Ringkasan dalam 3 poin
- Sepakati satuan, masukan sah, dan hasil acuan sebelum meminta kode.
- Uji tepat di batas aturan, sedikit di atasnya, serta data tidak valid.
- Jalankan tes pada implementasi sebenarnya dan tinjau perubahan secara terpisah.
Yang perlu dipahami
Dokumentasi GitHub menyebut kode dan saran review Copilot dapat terlihat valid tetapi salah secara logika, sintaks, atau keamanan. Review AI juga dapat melewatkan masalah maupun mengajukan masalah yang sebenarnya tidak ada.
GitHub menganjurkan pemeriksaan dan pengujian kode yang dihasilkan. Latihan di bawah adalah contoh Nalarku untuk mengubah aturan tertulis menjadi kasus uji; ini tidak mengukur akurasi Copilot atau model tertentu.
Pisahkan aturan bisnis dari implementasi
Sebelum menulis kode, tetapkan masukan yang sah, satuan, aturan pembulatan, dan perilaku ketika data tidak valid. Simpan hasil acuan terpisah dari fungsi yang akan diuji. Tes yang menghitung jawaban dengan rumus yang sama persis seperti implementasi dapat mengulang kesalahan yang sama.
Kasus batas memeriksa perubahan perilaku. Jika tarif berubah setiap 1.000 gram, uji 1.000 dan 1.001 gram. Tambahkan kasus tidak valid agar kode tidak diam-diam mengubah berat negatif, nol, atau pecahan menjadi biaya yang tampak wajar.
Jangan langsung menyetujui saran perbaikan
Ketika AI mengusulkan perubahan, minta penjelasan aturan mana yang dipenuhi dan kasus mana yang sebelumnya gagal. Jalankan ulang pengujian yang relevan pada kode sebenarnya, lalu baca perubahan untuk menemukan dampak di luar contoh. Hasil tes bukan pengganti pemeriksaan izin, keamanan, atau integrasi.
Gunakan untuk kebutuhanmu
Developer dan pelajar pemrograman dapat menilai implementasi lewat perilaku yang terukur. Penanggung jawab usaha juga mendapat daftar contoh untuk menyepakati aturan dengan pembuat aplikasi sebelum aturan tersebut dipakai menghitung transaksi nyata.
Relevan bagi: Developer, pelajar pemrograman, dan pembaca yang memahami dasar input, output, serta penanganan kesalahan.
Delapan kasus uji ongkir fiktif
Contoh buatan Nalarku · Bukan hasil uji produk
- Bahan atau instruksi
- Aturan latihan: berat harus berupa bilangan bulat positif dalam gram. Hingga 1.000 gram dikenai Rp10.000. Setiap tambahan 1.000 gram atau bagiannya menambah Rp5.000. Nol, berat negatif, dan gram pecahan harus ditolak. CSV berisi hasil acuan, bukan fungsi siap produksi.
- Hasil yang dituju
- Implementasi harus memberi hasil sesuai tabel. Contoh penting: 1.001 gram dikenai Rp15.000. Pembulatan tambahan berat ke bawah akan menghasilkan biaya yang salah pada kasus ini.
| Berat (gram) | Hasil yang diharapkan |
|---|---|
| 1 | Rp10.000 |
| 1000 | Rp10.000 |
| 1001 | Rp15.000 |
| 2000 | Rp15.000 |
| 2001 | Rp20.000 |
| 0 | Tolak |
| -1 | Tolak |
| 1000.5 | Tolak |
Yang perlu diperiksa
- Apakah 1.000 dan 1.001 gram masuk kelompok tarif yang berbeda?
- Apakah input pecahan, nol, dan negatif ditolak secara jelas?
- Apakah hasil acuan ditulis terpisah dari implementasi yang diuji?
Langkah yang bisa diikuti
- Tuliskan aturan dengan satuan dan contoh yang tidak ambigu.
- Tentukan masukan valid serta bentuk kesalahan yang diharapkan.
- Susun kasus biasa, batas bawah/atas, dan masukan tidak valid.
- Minta implementasi kecil lalu jalankan semua kasus pada kode tersebut.
- Tinjau hasil, perubahan kode, dan dampak integrasi sebelum menggunakannya pada sistem nyata.
Sumber dan referensi
Analisis menggabungkan fakta bersumber dan penafsiran Nalarku.
Proses editorial dan penggunaan AI · Hubungi Nalarku untuk koreksi
