Development
369 Inhalte
Entdecken Sie unser Archiv zu tiefgehenden Inhalte zum Thema Development.
Kubernetes ist der De-facto-Standard für Container-Orchestrierung – doch zwischen lokalem Testcluster und produktionsreifer Enterprise-Plattform liegen Welten. Von Architektur-Entscheidungen über Werkzeuge bis hin zu den wichtigsten Lektionen aus der Praxis: Wie ein kleines Team innerhalb von drei Monaten eine gewachsene Azure-Infrastruktur vollständig modernisierte.
Development
Testing
Flaky Tests stabilisieren – Warum stabile Locators wichtiger sind als komplexe XPaths
Flaky Tests gehören zu den häufigsten und zugleich unterschätzten Problemen in der Testautomatisierung. Der Beitrag zeigt praxisnah, wie eine instabile UI-Test-Suite in einem dynamischen Webumfeld systematisch analysiert und nachhaltig stabilisiert wurde. Im Fokus stehen typische Ursachen wie fragile XPath-Konstruktionen ohne stabile Attribute, unzureichende Synchronisation bei reaktiven Frontends..
Development
Die Testpyramide in der Praxis: von Legacy-C++-Code zur System-Level-Testautomatisierung
Testautomatisierung klingt in der Theorie geradlinig. In der Praxis zeigt sie schnell ihre Grenzen: Mocks, die mehr Pflege brauchen als der Code selbst, UI-Tests, die kaum stabil laufen, und Pipelines, die ständig kippen. Dieser Artikel schildert offen, was in realen Projekten schiefgelaufen ist, was geholfen hat und warum die Testpyramide trotzdem das richtige Leitmodell bleibt, wenn man sie nich..
Development
Testing
Testdatenengineering statt Testdatenmanagement – Warum klassische Ansätze für moderne Testautomatisierung oft nicht ausreichen
Viele gängige Verfahren aus dem Testdatenmanagement stellen Testdaten für Tests bereit. Diese Testdaten sind aber typischerweise nicht auf die konkreten, spezifischen Bedürfnisse der einzelnen Tests abgestimmt. Dies führt insbesondere im Umfeld von Testautomatisierung und CI/CD-Pipelines zu diversen Problemen, die ein radikaler Testdaten-Engineering-Ansatz weitgehend entschärfen kann.
Large Language Models stellen Tester vor besondere Herausforderung, denn LLMs sind keine klassische Software im herkömmlichen Sinn. Sie liefern keine strikt deterministischen Antworten, sondern generieren Wahrscheinlichkeiten in Textform. Gleicher Input kann unterschiedliche Outputs erzeugen. Antworten können korrekt, teilweise korrekt, stilistisch überzeugend, aber faktisch falsch sein. Genau hie..