Slack 从 Enzyme 迁移到 React Testing Library 的经验分享

在 QCon San Francisco 大会上，Sergii Gorbachov 分享了 Slack 如何将 Enzyme 测试迁移到 React Testing Library (RTL)，以确保测试覆盖率的连续性。由于 Enzyme 不支持 React 18，Slack 的现有单元测试无法继续使用，这威胁到了测试提供的基础信心。

迁移背景与决策

React Testing Library 是行业公认的选择，且没有其他官方支持的替代方案适用于 React 18。这一决定不仅直接，而且符合最佳实践。

Enzyme 与 RTL 的测试方法论差异

Enzyme 的测试方法侧重于测试组件的内部细节，如状态、属性和实现细节。而 RTL 则专注于模拟用户与组件的交互及其在真实环境中的行为。

迁移过程

1. 使用大型语言模型 (LLM) 进行初步转换
   Slack 最初将 LLM 作为独立工具，用于生成完全转换且功能正常的测试。虽然取得了一定成功，但其效果因测试的复杂性而异。
2. 结合 AST 转换和 LLM 的混合方法
   为了提高转换效率，Slack 将 LLM 集成到一个更大的管道中，结合抽象语法树 (AST) 转换，并加入验证、代码规范检查和迭代反馈步骤。这种混合方法结合了两种方法的优势，帮助实现了 80% 的转换成功率，显著提高了效率并保持了测试质量。

质量评估

为了评估生成代码的质量，Slack 创建了一个详细的质量评估标准，覆盖了以下方面：

• Codemod 功能（可靠性和错误处理）
• 导入转换（将 Enzyme 导入替换为 RTL 等效项）
• 渲染（将 Enzyme 渲染转换为 RTL）
• Enzyme 方法（替换 Enzyme 方法或添加注释）
• 断言（更新为 RTL 兼容的断言）
• JS/TS 逻辑（保留测试功能）

Slack 从每个难度级别（简单、中等、复杂）中选择三个 Enzyme 测试文件，手动评估其进展。通过自动转换文件并使用质量评估标准进行评估，工具的平均准确率达到 80%，复杂情况下需要手动调整。

结合确定性方法与 AI 的优势

通过结合 AST 转换、注释和精心设计的提示，Slack 将转换成功率提高了 20-30%，超越了 LLM 的原生能力。这种方法克服了 AI 的局限性，如缺乏实时反馈和对前后处理的依赖。

适用性与可扩展性

Gorbachov 强调，LLM 在处理高复杂度、非结构化任务时表现出色，但对于确定性任务，最好避免使用。他们的方法可以推广到单元测试生成、代码现代化和可读性改进等项目，实现端到端的完整流程。

资源与进一步阅读

• Enzyme to RTL codemod
• convert-test-files workflow
• AI-Powered Conversion From Enzyme to React Testing Library at Slack

访谈摘要

在 InfoQ 的访谈中，Gorbachov 详细解释了如何调整自动化测试。例如，Enzyme 直接操作组件的内部状态来断言结果，而 RTL 通过模拟用户交互来验证组件的行为。他还提到，结合 AST codemod 和 LLM 显著提升了测试转换过程，减少了 AI 方法中常见的模糊性和错误。