一段很常见的 pytest 代码：测试一个下单服务，作者写下 mock_db = MagicMock()，然后既让它 return_value 返回一条订单，又在结尾 mock_db.save.assert_called_once() 断言它被调了一次。测试过了。可过两周，有人给下单流程加了一步「保存前先校验库存」，多调了一次 db，这条 assert_called_once 就莫名其妙红了——而红的原因和「下单对不对」毫无关系。
同一份代码里，还藏着另一个更隐蔽的问题：那个 MagicMock 到底是在提供数据，还是在验证交互？作者自己大概也说不清，反正「Mock 嘛，万能」。
这就是把所有测试替身都笼统叫「Mock」的代价：测试要么脆得一碰就红，要么假绿——看着断言了一堆，其实什么都没真正验证到。Gerard Meszaros 在《xUnit Test Patterns》里早就把测试替身分成了五种：Dummy、Stub、Spy、Mock、Fake。它们各有明确的用途和断言对象，混用就是 bug 的温床。今天这篇常青翻新，把这五分法按 AI 时代的语境重讲一遍。
一、先把五个名字分清：断言对象决定用哪种替身
先给结论：选哪种替身，不取决于「被替换的东西是什么」，而取决于「你这条测试到底要断言什么」。
- Dummy（哑对象）：只是为了填满参数列表，测试里根本不用它。断言对象——无。
- Stub（桩）：提供预设的返回值，把「被测对象依赖的数据」喂成固定的。断言对象——被测对象拿到这些数据后的状态/返回值。
- Spy（间谍）：记录自己被怎么调用了（调了几次、什么参数），但不改变行为。断言对象——调用发生过没有。
- Mock（模拟）：预设「期望的交互」，测试结束时验证这些交互是否如约发生。断言对象——交互本身。
- Fake（伪实现）：一个真的能跑、但轻量的实现，比如内存数据库。断言对象——被测对象在真实行为下的状态。
一句话记法：Stub 管「输入数据」，Mock/Spy 管「交互行为」，Fake 管「真实但轻量的实现」，Dummy 管「凑数」。 开头那段代码的病根，就是把「提供订单数据」（该用 Stub）和「验证 save 被调一次」（Mock 交互断言）揉进了同一个 MagicMock，结果一条本该只验数据的测试，被交互断言拖累得极脆。
二、Stub：只提供数据，别顺手断言交互
Stub 的职责单一——被测对象问它要什么，它就返回预设的什么，测试只断言被测对象自己的输出。
from unittest.mock import MagicMock
def test_order_total_uses_discount():
# Stub：只负责返回固定的折扣率，不关心它被调了几次
pricing = MagicMock()
pricing.get_discount.return_value = 0.1 # 提供数据
from service import calc_total
total = calc_total(pricing, base=100) # 100 * (1 - 0.1)
assert total == 90 # 断言被测对象的返回值，不断言 pricing 的调用
为什么这么写、踩过什么坑。 这里刻意没有写 pricing.get_discount.assert_called_once()。Stub 的价值就在于稳定：只要它返回 0.1，calc_total 该算出 90 就算出 90，至于内部调了一次还是两次折扣查询，那是实现细节，不该被这条测试锁死。最常见的坑就是给 Stub 顺手加交互断言——一旦实现重构（比如加了缓存、少调一次），测试就假红。记住：你断言的是返回值，就别再断言调用次数。
三、Spy：记录调用序列，AI 场景里它对应 Trajectory
Spy 记录「被怎么调用了」，但把行为留给真实实现或默认值。它在 AI 测试里格外重要——当被测对象是 Agent，你想验证它「按什么顺序调了哪些工具」，用的就是 Spy 的思路。
from unittest.mock import MagicMock
def test_agent_calls_tools_in_order():
tools = MagicMock()
tools.query_order.return_value = {
"status": "paid"}
tools.do_refund.return_value = {
"ok": True}
from agent import run_refund_agent
run_refund_agent(tools, order_id="A1001")
# Spy 式断言：记录并校验调用序列（呼应 Trajectory 断言）
called = [c[0] for c in tools.method_calls]
assert called == ["query_order", "do_refund"], f"工具调用顺序不对：{called}"
为什么这么写、踩过什么坑。 Spy 断言的是「调用发生过、且顺序对」，这正是本日旗舰那篇讲的 Trajectory 断言的最小雏形——把 Agent 的工具调用序列记录下来做校验。坑在于用 Spy 去顶替本该用 Fake 的场景：比如你想测「订单存进库再查出来对不对」，用 Spy 记录 save 被调了没有任何意义，因为你根本没验证数据真的存进去了——这时候要的是 Fake。Spy 只回答「调没调、怎么调」，不回答「结果对不对」。
四、Mock：断言交互，且只在交互本身是契约时才用
Mock 预设期望的交互并在结尾验证。它适合的场景很窄：当「有没有发出这个交互」本身就是被测契约时——比如「必须发一条审计日志」「必须调用一次风控」。
from unittest.mock import MagicMock
def test_payment_triggers_audit_log():
auditor = MagicMock() # Mock：交互本身就是契约
