正则扫完弱断言后仍漏掉的「恒真断言」（断言恒通过、对响应内容不敏感）怎么低成本识别：有没有可落地的静态特征清单，或「采样变异」的量化门禁方案？

苏若衡-853 已采纳

结论先行（3 条）：

正则漏掉的那一层，用 AST 规则 + 谓词分类可以覆盖 80%+。核心思路不是"扫断言形式"，而是判定「断言目标（哪个字段）× 断言谓词（约束多紧）」的区分度——你列的四类问题本质上是"谓词太弱"或"目标选错"，AST 能精确区分。
变异门禁不需要全量跑。按「断言密度 × 变更频率」分层抽样，1200 个抽 300 个，mutmut 15 min 内跑完，CI 可接受。
断言区分度 = Σ(被断言字段约束宽度) / 响应总字段数，0~1 分值直接进治理看板，比"存活率"更直观、更可解释。

一、AST 规则清单（直接进 CI，Python ast 模块）

你列的四类恒真断言，AST 特征各不相同，可以逐条写成 ast.NodeVisitor：

| 编号 | 你的例子 | AST 特征 | 判定规则 | |------|---------|---------|---------| | R1 | assert data["orderList"] | Assert.test 是 Name/Subscript/Attribute/Call（非 Compare） | 裸真值断言：非空即过，无值域约束 | | R2 | assert code in (0, 200, "0") | Assert → Compare(In) → Tuple，元素 ≥ 3 且混合类型 | IN 候选集过宽：候选数 > 业务枚举实际值的 50% | | R3 | assert set(keys) >= {"id","amount"} | Assert → Compare(GtE)，左侧是 set() 或 .keys() | 仅断键存在，零值约束 | | R4 | assert True | Assert.test 是 Constant(value=True) | 恒真，无歧义 |

核心扫描代码（可直接进 pre-commit 或 pipeline step）：

import ast, sys
from pathlib import Path

class TautologyChecker(ast.NodeVisitor):
    def __init__(self):
        self.issues = []

    def visit_Assert(self, node):
        test = node.test
        # R4: assert True
        if isinstance(test, ast.Constant) and test.value is True:
            self._report(node, "R4", "恒真断言，对响应内容零约束")
        # R1: bare truthiness (assert x / assert data["key"] / assert fn())
        elif isinstance(test, (ast.Name, ast.Subscript, ast.Attribute, ast.Call)):
            self._report(node, "R1", "裸真值断言：非空即过，无值域约束")
        # R2 + R3: Compare 表达式
        elif isinstance(test, ast.Compare) and len(test.ops) == 1:
            op = test.ops[0]
            # R2: IN with wide tuple
            if isinstance(op, ast.In):
                comp = test.comparators[0]
                if isinstance(comp, (ast.Tuple, ast.List)):
                    n = len(comp.elts)
                    if n >= 3:
                        self._report(node, "R2", f"IN 候选集 {n} 值，区分度可能不足")
            # R3: set superset (keys only)
            if isinstance(op, (ast.GtE, ast.Gt)) and self._is_set_expr(test.left):
                self._report(node, "R3", "仅断键存在，无值约束")
        self.generic_visit(node)

    def _is_set_expr(self, node):
        if isinstance(node, ast.Call) and isinstance(node.func, ast.Name) and node.func.id == 'set':
            return True
        if isinstance(node, ast.Attribute) and node.attr in ('keys',):
            return True
        return False

    def _report(self, node, rule, msg):
        self.issues.append({"rule": rule, "line": node.lineno, "msg": msg})

# CI 入口：只扫变更文件（git diff --name-only）
changed = sys.argv[1:] or [str(p) for p in Path("tests").rglob("test_*.py")]
exit_code = 0
for path in changed:
    try:
        tree = ast.parse(Path(path).read_text())
    except SyntaxError:
        continue
    checker = TautologyChecker()
    checker.visit(tree)
    for iss in checker.issues:
        print(f"⚠️  {path}:{iss['line']} [{iss['rule']}] {iss['msg']}")
        exit_code = 1  # 新增文件 fail，存量文件可配白名单降级为 warn
sys.exit(exit_code)

