背景
在数据库行业，质量是核心要素。
Databend 的应用场景广泛，特别是在金融相关领域，其查询结果的准确性对用户至关重要。因此，在快速迭代的过程中，如何确保产品质量，成为我们面临的重大挑战。
随着 Databend 开源社区的快速发展，新功能的持续增加和现有功能的优化提出了新的测试挑战。我们致力于在每次代码更新中实施严格的测试，确保稳定性并防止任何潜在问题。
Databend 的测试方法
为了确保软件的稳定性和可靠性，Databend 的测试方法覆盖从代码级到系统级的各个方面。
Unit Tests
单元测试作为测试的基石，着重验证代码的基本功能和逻辑。我们在每次代码提交前自动运行单元测试，确保及时捕捉任何潜在问题。
SQL Logic Tests
Databend 引入了大量的 DuckDB、CockroachDB 和 PostgreSQL 的 SQL 逻辑测试（感谢他们）。这些测试覆盖了广泛的 SQL 场景，帮助我们发现并修复潜在问题，保障 SQL 查询的精确性。
Compatible Tests
兼容性测试确保新版本与旧版本的向后兼容，帮助用户平稳过渡到 Databend 的更新版本，保障业务的连续性和稳定性。
Perf Tests
Databend 使用 ClickBench hits 数据集和 TPCH-SF100 作为性能指标，通过这些测试来确保每个版本的性能都符合预期。
Longrun Tests
Longrun 测试专注于数据写入、更新和合并等操作的长期效果，通过监测 CPU 和内存的稳定性，确保 Databend 的长期运行稳定性和可靠性。
除 Longrun Tests 外，这些测试在每个 GitHub Pull Request 提交时都会执行，以保证任何更改都符合我们的质量标准。
借助 GPT-4 生成测试模型
尽管已经采用了多种测试方法，Databend 团队始终在寻求创新。近期，我们引入了 GPT-4 来进一步提升测试流程。
双缝探测模型
针对涉及核心路径的修改，我们采用双缝探测模型进行验证。这种方法通过比较当前 PR 版本与主分支（main）版本的结果集来进行验证。如果两者结果一致，则可视为无大碍。但这些验证的 SQL 语句的质量至关重要，这正是我们利用 GPT-4 生成的部分。首先，我们指导 GPT-4 根据需求推理出随机数据生成方式，如 setup.sql 所示。然后，基于这些数据，GPT-4 进一步生成用于校验的 SQL 语句，例如 check.sql。这些验证 SQL 语句可以根据不同场景进行调整。接下来，我们在这两个版本的 Databend 上运行这些 SQL 语句，以验证结果集的一致性。
结果集正确性模型
为了确保 Databend 的结果集的正确性，我们选择了 Snowflake 作为参考。这一方法包括三个步骤：
- setup.sql： 在 Databend 和 Snowflake 上分别构建表并导入随机数据集。
- action.sql：在 Databend 和 Snowflake 上分别执行数据变更操作，如 Replace/Merge 等。
- check.sql： 在 Databend 和 Snowflake 上分别执行并验证结果。
这些 SQL 语句都是由 GPT-4 根据 setup.sql 的数据模式生成的，更加复杂和随机，以便更有效地探测潜在的问题。
总结
Databend 团队通过引入 GPT-4，为测试流程带来了显著的进步。我们已在 Databend Wizard 项目中发布了更多测试集：
GitHub - datafuselabs/wizard: A GPT4 powered tool for detecting bugs in Databend
借助这些 GPT-4 生成的测试模型，Databend 的质量和稳定性又前进了一大步，科技是第一生产力。
References
[1] datafuselabs/wizard
[2] Databend
[3] Snowflake
关于 Databend
Databend 是一款开源、弹性、低成本，基于对象存储也可以做实时分析的新式数仓。期待您的关注，一起探索云原生数仓解决方案，打造新一代开源 Data Cloud。
👨💻 Databend Cloud：https://databend.cn
📖 Databend 文档：Databend - The Future of Cloud Data Analytics. | Databend
💻 Wechat：Databend
