跳到主要内容

按粒度:测试层次——从单元到端到端

测试的第一个划分维度是粒度:你到底在测多大一块东西?一行函数、一个模块、一个服务、还是一整条用户链路?不同粒度回答不同问题、用不同工具、承担不同成本。这篇讲这五个层次之间的关系,以及为什么"金字塔"这个形状会成为工业界的默认答案。

1. 五个层次的定义​

先把话说清楚。行业里的术语常混用,这里给一个我用起来最省事的定义:

层次测什么边界依赖
单元测试一个函数/类/方法单文件、单进程全部 mock
集成测试多个模块协作一个服务内部部分真实、部分 mock
系统测试整个系统一个部署实例全部真实
验收测试用户价值从用户视角全部真实
E2E 测试端到端链路跨服务、跨系统全部真实

系统测试和 E2E 常被混着说。粗略的区分是:系统测试关心"这个系统本身能不能工作",E2E 关心"这个系统在整条业务链路里能不能工作"。举例:一个订单系统,系统测试测"下单接口返回是否正确",E2E 测"用户从选商品到付款到收到确认邮件是否走通"。

2. 用登录功能穿一遍​

抽象定义容易糊。用一个具体功能——用户登录——过一遍每个层次到底怎么测。

单元测试:测密码校验函数。

def test_verify_password_correct():
hashed = hash_password("hunter2")
assert verify_password("hunter2", hashed) is True

def test_verify_password_wrong():
hashed = hash_password("hunter2")
assert verify_password("wrong", hashed) is False

def test_verify_password_empty():
with pytest.raises(ValueError):
verify_password("", "any_hash")

只测函数本身。没有数据库、没有 HTTP、没有 Redis。跑一次几毫秒。

集成测试:测 AuthService 和数据库、缓存之间的协作。

def test_login_updates_last_login_time():
user = create_test_user("alice", "hunter2")
result = auth_service.login("alice", "hunter2")
assert result.success
reloaded = user_repo.find_by_id(user.id)
assert reloaded.last_login_at is not None

def test_login_rate_limit():
for _ in range(5):
auth_service.login("alice", "wrong")
result = auth_service.login("alice", "hunter2")
assert result.error == "rate_limited"

这里数据库和 Redis 都是真的(testcontainer 拉起来的),但没起 HTTP 服务。跑一次几秒。

系统测试:起完整的登录服务,通过 HTTP 接口测。

POST /api/login
Content-Type: application/json
{"username": "alice", "password": "hunter2"}

Expected: 200 OK
Body: {"token": "<jwt>", "expires_in": 3600}

用 Postman、Rest Assured 或者代码直接发请求。测的是接口契约、认证头、错误码、响应结构。跑一次几十秒。

验收测试:用产品经理写的验收标准。

Given 一个已注册的用户 alice
When alice 用正确密码登录
Then 页面跳转到首页
And 首页右上角显示 "欢迎,alice"

用 Cucumber、Behave 这类 BDD 工具,或者干脆用 Selenium 脚本。视角是"用户能不能完成他想做的事",不再关心 JWT 结构。

E2E 测试:从浏览器开始,一路走到订单页。

1. 打开 https://example.com
2. 点击"登录"
3. 输入用户名密码
4. 点击"提交"
5. 等待跳转到首页
6. 点击"我的订单"
7. 验证订单列表能加载

用 Cypress、Playwright、Selenium。这里测的是登录后能不能把用户带进正常的业务流程——包含 CDN、网关、认证服务、订单服务、前端渲染的整条链路。跑一次几分钟。

同一个"登录",五种测法测的是五个不同的问题。这是分层的意义。

3. 测试金字塔​

Mike Cohn 在 2009 年提出的图,此后成了默认心智模型:

        /\
/E2\ <- 少(几十条)
/----\
/ UI \ <- 中(几百条)
/--------\
/ 集成/API \ <- 多(几千条)
/------------\
/ 单元测试 \ <- 巨多(几万条)
/________________\

金字塔的核心论断是:下层要多、上层要少。为什么?

单元集成E2E
单次运行速度毫秒秒分钟
稳定性高中低(flaky)
反馈精度定位到函数定位到模块只知道"挂了"
编写成本低中高
维护成本低中极高

E2E 用例经常"挂但不知道为什么挂"——可能是被测服务挂了、可能是测试环境的网络抖动、可能是前端一个 class name 改了导致选择器失效。CI 里跑 200 个 E2E,稳定挂 5–10 个的场景太常见。这就是 flaky test 问题。

单元测试相反:函数改了、断言失败,一秒定位到具体哪个 case 挂了。修一次维护成本几乎为零。

所以金字塔的形状不是审美,是成本-价值权衡的自然产物。

4. 测试奖杯:前端时代的修正​

金字塔在前端和一部分微服务场景下被质疑。Kent C. Dodds 在 2018 年提出"测试奖杯"(Testing Trophy):

       ___________
/ \
/ E2E \
/_______________\
/ \
/ Integration \ <- 最粗那一层
/_____________________\
/ \
| Unit |
|_______________________|
_______
|静态检查| <- 底座
|_______|

奖杯的形状是"集成最粗、单元变窄、增加静态检查底座"。为什么这么改?

