LangGraph 深度测试指南：端到端与节点级测试策略

LangGraph 深度测试指南：端到端与节点级测试策略

LangGraph 应用的深度测试需要系统化的方法，以下是端到端测试和节点级测试的完整解决方案：

一、节点深度测试策略

1. 节点测试金字塔模型

2. 核心测试类型

(1) 功能正确性测试

def test_tool_node():
    # 准备测试状态
    state = AgentState(
        messages=[HumanMessage(content="查询北京天气")],
        user_query="北京天气",
        tool_results=[]
    )
    
    # 执行节点
    result = tool_node(state)
    
    # 验证输出
    assert "temperature" in result["tool_results"][0]
    assert "condition" in result["tool_results"][0]
    assert isinstance(result["tool_results"][0]["temperature"], float)

(2) 边界条件测试

@pytest.mark.parametrize("input", [
    {
   "user_query": ""},  # 空输入
    {
   "user_query": "A" * 1000},  # 超长输入
    {
   "user_query": "SELECT * FROM users;"},  # SQL注入尝试
    {
   "user_query": "<script>alert('xss')</script>"}  # XSS尝试
])
def test_node_boundary_conditions(input):
    state = AgentState(
        messages=[HumanMessage(content=input["user_query"])],
        user_query=input["user_query"],
        tool_results=[]
    )
    
    # 验证节点能优雅处理异常输入
    result = input_validation_node(state)
    assert "error" not in result
    assert "sanitized_input" in result

(3) 性能基准测试

def test_node_performance(benchmark):
    state = create_realistic_state()
    
    # 使用pytest-benchmark
    result = benchmark(tool_node, state)
    
    # 断言性能指标
    assert benchmark.stats["mean"] < 0.2  # 200ms内完成
    assert benchmark.stats["max"] < 0.5   # 最大不超过500ms

3. 节点模拟技术

(1) LLM输出模拟

from unittest.mock import patch

def test_llm_node_with_mock():
    with patch("langchain_community.chat_models.ChatOpenAI.invoke") as mock_llm:
        # 配置模拟响应
        mock_llm.return_value = AIMessage(content=