Gerar código com AI é fácil, 𝘃𝗮𝗹𝗶𝗱𝗮𝗿 𝗾𝘂𝗲 𝗲𝗹𝗲 𝗳𝘂𝗻𝗰𝗶𝗼𝗻𝗮 é o problema

Testes automatizados são essenciais porque permitem que o software seja alterado e validado em escala com 𝗯𝗮𝗶𝘅𝗼 𝗰𝘂𝘀𝘁𝗼.

Eles são especificação executável, são os primeiros clientes do seu código e te avisam quando algum comportamento quebrou antes do bug chegar em produção.

Eles ainda permitem que o sistema seja melhorado e refatorado com segurança ao longo do tempo, além de serem a base para a manutenção de um ritmo sustentável de entregas.

O 𝗘𝘀𝘁𝘂𝗱 (projeto open-source de gestão acadêmica) é um exemplo de como testar software na prática.

Ele possui diversas funcionalidades e integrações com serviços externos, o que leva a uma grande quantidade de casos de uso que precisam ser validados continuamente conforme a evolução do projeto.

Seus +2.000 testes estão divididos entre unidade (30%) e integração (70%). Os de integração rodam contra dependências reais sempre que possível, pra testar o sistema do jeito que ele roda em produção:

• 𝗣𝗼𝘀𝘁𝗴𝗿𝗲𝗦𝗤𝗟 (banco com estrutura igual ao de produção)
• 𝗥𝘂𝘀𝘁𝗙𝗦 (possui a mesma API do Cloudflare R2 usado em produção)
• 𝗞𝗲𝘆𝗰𝗹𝗼𝗮𝗸 (IdP real, do mesmo tipo dos usados no SSO em produção)
• 𝗙𝗮𝗸𝗲𝘀 (servidor HTTP usado para simular Brevo, Google, IdP...)

Cada execução da suíte de testes gera +12k requests HTTP e +600k linhas lidas/escritas no banco de dados. Os altos índices de cobertura servem como quality gate para evitar que novas funcionalidades sejam introduzidas sem os devidos testes no projeto.

Todo commit na branch master ou PR aberto dispara um workflow no GitHub Actions, que roda os testes e gera relatórios de cobertura sobre a nova versão do código.

Veja o 𝐄𝐬𝐭𝐮𝐝 no GitHub ⭐ https://github.com/ZaqueuCavalcante/estud e acesse direto em produção https://estud.com.br