Day 31 - AI编程助手全景图:Copilot TRAE Claude Code怎么选

面向读者：刚入门或想系统了解 AI 编程工具的测试工程师
要解决的问题：面对 GitHub Copilot、TRAE、Claude Code 等眼花缭乱的 AI 编程助手，不知道哪个最适合自己，应该怎么选

本章学习目标

一、AI 编程助手是什么？

1.1 场景引入：你的"副驾驶"来了

想象一下：你坐在车里，旁边坐着一个老司机。你说"前面左转"，他帮你打方向盘；你说"前面有个人"，他帮你踩刹车。这个老司机，就是 AI 编程助手。

但这个老司机也有自己的脾气——有的开车猛（补全快），有的开车稳（推理准），有的车上还能放音乐（生态丰富）。选错老司机，轻则绕路，重则翻车。

1.2 为什么测试工程师更需要 AI 编程助手？

三个字：写用例太累了。

• 手工测试转自动化的第一道坎：代码不会写
• 接口测试用例几百条：重复代码写到吐
• 新项目要快速上手：业务逻辑看不懂

AI 编程助手，就是来解决这些问题的。

二、主流工具全景对比

2.1 GitHub Copilot：老大哥，最普及

一句话评价：普及率最高的"填空型"助手，代码补全扛把子

核心能力：

• 代码补全（在你打字时自动提示）
• 整行/整函数生成
• 测试用例生成
• 支持 VS Code、JetBrains 全家桶

适用场景：

• 已有一定代码基础，需要快速写实现
• 需要边写边补全，不想切换界面
• 在 GitHub 上活跃的开发者（Copilot 深度绑定 GitHub 生态）

缺点：

• 复杂推理能力一般
• 中文 Prompt 理解有时偏差
• 需要付费（个人版 $10/月）

2.2 TRAE：国产之光，免费+中文友好

一句话评价：国内最接地气的 AI 编程工具，中文支持极佳

核心能力：

• 中文 Prompt 理解优秀
• 内置中文技术问答
• 支持 Cursor 模式（对话式写代码）
• 完全免费（对，你没看错）

适用场景：

• 英文不太溜的测试工程师
• 想快速体验 AI 编程但不想付费
• 国内开发者（网络稳定，不存在连接问题）

缺点：

• 生态相对较新，插件不如 Copilot 丰富
• 复杂项目的代码补全精度有待提升

2.3 Claude Code：推理大师，最聪明

一句话评价：最聪明的 AI 助手，擅长复杂任务拆解和代码审查

核心能力：

• 强大的推理能力，能理解复杂业务逻辑
• 代码审查和重构
• 多文件编辑
• 能帮你写测试框架、搭项目结构

适用场景：

• 复杂测试框架的设计和搭建
• 代码审查（帮测试工程师 Review 开发代码）
• 需要深度理解需求后写代码
• 愿意花时间学 Agent 模式

缺点：

• 没有实时代码补全（需要对话式交互）
• 上手门槛稍高
• Claude API 需要付费

三、横向对比表

四、选型决策树：3 分钟找到你的工具

开始
  │
  ├─ 你是初学者，英文不太溜？
  │    ├─ 是 → TRAE（免费+中文友好）
  │    └─ 否 → 继续判断
  │
  ├─ 你主要想补全代码，不想切换工作流？
  │    ├─ 是 → GitHub Copilot
  │    └─ 否 → 继续判断
  │
  └─ 你要做复杂任务（框架搭建、代码审查）？
       ├─ 是 → Claude Code
       └─ 否 → GitHub Copilot（通用场景最稳）

五、实战：10 分钟安装并体验 TRAE

为什么选 TRAE？因为免费+中文友好+国内直连，最适合入门

5.1 安装步骤

Step 1：下载安装包访问官网 https://trae.ai，点击 Download，选择 Windows 版本，下载安装包（约 100MB）。

Step 2：安装并注册双击安装包，一路 Next 即可。安装完成后会提示注册，用邮箱注册一个账号（国内邮箱均可）。

Step 3：打开 VS CodeTRAE 本质上是一个 VS Code 插件。安装完成后，打开 VS Code，会看到左侧多了 TRAE 图标。

5.2 第一个 AI 补全体验

代码示例 1：用 AI 补全一个测试函数

# 场景：写一个函数，验证用户登录是否成功
# 在编辑器中输入以下注释（AI 会根据注释生成代码）

deftest_user_login():
"""验证用户名和密码正确时，登录成功"""
# 这里让 AI 帮你补全后面的代码
# （在 VS Code 中按 Tab 键接受补全）

AI 生成的代码（补全后）：

deftest_user_login():
"""验证用户名和密码正确时，登录成功"""
# 准备测试数据
    username = "test_user"
    password = "correct_password"

# 调用登录接口
    result = login_api(username, password)

# 断言登录成功
assert result["code"] == 200, "登录失败，状态码错误"
assert result["data"]["username"] == username, "用户名不匹配"
assert result["data"]["token"] isnotNone, "未返回 Token"

    print("✅ 用户登录测试通过")

