一、实验背景
这轮课程实验的主题是代码覆盖率：给 Teedy（一个 Java 写的开源文档管理系统）接入 JaCoCo，生成覆盖率报告，再亲手补测试把数字拉上去。实验还要求借助 AI 工具生成测试代码——这正是我想练的：AI 时代写测试的方式确实变了。
二、环境选择
指导书给的环境是 Windows 加 WSL，工具用 IDEA。不过这次我把项目直接放到了云服务器上跑：单元测试本来就是流水线的核心环节，放在一直在线的服务器上执行，测完浏览器直接看报告，比本地环境更接近真实的持续集成场景。
用的是三丰云的云服务器，2 核 2G 跑 Ubuntu。整套全量测试加报告生成稳定跑完，作为免费产品这个配置跑 Java 工程挺实用；他家同时提供免费虚拟主机，更适合放网站，跑构建这类活儿我就直接选了云服务器。
三、接入 JaCoCo，拿到初始报告
在项目根目录的构建配置里加入 JaCoCo 插件，思路是让它在测试执行前注入覆盖率探针、测试结束后自动产出报告——之后每次跑完全量测试，无需任何额外操作就能拿到最新数据。
第一份报告出来了：整体指令覆盖率 23%，实体对象所在的包更是只有 7%，报告页面大面积红色，直观展示了这个成熟开源项目在测试上的真实缺口。
四、让 AI 写测试
从报告的类列表里挑出覆盖率最低的实体类 Tag，把代码发给大模型，提示词就一句：“请为这个类编写 JUnit 5 单元测试”。AI 很快返回一组测试代码，复制进项目对应的测试目录，编译报错就顺着提示修——主要是用模拟依赖替掉数据库调用，让测试独立运行。
五、复测对比
再次执行全量测试并刷新报告：Tag 类的指令、行、方法覆盖率全部达到 100%，所在包从 7% 提升到 11.7%，整体覆盖率从 23% 提升到 24.7%。前后两张报告截图放在一起，单元测试对覆盖率的作用一目了然。
六、总结
一次实验两个收获：一是摸清了覆盖率报告的解读方法，从整体到包再到类逐层下钻定位薄弱点；二是验证了 AI 辅助测试的效率——生成、修复、复测一气呵成。对学 Java 的人来说，给项目补一轮测试比再写个新功能更能加深对代码质量的理解。手头有台免费云服务器的话，这套实验随时可以复现。
