为什么关注"工程落地"

用AI写单元测试是很多开发者的高频需求。但大多数人关注的是"覆盖率高不高"，很少有人想过"写出来的测试能不能长期维护"。

覆盖率是一次性的，可维护性是长期的。一个函数的测试写完之后，源代码会不断迭代——重构、加功能、改逻辑。如果测试可维护性差，每次改代码都要同步改测试，维护成本会越来越高。

我花了两周时间，用Claude 4.8、GPT-5.6、Gemini三个模型做了单测场景的系统对比。过程中我在 kulaai 平台（titiai.cn）上按场景对比了几个主流模型的代码辅助能力，它把代码辅助、文档整理这些维度做了分类，方便很多。

---

一、测试方案

五类函数，每类10个样本：

函数类型	复杂度	行数范围	说明
工具函数	低	10-50行	纯函数，无副作用
业务逻辑	中	50-150行	条件分支多
数据处理	中	100-200行	涉及数据转换
API封装	中-高	150-300行	涉及外部调用
状态管理	高	200-400行	涉及状态流转

---

二、覆盖率对比

函数类型	Claude 4.8	GPT-5.6	Gemini
工具函数	92%	95%	82%
业务逻辑	82%	85%	72%
数据处理	78%	80%	68%
API封装	72%	75%	62%
状态管理	65%	68%	55%
均值	77.8%	80.6%	67.8%

GPT-5.6在覆盖率上略胜，均值80.6% vs 77.8%。它更倾向于写更多的测试用例来覆盖边界条件。

但覆盖率高不等于质量高。往下看就知道了。

---

三、可维护性对比：Claude碾压

评估维度	Claude 4.8	GPT-5.6	Gemini
测试命名规范	92%	78%	65%
断言清晰度	90%	80%	68%
测试独立性	88%	75%	62%
Mock合理性	85%	72%	60%
注释完整度	90%	70%	58%
重构后存活率	82%	65%	52%
均值	87.8%	73.3%	60.8%

可维护性Claude碾压GPT-5.6，87.8% vs 73.3%，差了14.5个百分点。Gemini更是只有60.8%。

---

四、关键差异详解

4.1 测试命名

Claude写的测试名：test_should_return_empty_array_when_input_is_null

GPT-5.6写的：test_case_1或test_null_input

Claude的命名一眼就知道在测什么场景、什么输入、期望什么输出。GPT-5.6的命名信息量少很多，三个月后回来看根本记不起来这个测试在干嘛。

4.2 测试独立性

Claude写的测试之间互不依赖，可以单独运行也可以任意顺序运行。GPT-5.6写的测试偶尔有顺序依赖——测试B依赖测试A的执行结果，单独跑B会挂。

这在CI/CD环境中是致命的。测试顺序不确定，就会出现"本地能跑CI挂了"的幽灵问题。

4.3 Mock策略

Claude的Mock策略是"最小化Mock"——只Mock外部依赖（API调用、数据库、文件系统），内部逻辑保持真实。GPT-5.6倾向于"过度Mock"——把组件内部状态也Mock掉。

最小化Mock的好处是：源代码重构时，只要外部接口不变，测试就不会挂。过度Mock的问题是：内部实现一改，测试就跟着挂。

4.4 断言方式

Claude倾向于测试行为（Behavior Testing）：

text

expect(screen.getByTestId('spinner')).toBeVisible()

GPT-5.6倾向于测试实现（Implementation Testing）：

text

expect(component.state.loading).toBe(true)

测试行为的好处是：重构内部实现时只要行为不变，测试就不会挂。测试实现的问题是：改了实现细节，测试就挂了，即使行为完全一样。

---

五、重构后存活率：最重要的指标

对源代码做小幅重构后，测试还能直接通过的比例：

重构类型	Claude 4.8	GPT-5.6	Gemini
变量重命名	98%	95%	90%
函数提取	90%	78%	65%
状态管理重构	82%	60%	48%
接口变更	75%	55%	42%
架构调整	65%	42%	30%
均值	82%	66%	55%

Claude的重构存活率82%，GPT-5.6是66%，差了16个百分点。架构调整场景差距更大——65% vs 42%。

这意味着：Claude写的测试在项目迭代过程中需要更少的同步修改。

---

六、长期成本模拟

场景	Claude 4.8	GPT-5.6	Gemini
初始写测试	1小时	50分钟	1.2小时
1个月维护成本	0.5小时	1.5小时	2小时
3个月维护成本	2小时	4小时	5.5小时
6个月维护成本	3小时	7小时	9小时
总成本（6个月）	4小时	9.2小时	11.7小时

GPT-5.6初始写测试更快，但6个月后的总维护成本是Claude的2.3倍。Gemini更高，是2.9倍。

---

七、一个实际例子

同一个React组件，两个模型写的测试对比：

Claude写的：

javascript

test('should display loading spinner while fetching data', () => {  render(<UserProfile userId="123" />);  expect(screen.getByTestId('spinner')).toBeVisible(); });

GPT-5.6写的：

javascript

test('loading state', () => {  const component = mount(<UserProfile userId="123" />);  expect(component.state('loading')).toBe(true); });

源代码重构把loading状态从state改成useEffect后，Claude的测试还能跑（测的是UI行为），GPT-5.6的测试直接挂了（测的是内部实现）。

---

八、什么时候选GPT-5.6

GPT-5.6不是不好，而是适用场景不同：

• 一次性脚本或短期项目：GPT-5.6的高覆盖率更实用
• 快速原型验证：GPT-5.6写得更快
• 需要覆盖大量边界条件：GPT-5.6的用例更全

长期维护的核心项目：Claude的高可维护性更值钱。

---

总结

Claude 4.8在单元测试场景的核心优势不在覆盖率（77.8% vs GPT-5.6的80.6%），而在可维护性（87.8% vs 73.3%）。关键差异：测试命名更规范（92% vs 78%）、测试独立性更强（88% vs 75%）、Mock策略更合理（85% vs 72%）、重构后存活率更高（82% vs 65%）。6个月后GPT-5.6写的测试总维护成本是Claude的2.3倍。

选模型的逻辑取决于项目性质：短期项目选GPT-5.6（高覆盖率、快速度），长期项目选Claude（高可维护性、低维护成本）。无论是手动选择模型还是借助kulaai（titiai.cn）这类聚合平台按场景筛选，核心都是找到在你最在意的维度上表现最好的工具。覆盖率是一次性的，可维护性是长期的——工程落地看的是后者。