from service import process_payment
process_payment(auditor, amount=100)
# 断言「审计日志被以正确参数记了一次」——这就是本测试要验的契约
auditor.log.assert_called_once_with(event="payment", amount=100)
为什么这么写、踩过什么坑。 这里用 Mock 是对的，因为「支付必须留审计痕迹」是一条真实契约，交互本身就是被测目标。但 Mock 是最容易被滥用的替身：很多人把每个依赖都换成 Mock、给每条测试堆一摞 assert_called_with，结果测试全在验证「内部怎么调的」，没有一条验证「对外产出对不对」。这种测试改一次实现就红一片，是脆弱测试的头号来源。判断标准很简单：如果这个交互不是对外契约、只是实现细节，就别用 Mock 断言它。
五、Fake：真能跑的轻量实现，AI 场景里替掉不确定的模型
Fake 是一个真实但轻量的实现，最经典的就是内存数据库。它不记录交互、不预设返回，而是真跑一遍逻辑，让被测对象在接近真实的行为下被验证。
class InMemoryOrderRepo:
"""Fake：内存版订单仓储，真存真取，替代真实数据库"""
def __init__(self):
self._data = {
}
def save(self, order):
self._data[order["id"]] = order
def get(self, order_id):
return self._data.get(order_id)
def test_order_roundtrip():
repo = InMemoryOrderRepo() # Fake
from service import place_order
place_order(repo, {
"id": "A1", "sku": "X"})
assert repo.get("A1")["sku"] == "X" # 断言真实存取后的状态
为什么这么写、踩过什么坑。 Fake 的价值在于「真的存进去、真的查出来」，验证的是端到端的状态正确，而不是某个方法被调了。在 AI 场景里，Fake 有一个特别贴切的用法：把不确定的大模型调用替成一个行为确定的假模型。 真实模型每次输出都可能不同，测试没法稳定断言；写一个 Fake LLM——按输入规则返回固定响应——就能让 Agent 测试变得可复现。这比用 Stub 硬塞一个 return_value 更强，因为 Fake 能模拟「不同输入给不同输出」的真实决策逻辑，让被测 Agent 的多步流程真正跑起来。
五点五、一个 code review 就能用的识别口诀
五分法讲完，落到日常最实用的其实是一条 review heuristic：看一条测试的断言写在谁身上。 断言写在被测对象的返回值/状态上，那它用的多半是 Stub 或 Fake，健康；断言写在一堆替身的 assert_called_with 上、被测对象自己的产出反而没验，那这条测试大概率被 Mock 滥用了，是脆弱测试的高危信号。再补两条快速判据：其一，一条测试里最好只有一种「主替身」承担核心职责，如果你发现同一个 MagicMock 既在 return_value 提供数据、又在结尾被断言调用次数，基本就是开头那段代码的病——把它拆成一个 Stub 加一个 Spy，各自职责单一。其二，替身能不能被轻松替换，取决于被测代码有没有把依赖作为参数传进来（依赖注入）；如果依赖是在函数内部 new 出来或全局 import 死的，你连替身都塞不进去，只能靠 patch 打补丁，测试自然又脆又难读。所以「替身用不对」往往不只是测试的问题，它会在 review 里反向暴露出被测代码耦合过紧的设计问题——这也是把五分法讲清楚的另一层价值。
六、五种替身一张表：用途、断言对象、典型误用、AI 场景
把五分法汇总成一张对照表，选型时对着查即可：
| 替身 | 用途 | 断言对象 | 典型误用 | AI 场景对应做法 |
|---|---|---|---|---|
| Dummy | 凑满参数，不使用 | 无 | 给 Dummy 加断言 | 占位传入不相关的上下文对象 |
| Stub | 提供固定返回值 | 被测对象的返回值/状态 | 顺手断言调用次数 | 把模型调用 Stub 成固定响应 |
| Spy | 记录调用序列 | 交互是否发生、顺序 | 用 Spy 顶替该用 Fake 的存取验证 | 记录 Agent 工具调用做 Trajectory 断言 |
| Mock | 验证期望交互 | 交互本身（参数、次数） | 把每个依赖都 Mock、堆一摞脆弱断言 | 断言「必须触发风控/审计」这类契约 |
| Fake | 真实但轻量的实现 | 端到端状态正确性 | 用 Stub 塞死返回值代替真跑逻辑 | 写一个按规则决策的假模型/内存向量库 |
这张表的核心不是背下五个名字，而是那条选型主线：先问「我这条测试要断言什么」，再倒推该用哪种替身。 断言数据用 Stub，断言交互用 Mock/Spy，断言真实行为用 Fake，凑数用 Dummy。把这条主线立起来，开头那种「一个 MagicMock 既提供数据又断言交互」的混用就不会再出现。
写在最后
「Mock 万能」是个流传很广的误解，它让无数测试要么脆得一碰就红、要么假绿得什么都没验。五种 Test Double 的分界从来清晰：断言对象是数据、是交互、还是真实行为，决定了你该伸手拿哪一种。
到了 AI 时代，这套老分类不但没过时，反而更重要——被测对象从确定代码变成了不确定的模型和 Agent，你更需要用 Stub 把模型固定住、用 Spy 把工具调用序列记下来、用 Fake 造一个行为可复现的假模型。替身多替了一层，但选型的那条主线一点没变。
别问「这个依赖该不该 Mock」，先问「我这条测试到底要断言什么」——答案会自己告诉你该用哪种替身。
