| name | test-driven-development |
| description | Use when fixing bugs or writing code in processing/, API/, statistics/, ML-infrastructure — write a failing test before fixing |
Test-Driven Development (адаптировано для ML-исследования)
Когда применять
Обязательно (детерминированная логика с контрактом):
- ML-инфраструктура:
data_loader, feature builder, metric, benchmark runner, profile validation
- Багфиксы в любом модуле (
processing/, API/, statistics/, ML/-инфраструктура)
- Новая детерминированная логика (сортировка, нормализация, экспорт, парсинг)
- Изменение контракта данных (формат CSV, поля фракталов)
Не применять (результат измеряется PF/AUC, не unit-тестом):
- Сам ML-эксперимент: подбор гиперпараметров, перебор архитектур, обучение модели
- Throwaway-прототипы, однократные исследовательские прогоны
RED — тест, воспроизводящий проблему
Для багфикса: тест должен падать на текущем коде, воспроизводя баг.
Для новой функции: тест описывает ожидаемое поведение.
pytest tests/test_<module>.py -k "test_<specific_case>" -v
Тест должен упасть ровно по той причине, которую ты фиксишь (не по опечатке, не по импорту).
GREEN — минимальный фикс
Пишешь минимальный код, чтобы тест прошёл. Без рефакторинга «заодно» (правило AGENTS.md: «для bugfix не делать рефакторинг "заодно"»).
pytest tests/test_<module>.py -k "test_<specific_case>" -v
pytest tests/ -x --tb=short
REFACTOR — только если нужно
После зелёного теста — убрать дублирование, улучшить имена. Без добавления нового поведения.
Отличие от оригинального TDD
Оригинальный скилл требовал: «никакого кода без падающего теста». Это правило не применяется к ML/-экспериментам, где результат измеряется PF на validation/test, а не unit-тестом.
Для processing/API/statistics — дисциплина тестов обязательна как часть контракта docs/methodology/03-feature-contract-leakage.md и общей практики проекта (каталог tests/).
Анти-паттерны тестирования
При написании тестов с моками (особенно для data_loader, валидаторов,
benchmark runner) — загружай справочник testing-anti-patterns.md:
5 паттернов с Python-примерами из проектной ML-инфраструктуры.