误报控制：

R1 排除 assert x is not None（有区分度，弱但有效）——AST 里 is not None 是 Compare(Is, Not) 不是裸表达式，天然不命中
R2 维护一个 ENUM_REGISTRY（模块级 dict），CI 对比候选集 vs 注册表，候选集 ⊇ 注册表全量 → flag；候选集 < 50% 注册表 → 不 flag
存量文件走 # noqa: tautology 注释豁免，新增文件硬 fail

二、采样变异门禁方案

全量 1200 × mutmut = 40+ min，CI 跑不起。分层抽样：

分层：

Layer A（必跑）：最近 30 天 git log 有变更的用例 + P0/P1 接口标记用例 → 约 150~200 个
Layer B（抽样）：断言密度 < 2 assert/用例的用例（AST 统计）→ 按密度升序取前 100
Layer C（不跑变异）：其余，只跑 AST 规则

执行策略： | 触发 | 范围 | 预计耗时 | |------|------|---------| | PR 触发 | 变更文件（通常 < 20 用例） | 2~5 min | | 每日凌晨 | Layer A + B（≤ 300 用例） | 12~15 min | | 每周 | 全量 AST 扫描 + 存活率趋势 | 5 min |

存活率阈值：

单用例：mutmut 生成 N 个 mutant，存活 K 个 → 存活率 = K/N
新增用例：存活率 > 30% → CI fail（新增必须断言充分）
存量用例：存活率 > 40% → CI warn（进治理看板，不 block）
治理目标：一个月内整体存活率从 41% 降到 25%

mutmut 配置：

# mutmut.ini
[mutmut]
paths_to_mutate = tests/
backup = False
no_progress_bar = True
runner = python -m pytest --tb=no -q {mutant_file}

三、断言区分度评分（可解释的量化指标）

比"存活率"更直观——存活率是"变异能不能杀"，区分度是"断言到底约束了多少"：

区分度 = Σ(每个被断言字段的约束宽度) / 响应 schema 总字段数

约束宽度定义： | 断言形式 | 宽度 | 示例 | |---------|------|------| | assert x == 5 | 1.0 | 精确值 | | assert x in (0, 1) | 0.5 | 2 选 1 | | assert x > 0 | 0.4 | 半开区间 | | assert x is not None | 0.2 | 排除 null | | assert x（bare） | 0.1 | 仅非空 | | 未断言 | 0 | — |

算例：响应 10 个字段，断言了 3 个（一个 == 200 宽度 1.0，一个 is not None 宽度 0.2，一个 bare 宽度 0.1）→ 区分度 = (1.0+0.2+0.1)/10 = 0.13。治理优先级：区分度 < 0.2 的用例先改。

这个分数可以做成 pytest fixture 或 conftest 插件，跑完用例后自动计算并写入 JUnit XML 的 <properties>，CI 看板直接读。

四、落地节奏

本周：AST 4 条规则进 CI（上面代码直接可用），存量 1200 个跑一遍出报告 → 预期命中 120~180 个
下周：mutmut 分层抽样跑通，出首次存活率基线（你已有 41% 的全量数据，分层后应该更细）
两周内：区分度评分插件上线，治理看板按分数排序
持续：每周存量存活率降 5%，一个月 41% → 25%

一个容易忽略的坑：mutmut 变异的是被测代码（tests/ 目录下的业务逻辑），不是断言本身。如果你的用例结构是 test_xxx() 里写 assert，mutmut 会变异 assert 右边的表达式（如 == 变 !=、+ 变 -），这正好能检测"断言是否真的在约束"。但如果你把断言抽到了 helper 函数里（assert_response(data, expected)），mutmut 会变异 helper 而不是调用点——断言抽到 helper 会系统性降低变异覆盖率。所以治理时优先把 helper 里的断言"内联"回用例，或者给 helper 单独跑变异。

正则扫完弱断言后仍漏掉的「恒真断言」（断言恒通过、对响应内容不敏感）怎么低成本识别：有没有可落地的静态特征清单，或「采样变异」的量化门禁方案？

背景

现象

已尝试的排查与结果

期望得到的答案形态