - നിലവിലെ പെരുമാറ്റം പരിഹരിക്കുന്നു. "ഈ കോഡിനെ അടിസ്ഥാനമാക്കി ഒരു ടെസ്റ്റ് എഴുതുക" എന്ന് AI-യോട് പറയുമ്പോൾ, കോഡിൽ നിലവിലുള്ള ഒരു റൗണ്ടിംഗ് പിശക് "ശരി" എന്ന് അംഗീകരിക്കുന്ന ഒരു ടെസ്റ്റ് അത് നിർമ്മിക്കുന്നു. എഞ്ചിനീയർ കോഡല്ല, ആവശ്യകത (പ്രതീക്ഷിച്ച ശരിയായ മൂല്യം) അനുസരിച്ച് ടെസ്റ്റ് പ്രിൻ്റ് ചെയ്യുമ്പോൾ, ടെസ്റ്റ് ചുവപ്പായി മാറുകയും യഥാർത്ഥ പിശക് സംഭവിക്കുകയും ചെയ്യുന്നു. ടെസ്റ്റുകൾ കോഡിൽ നിന്നല്ല, പ്രതീക്ഷയിൽ നിന്നായിരിക്കണം.

സാധാരണ തെറ്റുകൾ

• അർത്ഥമില്ലാത്ത വാദം. "ഒരു പിശക് എറിഞ്ഞില്ല" പോരാ; ശരിയായ മൂല്യം സ്ഥിരീകരിക്കണം.
• ഗുണനിലവാരവുമായി ആശയക്കുഴപ്പം സൃഷ്ടിക്കുന്നു. ഉയർന്ന കവറേജ് കൃത്യമായ ഫലങ്ങളുടെ ഗ്യാരണ്ടിയില്ല.
• കോഡ് ഉപയോഗിച്ച് ടെസ്റ്റ് പ്രിൻ്റ് ചെയ്യുന്നു. നിലവിലെ പിശക് "ശരി" എന്ന് പരിഹരിക്കുന്നു; ടെസ്റ്റുകൾ പ്രതീക്ഷയിൽ നിന്ന് ഉരുത്തിരിയണം.
• പരിധി മൂല്യങ്ങൾ ഒഴിവാക്കുന്നു. ആശയക്കുഴപ്പം > കൂടെ >= ആണ് ഏറ്റവും സാധാരണമായ തെറ്റ്; അതിർത്തി ജോഡികൾ പരീക്ഷിക്കണം.
• ടെസ്റ്റ് തന്നെ ഓഡിറ്റ് ചെയ്യുന്നില്ല. നിങ്ങൾ കോഡ് തകർക്കുമ്പോൾ ചുവപ്പ് നിറമാകാത്ത ഒരു ടെസ്റ്റ് പരിരക്ഷ നൽകുന്നില്ല.

ചുരുക്കത്തിൽ

ആത്മവിശ്വാസത്തോടെ മാറ്റങ്ങൾ വരുത്തുന്നതിനുള്ള താക്കോലാണ് ഒരു നല്ല ടെസ്റ്റിംഗ് സ്യൂട്ട്. AI പെട്ടെന്ന് നിരവധി സാഹചര്യങ്ങളും അതിരുകളും പ്രതികൂല സാഹചര്യങ്ങളും സൃഷ്ടിക്കുന്നു; എന്നാൽ ആവശ്യകതകളേക്കാൾ കോഡിൽ നിന്നാണ് ഇത് ടെസ്റ്റുകൾ ലഭിക്കുന്നതെങ്കിൽ, അതിന് നിലവിലുള്ള ബഗുകൾ പരിഹരിക്കാനോ എല്ലായ്പ്പോഴും വിജയിക്കുന്ന അർത്ഥശൂന്യമായ ടെസ്റ്റുകൾ എഴുതാനോ കഴിയും. ഓരോ ടെസ്റ്റിലും കോൺക്രീറ്റ് പ്രതീക്ഷിക്കുന്ന മൂല്യം ഉറപ്പിക്കുക, ബന്ധിപ്പിച്ച ജോഡികൾ ഉൾപ്പെടുത്തുക, കൂടാതെ കോഡ് മനപ്പൂർവ്വം തകർക്കുന്നതിലൂടെ നിങ്ങളുടെ ടെസ്റ്റുകൾ യഥാർത്ഥത്തിൽ സംരക്ഷിക്കപ്പെടുന്നുവെന്ന് പരിശോധിക്കുക. സ്കോപ്പുകളുടെ എണ്ണമല്ല, ഉറപ്പിൻ്റെ ഉള്ളടക്കമാണ് ഗുണനിലവാരം നിർണ്ണയിക്കുന്നത്.

ആപ്ലിക്കേഷൻ ടാസ്ക്

ഒരു ഫംഗ്‌ഷൻ തിരഞ്ഞെടുത്ത് അത് സമഗ്രമായ ഒരു ടെസ്റ്റ് ജനറേഷൻ പ്രോംപ്‌റ്റ് ഉപയോഗിച്ച് നാല് വിഭാഗങ്ങളിലായി (സാധാരണ, പരിധി, നെഗറ്റീവ്, പിശക്) ടെസ്റ്റുകൾ സൃഷ്ടിക്കുക; ഓരോ ടെസ്റ്റിലും കോൺക്രീറ്റ് പ്രതീക്ഷിക്കുന്ന മൂല്യം ഉറപ്പിക്കുക. തുടർന്ന് ടെസ്റ്റ് വൾനറബിലിറ്റി ഹണ്ടിംഗ് പ്രോംപ്റ്റ് റൺ ചെയ്യുക, കോഡിലെ 5 ചെറിയ മ്യൂട്ടേഷനുകൾ നിർദ്ദേശിക്കുക, അവ ഏതൊക്കെയാണ് പിടിക്കുന്നതെന്ന് പരിശോധിക്കാൻ ടെസ്റ്റുകൾ പ്രവർത്തിപ്പിക്കുക. പിടിക്കപ്പെടാത്ത ഒരു മ്യൂട്ടേഷനെങ്കിലും ഒരു പുതിയ ടെസ്റ്റ് ചേർക്കുക, അത് ഇപ്പോൾ ചുവപ്പ് നിറത്തിലാണെന്ന് കാണിക്കുക.

ചെക്ക്ലിസ്റ്റ്

• [ ] പ്രതീക്ഷിച്ച/ശരിയായ സ്വഭാവത്തെ അടിസ്ഥാനമാക്കിയാണ് ഞാൻ ടെസ്റ്റുകൾ അച്ചടിച്ചത്, കോഡ് അല്ല.
• [ ] ഞാൻ സാധാരണ, പരിധി, നെഗറ്റീവ്, പിശക് സാഹചര്യങ്ങൾ കവർ ചെയ്തു.
• [ ] ഓരോ ടെസ്റ്റിലും മൂർത്തമായ പ്രതീക്ഷിത മൂല്യം ഞാൻ ഉറപ്പിച്ചു.
• [ ] ഞാൻ ബോർഡർ ജോഡികൾ പരീക്ഷിച്ചു (മുകളിൽ-താഴെ / തൊട്ട് മുകളിൽ-താഴെ).
• [ ] മനഃപൂർവം കോഡ് ലംഘിച്ചുകൊണ്ട്, പരിശോധനകൾ ചുവപ്പായി മാറിയെന്ന് ഞാൻ സ്ഥിരീകരിച്ചു.
• [ ] കണ്ടെത്താത്ത മ്യൂട്ടേഷനുകൾക്കായി ഞാൻ ഒരു പുതിയ ടെസ്റ്റ് ചേർത്തു.