  • 前端组件难以做纯粹的单元测试:React 组件、Vue 组件本身就是"输入 props、输出 DOM"的东西,脱离 DOM 环境的单测意义不大。把它们放进"渲染 + 交互"的集成测试里更划算。
  • 静态检查提前拦截很多单元测试要测的问题:TypeScript 让"传错参数类型"这类问题在编译期就被拦,不需要单测覆盖。
  • 微服务里模块交互 bug 比单模块内部 bug 更多:分布式系统的问题往往在边界上,集成测试的性价比就上去了。

金字塔和奖杯不是对立的,是对不同场景的适应。后端逻辑密集的服务用金字塔,前端组件密集的应用用奖杯,微服务架构介于两者之间。

5. 反模式:冰淇淋蛋筒​

跟金字塔完全相反的形状——上宽下窄,Alister Scott 起的名字叫 "Ice Cream Cone":

 \                  /
\ 巨多 E2E /
\______________/
\ /
\ 一些 API /
\________/
\ /
\单测/ <- 几乎没有
\__/

出现这种形状的团队通常是这样的:开发不写单测("太麻烦"、"覆盖率高又怎样"),QA 补大量 E2E 用例("看得见摸得着"),结果每次发版跑 8 小时 E2E,flaky 一堆,改一行代码不知道会不会挂 20 个用例。

冰淇淋蛋筒不是不能工作,只是运行成本极高、反馈极慢、回归极痛苦。识别标志:CI 跑一次需要 30 分钟以上、E2E 挂了没人认真查、"重跑一次就好了"成了日常口头禅。

6. 每一层的测试重点差异​

同一个功能在不同层次上,测试重点也不一样。以"下单"为例:

层次重点举例
单元逻辑正确性折扣计算函数在边界值上是否精确
集成依赖协作库存服务超时时订单服务能不能优雅降级
系统接口契约POST /orders 在缺字段时返回 400
验收用户价值用户点"下单"能否在 3 秒内看到成功页
E2E链路可达下单后 30 秒内是否发出确认邮件

一个常见错误是在错误的层次测错误的问题。比如:

  • 在 E2E 里测折扣计算的精度——用例极多、跑得慢、有一个挂了完全定位不到问题。这些应该在单元测。
  • 在单元测试里 mock 掉数据库然后测"数据能不能正确落库"——mock 让测试变成"我 mock 了什么就返回什么",根本没测到真正的东西。这些应该在集成测。
  • 在系统测试里手工点 UI 验证功能——用完就丢,回归时又要重来。这些应该在 E2E 自动化。

层次错位会让测试既做了很多又没什么用。这不是量的问题,是结构的问题。

7. 覆盖率在不同层次的含义​

单元测试的覆盖率(语句覆盖、分支覆盖)有明确的量化指标,见 动态测试:白盒测试。80% 分支覆盖是个常见的门槛。

到集成层次,覆盖率的定义就模糊了。跑一次集成测试可能覆盖了很多代码路径,但你关心的其实是"跨模块的交互场景"覆盖,这个没法用行数衡量。

到 E2E 层次,覆盖率通常用"业务场景数 / 总业务场景数"来估算,纯人工判断。E2E 追求覆盖率是错误的方向,应该追求"关键业务路径全覆盖"——比如电商的注册、登录、浏览、加购、下单、支付、退货这七条路径,每条至少一个 E2E 用例。

关于覆盖率作为指标的陷阱,见 测试管理 的度量部分。

8. 为什么金字塔不是唯一答案​

现代软件系统的形态在变化,金字塔的假设也在被挑战:

  • Serverless / FaaS:函数本身就是最小部署单元,单测和集成测的界限模糊。
  • 微前端:前端从"一个 SPA"变成"多个团队独立开发的碎片拼起来",单元测试和 E2E 之间需要一个"契约测试"层。
  • AI/ML 系统:模型行为不确定,传统"给定输入断言输出"的模式失效,需要"指标测试"层(准确率、召回率、公平性)。
  • 数据管道:正确性依赖数据质量,需要"数据测试"层(great_expectations、dbt tests)。

新形态下的分层策略仍在演化。但**"越低层越多、越高层越少"** 这个原则大概率还成立——不是因为金字塔好看,而是因为下层的成本-价值比永远优于上层。

9. 局限​

分层是有用的抽象,但分层过细会把测试工程搞得太重。小项目(比如一个后台工具)根本不需要五层,两层——单测 + 一小把 E2E 冒烟——就够了。追求"每一层都有"是形式主义。

另一个坑是层次之间的重复覆盖。同一个"折扣计算"在单测覆盖了、在集成又测一遍、E2E 里又验证一次,看似很全,实际上是浪费——修一次逻辑要改三处测试,回归成本被人为放大。原则是每个具体问题在最低能测到的层次测掉,上层只做"这一层特有的问题"。

10. 分层视角下的其他主题​

粒度是测试的结构维度。跟它交叉的还有:

分层不是终点,是分析测试策略的坐标系。任何一次测试改造前,先问"我在哪一层动手"——答案往往决定成败。