代码逐行解释：

deftest_user_login():
# 定义一个测试函数，函数名以 test_ 开头是 pytest 的命名规范

    username = "test_user"
    password = "correct_password"
# 准备测试数据：用户名和密码（这里用测试账号）

    result = login_api(username, password)
# 调用登录接口，获取返回结果

assert result["code"] == 200, "登录失败，状态码错误"
# 断言1：HTTP 状态码必须是 200

assert result["data"]["username"] == username, "用户名不匹配"
# 断言2：返回的用户名必须和我们输入的一致

assert result["data"]["token"] isnotNone, "未返回 Token"
# 断言3：必须返回 Token（登录成功的凭证）

    print("✅ 用户登录测试通过")
# 打印成功信息，方便查看测试结果

5.3 用 AI 生成完整的测试用例集

代码示例 2：AI 批量生成测试用例

# 场景：为一个计算器函数生成等价类和边界值测试用例
# 告诉 AI：为一个"两数相除"函数生成测试用例，要求覆盖正常、除数为0、负数、大数等场景

# 你只需要写这一行注释：
# "用 pytest 参数化方式，为 divide(a, b) 函数生成测试用例，覆盖：正常除法、除数为0、被除数为0、负数、浮点数、大数场景。
# 每个用例加中文描述。"

AI 生成的代码：

import pytest
from decimal import Decimal

# 被测函数（模拟）
defdivide(a, b):
"""两数相除"""
if b == 0:
raise ValueError("除数不能为0")
return a / b

# AI 生成的参数化测试用例
test_cases = [
# 正常除法
    (10, 2, 5.0, "正常除法"),
    (9, 3, 3.0, "能整除"),

# 边界值
    (0, 5, 0.0, "被除数为0"),
    (1, 2, 0.5, "浮点结果"),

# 负数
    (-10, 2, -5.0, "被除数为负"),
    (10, -2, -5.0, "除数为负"),
    (-10, -2, 5.0, "两个负数"),

# 大数
    (999999999, 1, 999999999.0, "大数"),

# 浮点数精度
    (0.1, 0.1, pytest.approx(1.0), "浮点数除法"),
]

@pytest.mark.parametrize("a,b,expected,desc", test_cases)
deftest_divide(a, b, expected, desc):
"""参数化测试用例，覆盖多种场景"""
if b == 0:
# 单独测试除数为0的场景（异常分支）
with pytest.raises(ValueError, match="除数不能为0"):
            divide(a, b)
else:
        result = divide(a, b)
assert result == expected, f"{desc}失败：期望 {expected}，实际 {result}"
        print(f"✅ {desc} 测试通过 | {a} ÷ {b} = {result}")

运行效果：

========================== test session starts ===========================
collecting ... collected 10 items

test_divide[正常除法-10 ÷ 2 = 5.0] ✅ 正常除法测试通过 | 10 ÷ 2 = 5.0
test_divide[能整除-9 ÷ 3 = 3.0] ✅ 能整除测试通过 | 9 ÷ 3 = 3.0
test_divide[被除数为0-0 ÷ 5 = 0.0] ✅ 被除数为0测试通过 | 0 ÷ 5 = 0.0
test_divide[浮点结果-1 ÷ 2 = 0.5] ✅ 浮点结果测试通过 | 1 ÷ 2 = 0.5
test_divide[被除数为负--10 ÷ 2 = -5.0] ✅ 被除数为负测试通过 | -10 ÷ 2 = -5.0
test_divide[除数为负-10 ÷ -2 = -5.0] ✅ 除数为负测试通过 | 10 ÷ -2 = -5.0
test_divide[两个负数--10 ÷ -2 = 5.0] ✅ 两个负数测试通过 | -10 ÷ -2 = 5.0
test_divide[大数-999999999 ÷ 1 = 999999999.0] ✅ 大数测试通过 | 999999999 ÷ 1 = 999999999.0
test_divide[浮点数除法-0.1 ÷ 0.1 = 1.0] ✅ 浮点数除法测试通过 | 0.1 ÷ 0.1 = 1.0

========================== 9 passed in 0.32s ===========================

六、避坑指南

❌ 错误做法：完全依赖 AI 生成代码，不检查

# 错误示例：AI 生成什么就用什么，不验证
result = AI生成的代码()  # 没有理解代码逻辑就直接用
assert result == "期望值"

问题： AI 也会犯错，特别是复杂逻辑、边界条件，可能生成有 bug 的代码，直接用会导致测试漏检。

✅ 正确做法：把 AI 当助手，自己做最后决策

# 正确做法：理解 AI 生成的代码，必要时手动修正

# 1. 让 AI 生成代码
test_code = AI生成测试用例(divide, "覆盖等价类和边界值")

# 2. 人工 review：检查边界条件是否完整
print("AI 生成的测试用例：")
for case in test_cases:
    print(f"  - {case}")

# 3. 补充 AI 遗漏的边界（如：NaN、无穷大）
test_cases.append((float('inf'), 1, float('inf'), "无穷大除以1"))

# 4. 运行并验证

❌ 错误做法：Prompt 写得太模糊

"帮我写一个测试"  → AI 不知道测什么，生成的可能不相关

✅ 正确做法：Prompt 要具体

"为 divide(a, b) 函数生成 pytest 参数化测试用例，
要求覆盖：正常除法、除数为0、被除数为0、负数、浮点数、大数场景。
每个用例加中文描述。"

七、本章小结

下集预告

学会了选工具，下一步就是用起来！Day 32｜TRAE实战1：安装配置、第一个AI补全我们将手把手教你把 TRAE 装好，并用它写出第一个 AI 辅助的测试脚本。