三月 12, 2026
代码覆盖率衡量的是源代码中哪些部分已被测试用例执行过。使用的指标可以是已执行的函数、行或分支，也可以是更复杂的指标，如评估语句中的每个条件。根据代码覆盖率工具的不同，测试可以结合单元测试、功能测试甚至手动测试。高代码覆盖率是理想状态，因为这通常代表软件经过了良好的测试。然而，为实现高代码覆盖率而编写测试用例，可能既耗费时间又成本高昂。
本文通过示例演示了如何结合AI代码助手和代码覆盖率工具来生成单元测试，从而提高代码覆盖率。我们还为 AI 代码助手提供了方法，用于执行新生成的单元测试和分析代码覆盖率报告，以验证覆盖率指标是否得到提升。
本文示例在 Visual Studio Code 中将 Microsoft 的 GitHub Copilot 和 Coco（一款适用于 C/C++、C#、Tcl 及 Qt QML 的代码覆盖率解决方案）相结合。 这种设置是通用的，可适配其他代码覆盖率工具和 AI 代码助手，如 Cursor 和 Claude Code。同样，虽然我们的示例生成的是CppUnit测试，但其他单元测试框架（如 GoogleTest 或 Catch2）也同样适用。
配置
我们以此处现有的 Coco 示例为基础。 这是一个简单计算器示例，使用了表达式解析器（parser），其中包含基线单元测试 。该示例详细说明了如何将 Coco 用于各种使用场景，从基本的代码覆盖到补丁分析等更高级的用法。从此处安装 Coco 和解析器（parser）示例源代码，更多信息可参阅开发文档 。
|
刚接触代码覆盖率？ 简而言之，你将使用 Coco 插桩构建，它就像一个计数器：记录执行的行数，并将这些行数与你的测试用例进行匹配。除此之外，应用程序的功能不会改变，您可以使用相同的插桩构建进行所有测试，包括手动测试和功能测试。就这么简单！ |
我们从 parser_v4 版本开始， 该版本包含 Copilot 和 Coco 的配置，能够编译和运行解析器（parser）示例及其附带的单元测试 。
下图展示了我们为改进单元测试搭建的配置：
组件及其说明如下（使用说明请参阅代码仓库 ）：
- AI 代码助手的上下文说明，包括以下操作（上图所示的 "Coco setup"）：
- 构建 Coco 插桩目标；
- 运行插桩构建的单元测试；
- 处理 Coco 代码覆盖率结果。
- 关联步骤1的提示词和改进单元测试的任务（对应 “Coco guidelines” 和 “Tasks”）。
- 根据步骤2生成单元测试，对于选定指标，验证代码覆盖率是否提升。在本例中，我们使用行覆盖率作为核心指标。
请注意，生成的单元测试和改进内容需要在流程结束时进行审核。
演示：生成单元测试
完成上述设置后，我们就可以开始使用了。下面是在 Visual Studio 中使用 Microsoft GitHub Copilot 配合 Gemini 2.5 Pro（Agent模式），对解析器示例进行操作的录屏：
从演示中可知：
-
最初，行覆盖率约为 65%（见录屏结尾）。
-
分析最初的覆盖率可知，指令没有聚焦到数学函数上，这些函数没有经过任何测试，如对此进行改进，将可能显著提高项目的整体代码覆盖率。
-
针对数学函数生成测试用例并运行后，项目的代码行覆盖率提高到了 78%。
本次演示中所用的提示词、Coco 配置指南，以及生成的单元测试优化方案，均可在代码仓库中获取。
结论与后续步骤
在这篇博客中，我们通过结合代码覆盖率工具和 AI 代码助手，了解哪些代码可以进行新的单元测试，以实现更高的覆盖率。使用代码覆盖率工具可以验证生成的测试是否有意义，所选的覆盖率指标是否得到了有效提升。
如果您从事的是安全认证领域的工作，并希望实现全面的测试覆盖率，这样的配置将特别有价值。例如，在汽车或航空航天领域，modified condition/decision coverage (MC/DC) 指标甚至要求100%的覆盖率。一种方法是将其与 Coco 的内置功能结合使用，利用遗传算法生成测试数据，以满足严苛的覆盖率要求。
还可以将其他指标与代码覆盖率结合起来，确定需要新增单元测试的区域。在此文章中，一位解决方案工程师使用了 "CRAP 评分"（结合McCabe圈复杂度指标与代码覆盖率的综合评分）来识别风险较高的区域，在此增加测试将获得更大收益。
我们没有利用模型上下文协议（MCP），而是直接通过 CLI 调用 Coco 工具。MCP 服务器则可以用于详细了解覆盖率报告，并为更大的代码库处理更长的报告，而不是依赖模型直接解析文本格式的 CSV 报告。该方案同样适用于持续集成（CI）场景。
想要了解更多信息？
有关 Coco 的更多信息， 请参阅我们的产品页面或产品文档 。对于 Qt 开发人员，请参阅QML 示例和Qt 说明。
本文很好地概述了生成单元测试的方法，并提供了使用 Microsoft GitHub Copilot 的示例，还简要提到了单元测试生成中代码覆盖工具的使用。
如需联系作者 Otso Virtanen，请通过邮箱：@qt.io 进行联系——Otso 是 Qt Group 质量保证事业部生成式 AI/AI 计划的产品负责人。
