{"id":11579,"date":"2025-03-11T20:27:18","date_gmt":"2025-03-11T20:27:18","guid":{"rendered":"https:\/\/news.dream.press\/news\/?post_type=announcement&p=11579"},"modified":"2025-05-06T17:04:14","modified_gmt":"2025-05-06T17:04:14","slug":"wie-wir-273-unittests-in-3-tagen-erstellten-ohne-eine-einzige-zeile-code-zu-schreiben-de","status":"publish","type":"announcement","link":"https:\/\/news.dream.press\/news\/de\/ankundigungen-de\/wie-wir-273-unittests-in-3-tagen-erstellten-ohne-eine-einzige-zeile-code-zu-schreiben-de\/","title":{"rendered":"Wie Wir 273 Unittests in 3 Tagen Erstellten, Ohne Eine Einzige Zeile Code Zu Schreiben"},"content":{"rendered":"\n

Dieser Beitrag ist Teil 3<\/strong> einer vierteiligen Serie. Stelle sicher, dass Du die anderen Beitr\u00e4ge der Serie ansiehst, um tiefer in unseren KI-gesteuerten Gesch\u00e4ftsplan-Generator<\/strong> einzutauchen.
Teil 1: Wie wir einen KI-gesteuerten Gesch\u00e4ftsplan-Generator mit LangGraph & LangChain entwickelt haben<\/a>
Teil 2: Wie wir die KI-Gesch\u00e4ftsplangenerierung optimiert haben: Geschwindigkeit vs. Qualit\u00e4tskompromisse<\/a>
Teil 3: Wie wir in 3 Tagen 273 Einheitentests erstellt haben, ohne eine einzige Zeile Code zu schreiben<\/a>
Teil 4: KI-Bewertungsframework \u2013 Wie wir ein System zur Bewertung und Verbesserung von KI-erzeugten Gesch\u00e4ftspl\u00e4nen entwickelt haben<\/a><\/em><\/p>\n\n\n

In der sich schnell entwickelnden Landschaft der Softwareentwicklung erweitert sich die Rolle der k\u00fcnstlichen Intelligenz \u00fcber die Codeerzeugung hinaus zur Automatisierung des Testens. \u00dcber einen intensiven Zeitraum von drei Tagen im Februar 2025 f\u00fchrten wir bei DreamHost ein tiefgehendes Forschungsprojekt durch, um zu bewerten, wie effektiv KI eigenst\u00e4ndig Unit-Tests mit minimaler menschlicher Intervention schreiben kann. Dieser Artikel teilt wichtige Erkenntnisse, Metriken und Einsichten, die m\u00f6glicherweise die Art und Weise, wie wir die Testautomatisierung angehen, ver\u00e4ndern k\u00f6nnten.<\/p>\n\n\n

Die Forschungspr\u00e4misse<\/h2>\n\n\n

Das Hauptziel war klar: zu bewerten, ob KI zuverl\u00e4ssig produktionsreife Unit-Tests erstellen kann, ohne dass Menschen Code schreiben m\u00fcssen. Das war keine rein akademische \u00dcbung \u2014 bei DreamHost wenden wir KI an, um unsere Produktivit\u00e4t im Business Planner<\/a>-Projekt \u201e100000x\u201c zu steigern, und diese Forschung war darauf ausgelegt, diese Grenzen weiter zu verschieben. Dieser Ansatz stellt eine bedeutende Abkehr von traditionellen Unit-Testing-Workflows dar und k\u00f6nnte die Produktivit\u00e4t in der Entwicklung dramatisch beeinflussen.<\/p>\n\n\n

Projektparameter<\/h2>\n\n\n

F\u00fcr diese Forschung haben wir eine strukturierte Methodik festgelegt:<\/p>\n\n\n

    \n
  1. AI-Eingabe<\/strong>: Gib der AI den Quellcode, Beispieltestdateien, die Muster\/Stil zeigen, Testanforderungen und Kontext der Entwicklungsumgebung<\/li>\n\n\n\n
  2. Menschliche Grenzen<\/strong>: Beschr\u00e4nke menschliche Eingaben auf Klarstellungen, Korrektur von Missverst\u00e4ndnissen und Bereitstellung fehlender Kontexte \u2014 ohne direktes Codieren<\/li>\n\n\n\n
  3. Messungsschwerpunkt<\/strong>: Verfolge die Zeit bis zur Fertigstellung, ben\u00f6tigte Iterationen, Arten von Fehlern, Ausgabequalit\u00e4t, erreichte Abdeckung und erforderlichen menschlichen Aufwand<\/li>\n\n\n<\/ol>\n\n\n

    Unsere Erfolgskriterien waren ehrgeizig, aber notwendig f\u00fcr die Produktionsanwendbarkeit:<\/p>\n\n\n